現(xiàn)有的入侵檢測系統(tǒng)中存在虛假報警、報警量巨大、不相關報警多等問題，極大地限制了它的應用。因此，報警信息的關聯(lián)是目前入侵檢測領域一個重要的發(fā)展方向。在這些研究中，HU W M等[1]提出了一種基于AdaBoost算法通過機器學習進行報警的方法。GIACINTO G等[2]提出了一種基于多個分類系統(tǒng)的方法，降低了誤報率并提高了檢測率。TSANG C H等[3]提出了一種基于基因和模型規(guī)則的方法，取得了較好的檢測率，并降低了誤報率。SHON T等[4]提出了一種基于支持向量機以及遺傳算法的混合異常檢測算法。劉利軍等[5]提出了一種基于二級決策進行報警過濾從而消除誤報、濫報問題的方法，設計實現(xiàn)了一種基于報警緩沖池的報警優(yōu)化過濾算法。肖云等[6]提出了一種基于粗糙集、支持向量機理論的過濾誤報警的方法。穆成坡等[7]提出了一種基于模糊綜合評判的方法來處理入侵檢測系統(tǒng)的報警信息、關聯(lián)報警事件，并引入有監(jiān)督的確信度學習方法，通過確信度來對報警信息進行進一步的過濾。

    總體說來，現(xiàn)有絕大多數(shù)入侵檢測關聯(lián)模型或方法都是在所有的事件發(fā)生后再對所有的事件進行報警關聯(lián)分析，相當于“事后諸葛亮”。另外，這些模型或算法難以判斷或計算所面臨的網(wǎng)絡危險，因此實際應用中受到了一定的限制。目前，超過90％商業(yè)運營的入侵檢測系統(tǒng)都是在Snort檢測引擎的基礎上進行二次開發(fā)而來。盡管Snort獲得了巨大的成功，但作為通過攻擊特征進行檢測的入侵檢測系統(tǒng)，Snort存在傳統(tǒng)入侵檢測系統(tǒng)的缺陷。
    目前，基于人工免疫AIS(Artificial Immune System)的網(wǎng)絡安全技術具有多樣性、自適應、魯棒性等特點，并被認為是一條非常重要且有意義的研究方向[8]。參考文獻[8]依據(jù)人體發(fā)燒時抗體濃度增加的原理，提出了一種基于免疫的網(wǎng)絡安全危險檢測模型。該方法能對網(wǎng)絡系統(tǒng)所面臨的攻擊進行準確的實時危險評估，被證實了為網(wǎng)絡安全風險在線檢測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的入侵檢測關聯(lián)報警模型(A Snort-based Associated Intrusion Alarm model，SAIM)，理論分析和實驗結(jié)果均表明，SAIM模型為網(wǎng)絡入侵關聯(lián)報警提供了一種有效的新途徑。

    在主機實時危險計算過程中，先統(tǒng)計出每類攻擊的總危險性，然后與對應的該類攻擊的危險權重進行乘積和運算，據(jù)此分別計算出主機的分類攻擊和主機整體危險性。
1.4 危險報警模型
    基于實時網(wǎng)絡的&ldquo;危險&rdquo;報警模型依據(jù)2個條件進行報警，即網(wǎng)絡實時危險與攻擊強度。對主機中報警信號的產(chǎn)生，主要來自2個方面：對主機m，(1)主機的整體危險rm(t)大于&gamma;1(0<&gamma;1<1)，并且主機遭遇的所有的攻擊(假設主機中包含了I類攻擊)的攻擊強度大于n；(2)主機遭遇的某類攻擊的網(wǎng)絡危險rm，t(t)大于&omega;1，i(0<&omega;1，i<1)，并且主機遭遇的該類攻擊（第i類攻擊）的攻擊強度大于Ni。對于檢測的一些報警信息，例如入侵者對所有端口進行的掃描探測活動，當網(wǎng)絡危險達到一定數(shù)值時，模型就進行報警，SAIM將所有的報警信息關聯(lián)起來，這有助于解決當前入侵檢測系統(tǒng)模型中海量的報警信息關聯(lián)的問題。
2 報警實驗
    為證明SAIM能有效減少虛假警報、提高報警質(zhì)量，采用1999年DARPA入侵檢測系統(tǒng)測試數(shù)據(jù)集[9]對模型進行了測試。該數(shù)據(jù)集是麻省理工學院的林肯實驗室在實際網(wǎng)絡環(huán)境中進行攻擊而產(chǎn)生的真實數(shù)據(jù)，用于評估入侵檢測系統(tǒng)的性能。DARPA 1999年評測數(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試數(shù)據(jù)集。測試過程中使用的Snort規(guī)則庫中有5 991條規(guī)則，采用第4周周五為試驗數(shù)據(jù)。
    圖1給出了Snort在檢測過程中的報警數(shù)。其中總報警數(shù)3 496條，虛警2 814條(80.5%)，真實報警682條(19.5%)。采用SAIM模型，當主機總體實時危險報警閾值取值為0.3時，報警數(shù)共20個，虛警率為45%，檢測結(jié)果表明了本文所提出的報警模型在減小虛假報警、合并同類無關報警、提高報警質(zhì)量上是可行的。

    實驗結(jié)果表明，SAIM模型能實時定量地計算出主機當前所面臨攻擊的類別、數(shù)量、強度及危險數(shù)值等；另外，模型根據(jù)檢測的網(wǎng)絡實時危險強度進行報警，有助于減小入侵檢測的誤報率和報警數(shù)量，從而提高報警質(zhì)量。
    與同類報警相關研究[1-7]相比，本文所提出的報警方法不需要先驗報警知識訓練，更不是事后根據(jù)所有的報警記錄來進行分析，同時可查看主機和網(wǎng)絡當前所面臨的攻擊類別、數(shù)量、強度及具體的網(wǎng)絡實時危險數(shù)值數(shù)據(jù)，這有助于網(wǎng)絡安全管理員掌握實時的網(wǎng)絡安全態(tài)勢，因此本文所提出的方法具有一定的實用價值。
參考文獻
[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，懷進鵬.一種IDS報警過濾算法及實現(xiàn)架構研究[J].高技術通訊，2005，15(6)：1-4.
[6] 肖云，韓崇昭，鄭慶華，等.基于粗糙集-支持向量機理論的過濾誤報警方法[J].電子與信息學報，2007，29(12)：3011-3014.
[7] 穆成坡，黃厚寬，田盛豐，等.基于模糊綜合評判的入侵檢測報警信息處理[J].計算機研究與發(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.