文獻(xiàn)標(biāo)識(shí)碼： A
文章編號(hào)： 0258-7998(2013)07-0060-03
現(xiàn)有的入侵檢測(cè)系統(tǒng)中存在虛假報(bào)警、報(bào)警量巨大、不相關(guān)報(bào)警多等問(wèn)題，極大地限制了它的應(yīng)用。因此，報(bào)警信息的關(guān)聯(lián)是目前入侵檢測(cè)領(lǐng)域一個(gè)重要的發(fā)展方向。在這些研究中，HU W M等[1]提出了一種基于AdaBoost算法通過(guò)機(jī)器學(xué)習(xí)進(jìn)行報(bào)警的方法。GIACINTO G等[2]提出了一種基于多個(gè)分類系統(tǒng)的方法，降低了誤報(bào)率并提高了檢測(cè)率。TSANG C H等[3]提出了一種基于基因和模型規(guī)則的方法，取得了較好的檢測(cè)率，并降低了誤報(bào)率。SHON T等[4]提出了一種基于支持向量機(jī)以及遺傳算法的混合異常檢測(cè)算法。劉利軍等[5]提出了一種基于二級(jí)決策進(jìn)行報(bào)警過(guò)濾從而消除誤報(bào)、濫報(bào)問(wèn)題的方法，設(shè)計(jì)實(shí)現(xiàn)了一種基于報(bào)警緩沖池的報(bào)警優(yōu)化過(guò)濾算法。肖云等[6]提出了一種基于粗糙集、支持向量機(jī)理論的過(guò)濾誤報(bào)警的方法。穆成坡等[7]提出了一種基于模糊綜合評(píng)判的方法來(lái)處理入侵檢測(cè)系統(tǒng)的報(bào)警信息、關(guān)聯(lián)報(bào)警事件，并引入有監(jiān)督的確信度學(xué)習(xí)方法，通過(guò)確信度來(lái)對(duì)報(bào)警信息進(jìn)行進(jìn)一步的過(guò)濾。
總體說(shuō)來(lái)，現(xiàn)有絕大多數(shù)入侵檢測(cè)關(guān)聯(lián)模型或方法都是在所有的事件發(fā)生后再對(duì)所有的事件進(jìn)行報(bào)警關(guān)聯(lián)分析，相當(dāng)于“事后諸葛亮”。另外，這些模型或算法難以判斷或計(jì)算所面臨的網(wǎng)絡(luò)危險(xiǎn)，因此實(shí)際應(yīng)用中受到了一定的限制。目前，超過(guò)90％商業(yè)運(yùn)營(yíng)的入侵檢測(cè)系統(tǒng)都是在Snort檢測(cè)引擎的基礎(chǔ)上進(jìn)行二次開發(fā)而來(lái)。盡管Snort獲得了巨大的成功，但作為通過(guò)攻擊特征進(jìn)行檢測(cè)的入侵檢測(cè)系統(tǒng)，Snort存在傳統(tǒng)入侵檢測(cè)系統(tǒng)的缺陷。
目前，基于人工免疫AIS(Artificial Immune System)的網(wǎng)絡(luò)安全技術(shù)具有多樣性、自適應(yīng)、魯棒性等特點(diǎn)，并被認(rèn)為是一條非常重要且有意義的研究方向[8]。參考文獻(xiàn)[8]依據(jù)人體發(fā)燒時(shí)抗體濃度增加的原理，提出了一種基于免疫的網(wǎng)絡(luò)安全危險(xiǎn)檢測(cè)模型。該方法能對(duì)網(wǎng)絡(luò)系統(tǒng)所面臨的攻擊進(jìn)行準(zhǔn)確的實(shí)時(shí)危險(xiǎn)評(píng)估，被證實(shí)了為網(wǎng)絡(luò)安全風(fēng)險(xiǎn)在線檢測(cè)提供了一種有效的新途徑?；谌斯っ庖咴?，本文提出一種基于Snort的入侵檢測(cè)關(guān)聯(lián)報(bào)警模型(A Snort-based Associated Intrusion Alarm model，SAIM)，理論分析和實(shí)驗(yàn)結(jié)果均表明，SAIM模型為網(wǎng)絡(luò)入侵關(guān)聯(lián)報(bào)警提供了一種有效的新途徑。
在主機(jī)實(shí)時(shí)危險(xiǎn)計(jì)算過(guò)程中，先統(tǒng)計(jì)出每類攻擊的總危險(xiǎn)性，然后與對(duì)應(yīng)的該類攻擊的危險(xiǎn)權(quán)重進(jìn)行乘積和運(yùn)算，據(jù)此分別計(jì)算出主機(jī)的分類攻擊和主機(jī)整體危險(xiǎn)性。
1.4 危險(xiǎn)報(bào)警模型
基于實(shí)時(shí)網(wǎng)絡(luò)的“危險(xiǎn)”報(bào)警模型依據(jù)2個(gè)條件進(jìn)行報(bào)警，即網(wǎng)絡(luò)實(shí)時(shí)危險(xiǎn)與攻擊強(qiáng)度。對(duì)主機(jī)中報(bào)警信號(hào)的產(chǎn)生，主要來(lái)自2個(gè)方面：對(duì)主機(jī)m，(1)主機(jī)的整體危險(xiǎn)rm(t)大于γ1(0<γ1<1)，并且主機(jī)遭遇的所有的攻擊(假設(shè)主機(jī)中包含了I類攻擊)的攻擊強(qiáng)度大于n；(2)主機(jī)遭遇的某類攻擊的網(wǎng)絡(luò)危險(xiǎn)rm，t(t)大于ω1，i(0<ω1，i<1)，并且主機(jī)遭遇的該類攻擊（第i類攻擊）的攻擊強(qiáng)度大于Ni。對(duì)于檢測(cè)的一些報(bào)警信息，例如入侵者對(duì)所有端口進(jìn)行的掃描探測(cè)活動(dòng)，當(dāng)網(wǎng)絡(luò)危險(xiǎn)達(dá)到一定數(shù)值時(shí)，模型就進(jìn)行報(bào)警，SAIM將所有的報(bào)警信息關(guān)聯(lián)起來(lái)，這有助于解決當(dāng)前入侵檢測(cè)系統(tǒng)模型中海量的報(bào)警信息關(guān)聯(lián)的問(wèn)題。
