摘 要：入侵檢測系統(tǒng)是信息安全領域研究的熱點問題。在闡述入侵檢測系統(tǒng)概念和類型的基礎上，指出了當前入侵檢測系統(tǒng)的優(yōu)點及局限性。神經(jīng)網(wǎng)絡 、遺傳算法、模糊邏輯、免疫原理 、機器學習、專家系統(tǒng)、數(shù)據(jù)挖掘、Agent等智能化方法是解決IDS局限性的有效方法。介紹并著重分析了2種基于智能方法的IDS，提出了IDS在今后發(fā)展過程中需要完善的問題。
關鍵詞：IDS;入侵檢測專家系統(tǒng);人工神經(jīng)網(wǎng)絡;異常檢測;智能體

 　　在當今信息化的時代，隨著網(wǎng)絡的高速發(fā)展，信息安全問題引起了世界各國的高度關注。國外在信息安全方面的研究比較早，而我國相對較晚，雖然近幾年發(fā)展迅速，但仍處在發(fā)展的初級階段。
傳統(tǒng)上，用戶大都采用被動的靜態(tài)防護技術，諸如 防火墻、 身份認證、 訪問控制、 加密、安全路由。然而，隨著攻擊者知識體系的日趨完備，攻擊工具和攻擊技術的日趨復雜，單純的被動防御已經(jīng)無法滿足對信息安全高度敏感部門的需要，因此，信息防御還應采用主動的動態(tài)防御技術，即應該重視提高系統(tǒng)的人侵檢測能力、系統(tǒng)的事件反應能力以及當系統(tǒng)遭到入侵引起破壞時的快速恢復能力。在此境況下，入侵檢測技術及入侵檢測系統(tǒng)成為了信息安全領域的新熱點。
1 入侵檢測系統(tǒng)的發(fā)展歷程
1980年4月，JAMES P.A.為美國空軍做了一份題為“Computer Security Threat Monitoring and Surveillance”的技術報告。該報告提出了一種對計算機系統(tǒng)風險和威脅的分類方法，并將威脅分為外部滲透、內部滲透和不法行為3種，最重要的是它提出了利用審計數(shù)據(jù)來監(jiān)視入侵活動的思想，即入侵檢測系統(tǒng)的思想^[1]。1984年到1986年，喬治敦大學的Dorothy Denning和SRI/CLS公司計算機科學實驗室的Peter Neumann研究出了一個名為入侵檢測專家系統(tǒng)IDES (Intrusion Detection Expert Systems)的實時入侵檢測系統(tǒng)模型^[2]。該模型的六部件理論為構建IDS提供了一個通用框架。1988年，Teresa Lunt 等人針對當時爆發(fā)的莫里斯蠕蟲，基于Dorothy Denning提出的入侵檢測模型^[3]開發(fā)出了用于檢測單機上入侵企圖的入侵檢測專家系統(tǒng)IDS。1995年又推出了它的改進版本，名為下一代入侵檢測專家系統(tǒng)NIDES（Next-generation Intrusion Detection Expert System）^[4]。1989年，加州大學戴維斯分校的Todd Heberlein 寫了一篇題為《A Network Security Monitor》的論文，文中提出了用監(jiān)控器用于捕獲TCP/IP分組報文，第一次直接將網(wǎng)絡流作為審計數(shù)據(jù)來源，因而可以在不將審計數(shù)據(jù)轉換成統(tǒng)一格式的情況下監(jiān)控異種主機，網(wǎng)絡入侵檢測從此誕生。
時至今日，IDS的發(fā)展大致經(jīng)歷了3個階段：第一代IDS包括基于主機日志分析、模式匹配，這個階段的IDS基本是試驗性的系統(tǒng)。第二代IDS出現(xiàn)在于20世紀90年代中期，它主要采用網(wǎng)絡數(shù)據(jù)包截獲，主機網(wǎng)絡數(shù)據(jù)分析和審計數(shù)據(jù)分析等技術。代表性的產(chǎn)品有早期的ISS Real Secure(V6.0之前)、Snort等。國內的絕大多數(shù)IDS廠家的產(chǎn)品都屬于這一類。第三代IDS是近幾年才出現(xiàn)的，其特點是采用協(xié)議分析、行為分析等技術。協(xié)議分析技術的采用極大減小了計算量，減少了誤報率；行為異常分析技術的采用賦予了第三代IDS系統(tǒng)識別未知攻擊的能力。第三代IDS可以分為基于異常檢測的IDS和基于誤用(濫用)檢測的IDS兩大類。異常檢測IDS是根據(jù)異常行為和計算機資源的使用情況來判斷的，其代表性產(chǎn)品有Network ICE(2001年并入ISS)、Rea1Secure(V7.0)、NFR(v2.0)等。
