近几年来,随着网络技术技术的迅速发展,网络信息安全也受到越来越多的关注,网络攻击事件也日益增长,且攻击手段也越来越趋于复杂化,尤其是内部攻击事件,与外部攻击不同,内部攻击往往来源于内部用户的蓄意或无意行为,很多异常行为往往掩饰在正常行为中,具有隐蔽性高、破坏性强的特点,在对企业造成更大损害的同时,也更不容易被检测到。因此,如何检测和预防内部威胁就变得愈发重要。随着深度学习技术的迅速发展与近年来获得的重大突破,使得用户行为分析技术也得到了不断的完善,在针对异常攻击方面提供了很多有效的检测与相应方案。包括对用户的行为特征、心里状态、动机等主观因素来判断用户行为的异常程度,利用用户角色、访问权限等客观因素来对用户的异常行为进行检测,以及利用机器学习的方式对大数据进行挖掘通过其结果分析用户行为是否存在异常。本文从内部网络结构特征角度出发,对内部网络中的实体及其关联关系进行分析,利用行为数据与流量数据对实体进行画像以及描述、量化实体之间的关联关系,并以此对内部网络中的实体进行异常检测,最终提出一种基于自适应的用户与实体行为分析系统实现对内部网络中的威胁进行检测与发现。