2 報(bào)警實(shí)驗(yàn)
為證明SAIM能有效減少虛假警報(bào)、提高報(bào)警質(zhì)量，采用1999年DARPA入侵檢測(cè)系統(tǒng)測(cè)試數(shù)據(jù)集[9]對(duì)模型進(jìn)行了測(cè)試。該數(shù)據(jù)集是麻省理工學(xué)院的林肯實(shí)驗(yàn)室在實(shí)際網(wǎng)絡(luò)環(huán)境中進(jìn)行攻擊而產(chǎn)生的真實(shí)數(shù)據(jù)，用于評(píng)估入侵檢測(cè)系統(tǒng)的性能。DARPA 1999年評(píng)測(cè)數(shù)據(jù)包括覆蓋了Probe、DoS、R2L、U2R和Data等五大類攻擊，是目前最為全面的攻擊測(cè)試數(shù)據(jù)集。測(cè)試過(guò)程中使用的Snort規(guī)則庫(kù)中有5 991條規(guī)則，采用第4周周五為試驗(yàn)數(shù)據(jù)。
圖1給出了Snort在檢測(cè)過(guò)程中的報(bào)警數(shù)。其中總報(bào)警數(shù)3 496條，虛警2 814條(80.5%)，真實(shí)報(bào)警682條(19.5%)。采用SAIM模型，當(dāng)主機(jī)總體實(shí)時(shí)危險(xiǎn)報(bào)警閾值取值為0.3時(shí)，報(bào)警數(shù)共20個(gè)，虛警率為45%，檢測(cè)結(jié)果表明了本文所提出的報(bào)警模型在減小虛假報(bào)警、合并同類無(wú)關(guān)報(bào)警、提高報(bào)警質(zhì)量上是可行的。
實(shí)驗(yàn)結(jié)果表明，SAIM模型能實(shí)時(shí)定量地計(jì)算出主機(jī)當(dāng)前所面臨攻擊的類別、數(shù)量、強(qiáng)度及危險(xiǎn)數(shù)值等；另外，模型根據(jù)檢測(cè)的網(wǎng)絡(luò)實(shí)時(shí)危險(xiǎn)強(qiáng)度進(jìn)行報(bào)警，有助于減小入侵檢測(cè)的誤報(bào)率和報(bào)警數(shù)量，從而提高報(bào)警質(zhì)量。
與同類報(bào)警相關(guān)研究[1-7]相比，本文所提出的報(bào)警方法不需要先驗(yàn)報(bào)警知識(shí)訓(xùn)練，更不是事后根據(jù)所有的報(bào)警記錄來(lái)進(jìn)行分析，同時(shí)可查看主機(jī)和網(wǎng)絡(luò)當(dāng)前所面臨的攻擊類別、數(shù)量、強(qiáng)度及具體的網(wǎng)絡(luò)實(shí)時(shí)危險(xiǎn)數(shù)值數(shù)據(jù)，這有助于網(wǎng)絡(luò)安全管理員掌握實(shí)時(shí)的網(wǎng)絡(luò)安全態(tài)勢(shì)，因此本文所提出的方法具有一定的實(shí)用價(jià)值。
參考文獻(xiàn)
[1] HU W M，HU W，MAYBANK S.AdaBoost-based algorithm for network intrusion detection[J].IEEE Transactions on Systems Man and Cybernetics Part B-Cybernetics，2008，38(2)：577-583.
[2] GIORGIO G，ROBERTO P，MAURO D，et al.Intrusion detection in computer networks by a modular ensemble of one-class classifiers[J].Information Fusion，2008，9(1)：69-82.
[3] TSANG C H，KWONG S，WANG H L.Genetic-fuzzy rule mining approach and evaluation of feature selection techniques for anomaly intrusion detection[J].Pattern Recognition，2007，40(9)：2373-2391.
[4] SHON T，MOON J.A hybrid machine learning approach to network anomaly detection[J].Information Sciences，2007，177(18)：3799-3821.
[5] 劉利軍，懷進(jìn)鵬.一種IDS報(bào)警過(guò)濾算法及實(shí)現(xiàn)架構(gòu)研究[J].高技術(shù)通訊，2005，15(6)：1-4.
[6] 肖云，韓崇昭，鄭慶華，等.基于粗糙集-支持向量機(jī)理論的過(guò)濾誤報(bào)警方法[J].電子與信息學(xué)報(bào)，2007，29(12)：3011-3014.
[7] 穆成坡，黃厚寬，田盛豐，等.基于模糊綜合評(píng)判的入侵檢測(cè)報(bào)警信息處理[J].計(jì)算機(jī)研究與發(fā)展，2005，42(10)：1679-1685.
[8] LI T.An immunity based network security risk estimation[J].Science in China Series F-Information Sciences，2005，48(5)：557-578.
[9] HAINES J W，LPPMANN R P，F(xiàn)RIED D J，et al.DARPA intrusion detection system evaluation：design and procedures[R].Lexington：MIT Lincoln Laboratory，1999.