大型分布式入侵检测系统
《信息技术与网络安全》2020年第7期
杨瑞增1，陈天鹰2，李玉盼3
1.华北计算机系统工程研究所，北京100083； 2.中国铁道科学研究院 研究生院，北京100081；3.北京交通大学，北京100044
摘要： 提出一种大型分布式入侵检测系统(Broad-scale Distributed Intrusion Detection System，BDIDS)的体系结构，以发现多手段多层次的攻击。这些攻击是分布式网络中多个子网之间存在的异常现象。BDIDS由两个关键组件组成：大数据处理引擎和分析引擎。大数据处理是通过HAMR完成的，HAMR是下一代内存MapReduce引擎。据报告，HAMR通过多种分析算法，使得现有大数据解决方案的速度大大提高。分析引擎包括一种新颖的集成算法，该算法从多个IDS警报的集群中提取训练数据。基于聚类与已知潜在攻击的高度相似性，将聚类用作预处理步骤以重新标记数据集。总体目标是预测分布在多个子网中的多手段多层次的攻击，这些攻击手段如果不以综合方式进行评估，极有可能会被忽略。
中圖分類號： TP393
文獻標識碼： 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[J].信息技術與網絡安全，2020，39(7)：31-35.
文獻標識碼： 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[J].信息技術與網絡安全，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授權的訪問。入侵檢測的重點是發現多手段多層次的攻擊，這些攻擊可能會隨著時間的流逝借助復雜網絡中各個點而傳播。特別是隨著數據集變得龐大，多手段多層次的攻擊檢測是一項具有挑戰性的任務。
2011年7月在太平洋西北國家實驗室曾經發生過一次復雜的多手段網絡攻擊事件。盡管實驗室的IT安全邊界得到了很好的保護，但這些攻擊卻是在非常協調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絡，這些工作站已作為長期協調攻擊的一部分而被預先鎖定。攻擊的第二部分始于魚叉式網絡釣魚，第二組黑客對組織的主要業務合作伙伴發起了網絡釣魚攻擊，并與之共享網絡資源。黑客能夠獲得特權賬戶并破壞由組織及其合作伙伴共享的根域控制器。當入侵者試圖重新創建和分配特權時，警報最終被觸發，以警告組織的網絡安全團隊。
本文詳細內容請下載：http://m.tom3567.com/resource/share/2000003216
作者信息：
楊瑞增1，陳天鷹2，李玉盼3
(1.華北計算機系統工程研究所，北京100083；
2.中國鐵道科學研究院 研究生院，北京100081；3.北京交通大學，北京100044)
此內容為AET網站原創，未經授權禁止轉載。