2 入侵檢測系統(tǒng)的定義
　　入侵檢測的目標是在不影響網(wǎng)絡性能的情況下，通過檢查系統(tǒng)的審計數(shù)據(jù)或網(wǎng)絡數(shù)據(jù)包信息來檢測，從而提供對內部攻擊、外部攻擊和誤操作的主動的實時保護。
入侵檢測的前提是用戶或者程序的行為是可以被觀察的，而且正常行為和入侵行為之間存在著明顯的不同。
入侵檢測系統(tǒng)IDS（Intrusion Detection System）是通過分析與安全相關聯(lián)的數(shù)據(jù)進行檢測入侵活動的系統(tǒng)^[6]。IDS的作用：(1)能夠在入侵攻擊對用戶產(chǎn)生危害前，發(fā)現(xiàn)入侵，并利用報警與防護系統(tǒng)阻止入侵行為的實現(xiàn)；(2)在入侵攻擊實施過程中減少入侵所造成的損失；(3)在遭到入侵攻擊后收集入侵攻擊的相關信息，在分析提取后添加到作為防范系統(tǒng)的知識庫內，進而增強系統(tǒng)的防范能力。
入侵檢測系統(tǒng)主要由如下4個部分組成^[7，8]，系統(tǒng)結構如圖1所示。

　　(1)數(shù)據(jù)收集裝置:收集反應狀態(tài)信息的審計數(shù)據(jù)，傳給檢測器；
(2)檢測器:負責分析和檢測入侵，并發(fā)出警告信息；
(3)知識庫:提供必要的數(shù)據(jù)信息支持；
(4)控制器:根據(jù)警報信號，人工或自動做出響應動作。

3 入侵檢測系統(tǒng)的分類
基于信息來源的不同，網(wǎng)絡入侵檢測系統(tǒng)可分為網(wǎng)絡基IDS、主機基IDS和混合基IDS 3類，其中混合基IDS是綜合了網(wǎng)絡基IDS和主機基IDS的入侵檢測系統(tǒng)，它既可以發(fā)現(xiàn)網(wǎng)絡中的入侵信息，又可以從系統(tǒng)日志中發(fā)現(xiàn)異常情況。
基于檢測分析方法的不同，網(wǎng)絡入侵檢測系統(tǒng)可分為濫用檢測IDS（基于知識）與異常檢測IDS（基于行為）2類。前者通過收集入侵攻擊特征和系統(tǒng)缺陷構成知識庫，利用已有的知識來識別攻擊行為；后者的理論基礎是假設入侵者活動異常于正常主體的活動中，通過對系統(tǒng)審計蹤跡數(shù)據(jù)的分析建立起系統(tǒng)主體的正常行為特征輪廓，將當前主體的活動狀況與已建立的特征輪廓進行比較，若有很大偏差，就認為該活動可能是“入侵” 行為。
4 傳統(tǒng)入侵檢測系統(tǒng)的局限性及克服方法
　　入侵檢測系統(tǒng)在結構上的發(fā)展是與信息系統(tǒng)的結構變化密切相關的，但入侵檢測的方式?jīng)]有多少變化 ，時至今日入侵檢測系統(tǒng)還是異常檢測、誤用檢測或是二者的結合。傳統(tǒng)入侵檢測系統(tǒng)的可擴展性和適應性都受到限制。在實際應用中，入侵檢測模型僅能處理一種特殊的審計數(shù)據(jù)源，更新費用較高，速度也較慢。
為了克服傳統(tǒng)入侵監(jiān)測系統(tǒng)的局限性，在原來的基礎上引入了用于對入侵的特征進行辨識的人工神經(jīng)網(wǎng)絡 、遺傳算法、 模糊邏輯、支持向量機、免疫原理 、機器學習、專家系統(tǒng)、數(shù)據(jù)挖掘、Agent等智能化方法。入侵檢測系統(tǒng)發(fā)展趨勢為同時采用多種檢測技術的綜合型智能入侵檢測系統(tǒng)。下面就基于人工智能領域分支技術的IDS進行闡述。
4.1  基于神經(jīng)網(wǎng)絡的入侵檢測系統(tǒng)^{[5，12，13]}
