Share
Embed
Transcript
16 slides
-
2/16 研究背景 インターネットの普及 ⇒ ネットワークセキュリティへの対応 不正検出(既知の不正を検出) ⇒ 未知の異常を検出できない ▪ 異常検出
ネットワークトラフィックから未知の異常を検出 -
6/16 トラフィック特徴量抽出 ▪ 特徴量(ヘッダ情報を利用・単位時間で処理) ・特徴量(A):単一のヘッダ情報による特徴量 -サービス別(HTTP、SMTP、TELNET・・・) -TCPフラグ別(SYNフラグ、FINフラグ、ACKフラグ・・・) -パケットサイズ範囲別(1~100、101~200、・・・、1401~1500バイト) ・特徴量(B):複数のヘッダ情報による特徴量 -(送信先IP、送信先Port、パケットサイズ)
-(送信元IP、送信先IP) -(送信先IP、パケットサイズ) -(送信元IP、送信先Port) ・・・など -
7/16 トラフィック特徴量抽出(例) 時間 時間 時間 時間 送信元 送信元 送信元 送信元IP.送信元
送信元 送信元 送信元ポート ポート ポート ポート > 送信先 送信先 送信先 送信先IP.送信先 送信先 送信先 送信先ポート ポート ポート ポート: (パケットサイズ パケットサイズ パケットサイズ パケットサイズ) 00:37:07 IP 172.16.114.50.http > 206.48.44.50.2222: . ack 5841 win 32120 00:37:17 IP 172.16.114.50.http > 206.48.44.90.2313: . ack 2921 win 32120 00:37:25 IP 206.48.44.40.2222 > 172.16.114.30.http: . (256) ack 8192 win 31744 00:37:25 IP 206.48.44.50.2222 > 172.16.114.40.http: . (1320) ack 8192 win 31744 00:37:38 IP 206.48.44.60.2222 > 172.16.114.70.http: . (156) ack 8192 win 31744 00:37:49 IP 206.48.44.90.2313 > 172.16.114.50.http: . (1460) ack 8192 win 31744 00:37:58 IP 206.48.44.90.2313 > 172.16.114.50.http: . (1460) ack 8192 win 31744 [総パケット数] = 7 7 4 5 [ = 数] [パケット数] 種類 ⇒ 特徴量(A) ⇒ 特徴量(B) [例] 特徴量(A):HTTP 特徴量(B):(送信先IP、送信先ポート、パケットサイズ) 単位時間:1分 ⇒ 相関係数時系列データ DoS攻撃 ⇒ 特徴量(A)より特徴量(B)が急激に変化 -
8/16 相関係数時系列処理 ▪ ピアソンの積率相関係数 ・N区間における相関係数を区間をずらしながら計算 相関係数時系列データが急激に変化する点 相関関係が大きく変化する時点 ネットワークトラフィックに異常 ⇒ ChangeFinder[1](変化点検出エンジン)を利用
[1] J. Takeuchi and K. Yamanishi, “A Unifying Framework for Detecting Outliers and Change Points from Time Series,” IEEE transactions on Knowledge and Data Engineering, pp.482-492, 2006. -
9/16 ChangeFinder[1]の流れ T区間 区間 区間 区間 外れ値スコア t x 変化点スコア
平滑化後 第二学習 第一学習 時系列データ SDAR SDAR 平滑化 -
11/16 実験 ・DARPA(国防高等研究企画局)によって作成された不正・ 異常検出評価用データ -仮想的な大規模ネットワークのトラフィック情報のログ - week4・week5の2週間分の検証用データ ・本発表・・・DoS攻撃を対象 - 特徴量(A):
(A1)HTTPのパケット数 - 特徴量(B): (B1)(送信先IP、送信先Port、パケットサイズ)による値 (B2)(送信元IP、送信先IP)による値 (B3)(送信元IP、パケットサイズ)による値 (B4)(送信元IP、送信先Port)による値 [手法1] A1 [手法2] B1 [手法3] A1B1 [手法4] A1B1 or A1B2 or A1B3 or A1B4 ・手法別の比較実験(week5-Wednesdayのデータ) -
12/16 評価方法(変化点スコア) week5_Mon_80_DoS CF_MAX_SCORE -1.5 -1 -0.5 0 0.5 1
1.5 2 2.5 3 1 101 201 301 401 501 601 701 time[t] CF_MAX_SCORE CF_MAX_SCORE 閾値に対する検出率と誤検出率の関係 ⇒ ROCカーブ 正常の数 数 正常を異常と検出した 誤検出率 , 異常の数 数 異常を異常と検出した 検出率 = = -
13/16 実験結果(手法別の評価) 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 A1 B1 A1-B1_correl A1-B1,B2,B3,B4_correl 0 0.2 0.4 0.6 0.8 1 false positive rate 1 0.8 0.6 0.4 0.2 0 hit rate 単一の特徴量 特徴量の相関 -
14/16 実験結果(曜日別) 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 false positive rate hit rate week4-Mon week4-Thu week5-Mon week5-Tue week5-Wen week5-Fri 0 0.2 0.4 0.6 0.8 1 false positive rate 1 0.8 0.6 0.4 0.2 0 hit rate -
16/16 まとめ ▪ 特徴 ・単一の特徴量ではとらえられない異常を検出 ・システムの一部にフィルタとして利用(正常パケットを判別) ▪ 課題 ・学習データによる検出遅延を誤検出としない閾値設定の考慮 ▪
提案手法 ・トラフィック特徴量間の相関係数の時系列データにおいて変化 点検出を行うことにより異常を検出する手法を提案