《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 大型分布式入侵檢測系統(tǒng)
大型分布式入侵檢測系統(tǒng)
《信息技術(shù)與網(wǎng)絡(luò)安全》2020年第7期
楊瑞增1，陳天鷹2，李玉盼3
1.華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083； 2.中國鐵道科學(xué)研究院 研究生院，北京100081；3.北京交通大學(xué)，北京100044
摘要： 提出一種大型分布式入侵檢測系統(tǒng)(Broad-scale Distributed Intrusion Detection System，BDIDS)的體系結(jié)構(gòu)，以發(fā)現(xiàn)多手段多層次的攻擊。這些攻擊是分布式網(wǎng)絡(luò)中多個(gè)子網(wǎng)之間存在的異?，F(xiàn)象。BDIDS由兩個(gè)關(guān)鍵組件組成：大數(shù)據(jù)處理引擎和分析引擎。大數(shù)據(jù)處理是通過HAMR完成的，HAMR是下一代內(nèi)存MapReduce引擎。據(jù)報(bào)告，HAMR通過多種分析算法，使得現(xiàn)有大數(shù)據(jù)解決方案的速度大大提高。分析引擎包括一種新穎的集成算法，該算法從多個(gè)IDS警報(bào)的集群中提取訓(xùn)練數(shù)據(jù)?；诰垲惻c已知潛在攻擊的高度相似性，將聚類用作預(yù)處理步驟以重新標(biāo)記數(shù)據(jù)集?？傮w目標(biāo)是預(yù)測分布在多個(gè)子網(wǎng)中的多手段多層次的攻擊，這些攻擊手段如果不以綜合方式進(jìn)行評估，極有可能會被忽略。
中圖分類號： TP393
文獻(xiàn)標(biāo)識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.07.005
引用格式： 楊瑞增，陳天鷹，李玉盼. 大型分布式入侵檢測系統(tǒng)[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39(7)：31-35.

Broad-scale distributed intrusion detection system
Yang Ruizeng1，Chen Tianying2，Li Yupan3
1.National Computer System Engineering Research Institute of China，Beijing 100083，China； 2.Graduate School，China Academy of Railway Sciences，Beijing 100081，China； 3.Beijing Jiaotong University，Beijing 100044，China
Abstract： In this paper，a large-scale distributed intrusion detection system (broad-scale distributed intrusion detection system, BDIDS) architecture is proposed to discover multi-level and multi-means attacks. These attacks are anomalies that exist between multiple subnets in a distributed network. BDIDS consists of two key components: big data processing engine and analysis engine. Big data processing is done through HAMR, which is the next-generation in-memory MapReduce engine. According to reports, HAMR has greatly improved the speed of existing big data solutions through various analysis algorithms. The analysis engine includes a novel integrated algorithm that extracts training data from a cluster of multiple IDS alerts. Based on the high similarity between clustering and known potential attacks, clustering is used as a preprocessing step to relabel the data set. The overall goal is to predict multi-method, multi-level attacks distributed in multiple subnets. If these attacks are not evaluated in a comprehensive manner, they will most likely be ignored.
Key words : big data；distributed intrusion detection system；integrated learning

入侵檢測旨在使用已知的攻擊特征來識別未經(jīng)授權(quán)的訪問。入侵檢測的重點(diǎn)是發(fā)現(xiàn)多手段多層次的攻擊，這些攻擊可能會隨著時(shí)間的流逝借助復(fù)雜網(wǎng)絡(luò)中各個(gè)點(diǎn)而傳播。特別是隨著數(shù)據(jù)集變得龐大，多手段多層次的攻擊檢測是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

2011年7月在太平洋西北國家實(shí)驗(yàn)室曾經(jīng)發(fā)生過一次復(fù)雜的多手段網(wǎng)絡(luò)攻擊事件。盡管實(shí)驗(yàn)室的IT安全邊界得到了很好的保護(hù)，但這些攻擊卻是在非常協(xié)調(diào)和長期的過程中完成的。首先是對組織的攻擊，其次是對共享關(guān)鍵資源的合作伙伴的攻擊。在攻擊的第一部分中，入侵者利用了面向公眾的Web服務(wù)器中的漏洞。此外，黑客還秘密地從受攻擊的工作站中搜索了網(wǎng)絡(luò)，這些工作站已作為長期協(xié)調(diào)攻擊的一部分而被預(yù)先鎖定。攻擊的第二部分始于魚叉式網(wǎng)絡(luò)釣魚，第二組黑客對組織的主要業(yè)務(wù)合作伙伴發(fā)起了網(wǎng)絡(luò)釣魚攻擊，并與之共享網(wǎng)絡(luò)資源。黑客能夠獲得特權(quán)賬戶并破壞由組織及其合作伙伴共享的根域控制器。當(dāng)入侵者試圖重新創(chuàng)建和分配特權(quán)時(shí)，警報(bào)最終被觸發(fā)，以警告組織的網(wǎng)絡(luò)安全團(tuán)隊(duì)。



本文詳細(xì)內(nèi)容請下載：http://theprogrammingfactory.com/resource/share/2000003216

作者信息：

楊瑞增1，陳天鷹2，李玉盼3

(1.華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083；

2.中國鐵道科學(xué)研究院 研究生院，北京100081；3.北京交通大學(xué)，北京100044)

 


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。