　　人工神經(jīng)網(wǎng)絡的優(yōu)點是具有較強的容錯性，能夠識別帶噪聲或變形的輸入模式，具有很強的自適應能力；可以進行并行分布式信息存儲與處理，識別速度快，能把識別處理和若干預處理融為一體進行。而入侵檢測系統(tǒng)的異常檢測技術實質上是一種模式識別或分類問題，因此有很多學者將神經(jīng)網(wǎng)絡技術應用到了入侵檢測系統(tǒng)中，發(fā)展成為今天的基于神經(jīng)網(wǎng)絡的入侵檢測系統(tǒng)。
4.2  基于專家系統(tǒng)的入侵檢測系統(tǒng)
專家系統(tǒng)是最經(jīng)典的智能檢測技術之一，它克服了簡單模式匹配的一些弱點，被許多經(jīng)典的入侵檢測系統(tǒng)IDS所采用，如MIDAS、IDES、NIDES、DIDS和CMDS 等。將專家系統(tǒng)應用于IDS，充分利用安全專家的知識，通過有效的推理，將所獲取的網(wǎng)絡數(shù)據(jù)與專家知識進行匹配，判斷是否為入侵行為。
4.3 綜合型入侵檢測系統(tǒng)：基于專家系統(tǒng)的濫用檢測系統(tǒng)IDES
入侵檢測專家系統(tǒng)IDES（Intrusion Detection Expert System）是SRI公司CSL實驗室20世紀80年代開始研究的一個綜合入侵檢測系統(tǒng)，同時采用專家系統(tǒng)（濫用檢測）和統(tǒng)計分析（異常檢測）^[4]兩種檢測技術。
IDES原型系統(tǒng)采用的是一個混合結構，包含了一個異常檢測器和一個專家系統(tǒng)。異常檢測器采用統(tǒng)計技術刻畫異常行為；專家系統(tǒng)采用基于規(guī)則的方法檢測已知的入侵行為。IDES系統(tǒng)結構如圖2所示。

　　IDES檢測用戶行為審計數(shù)據(jù)是否與該用戶的歷史活動相一致。專家系統(tǒng)組件包含描述可疑行為的規(guī)則，規(guī)則建立在入侵行為的過去知識、已知的系統(tǒng)脆弱性漏洞及特定系統(tǒng)安全策略基礎上。
5  引入智能化技術的入侵檢測系統(tǒng)面臨的主要難點及有待完善的問題
5.1  面臨的主要難點^{[8，9，15]}
(1) 實時檢測難。由于智能入侵檢測技術大都采用軟計算方法，計算量大，占用系統(tǒng)資源大。隨著網(wǎng)絡技術的高速發(fā)展和吉比特高速網(wǎng)的出現(xiàn)，采用智能入侵檢測技術的IDS將難以實現(xiàn)實時入侵檢測。
(2) 正常使用模式的建立。智能入侵檢測技術大部分都需要先對數(shù)據(jù)進行訓練，從而建立正常使用模式，但要獲得“純凈”的數(shù)據(jù)是比較困難的。在實際應用中獲取的數(shù)據(jù)大都夾雜一些有攻擊行為的數(shù)據(jù)，若將帶有攻擊行為的數(shù)據(jù)當成正常數(shù)據(jù)訓練，則建立的模型將不會檢測出該種攻擊行為。
(3)缺乏精確性和完備性。由于網(wǎng)絡系統(tǒng)的日益復雜化，以及各種攻擊方法和攻擊手段的快速更新，專家系統(tǒng)顯得缺乏足夠的完備性和準確性，導致根據(jù)專家系統(tǒng)建立的IDS缺乏準確性，進而容易造成誤報和漏報。
(4)門限值的選定。智能入侵檢測技術大都是通過對當前系統(tǒng)／用戶行為與正常模型的偏離度來判斷是否為入侵行為，每個度對應于一個門限值，若門限值選擇過高，則漏警率高; 若門限值選擇過低，則誤警率高。
(5)自防護性不強。由于IDS自身存在著脆弱點，而應對攻擊者對IDS本身的攻擊的防護手段與技術還不夠成熟。
5.2 有待進一步完善的問題
　　由于智能入侵檢測技術存在著或多或少的問題，使得這些技術難以應用于實際，因此大部分都還停留在研究階段，但智能入侵檢測技術所具有的自學習、自適應性的特點，恰是目前計算機安全軟件所缺乏而又迫切需要的。有待進一步完善的問題主要有：(1)完善相關技術，對現(xiàn)有算法進行改進或提出新的更高效的算法，例如需要進一步研究數(shù)據(jù)挖掘的算法，以提高數(shù)據(jù)挖掘的效率，進而實現(xiàn)海量信息的高效處理；(2)將基于特征分類的檢測技術與基于智能因素的檢測技術結合，進一步提高IDS的性能；(3)采用數(shù)據(jù)融合技術，進一步提高IDS檢測的準確性；(4)利用Agent及移動Agent技術從檢測系統(tǒng)結構設計方面，實現(xiàn)對大型網(wǎng)絡、高速網(wǎng)絡、分布式異構平臺環(huán)境的自適應性^{[10，11，16]}；(5)綜合多種技術構造更完美的混合型入侵檢測系統(tǒng)，優(yōu)化IDS系統(tǒng)各方面的性能；(6)發(fā)掘新技術與手段加強對IDS本身的防護。

參考文獻
[1] JAMES P，ANDERSON C．Computer security threat monitoring and surveillance[R]．Fort Washington， PA，1980．
[2] DENING D E， NEUMANN P G.Requirements and model for IDES—a real-time intrusion detection system[R]．Menlo Park， C A， USA: Computer Science Laboratory， Sri International， 1985．
[3] DINNING D E. An intrusion detection model[J]．IEEE Trans．On Software Engineering(Special Issue on Computer Security and Privacy),1987， 13(2):222-223．
[4] ANDERSON D， FRIVOLD T， VALDES S．Next-generation intrusion detection expert system (NIDES): A summary[R]．Menlo Park， California: Computer Science Laboratory， SRI International， 1995.
[5] CANNADY. Artificial neural networks for misuse detection [J].National Information Systems Security Conference, 1998:368-381.
[6] 胡昌振.網(wǎng)絡入侵檢測原理與技術[M].北京:北京理工大學出版社，2005.
[7] 唐正軍，李建華.入侵檢測技術[M].北京:清華大學出版社，2004.
[8] 鄭成興.網(wǎng)絡入侵防范的理論與實踐[M].北京:機械工業(yè)出版社，2006.
[9] 于志宏.基于協(xié)議分析的入侵檢測規(guī)則智能匹配[J].吉林大學學報，2008，26(2):157-160.
[10] 張云通.移動Agent及其應用[M].北京:清華大學出版社，2002.
[11] 谷雨.基于支持向量機與移動Agent的入侵檢測模型[J].云南民族大學學報,2008，17(1):68-70.
[12] LIU Yan Heng，TIAN Da Xin，WANG AiNuo．ANNIDS：Intrusion detection system based on artificial neural Network [R]．IEEE International Conference on Machine Learning and Cybernetics,2003，3(2)：1337－1342．
[13] 汪興東.基于BP神經(jīng)網(wǎng)絡的智能入侵檢測系統(tǒng)[J].成都信息工程學院學報,2005，20(1):1-4.
[14] 劉峰，胡昌振.一種基于系統(tǒng)調用序列的異常檢測模型[J].計算機工程,2005，31(11):139-141.
[15] DASGUPTA D. Immunity-based intrusion detection system: a general framework [R]. Proceedings of 2nd National Information Systems Security Conference (NISSC), 1999:60-147.
[16] 王海星.基于Mobile Agent的智能化分布式入侵檢測系統(tǒng)模型[J].2007(2):57-60.