文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于改进隐马尔可夫模型的网络攻击检测方法
侵权投诉

基于改进隐马尔可夫模型的网络攻击检测方法

提出了一种基于改进隐马尔可夫模型的网络攻击检测方法。正常的网络行为符合一定的语法规则,异常的行为会偏离正常的语法规则。通过对正常行为样本的学习得到的基于隐马尔可夫模型的语法可以根据网络行为和语法的符合程度有效地检测正常行为和攻击行为。在基于现实数据的实验测试中,得到了比较好的检测性能。

第 3期

杨晓峰等:基于改进隐马尔可夫模型的网络攻击检测方法

9 9

即 7有可能的状态路径。所以式() _最 1更新为 P s ) (一>q) (1r 1P q>q ) ( M=p I I 1 q ) (广 P S 2… P q‘S P q (M I M) (肘一>F) () 7

测出异常,可以认为这个 lg对应的行为异常。 o

4实验和结果 本节用真实的网站 lg数据来验证本文算法的 o

其中 q= l 2 是 r V tri r q,, q…,的 i b路径。 e 3 )分组渐进的压缩策略假设训练样本集 x的容量为 k模型的状态数为, n,在无法满足优化条件的情况下,单步压缩模型 M的复杂度大于 O(n ),当 n很大时的计算量极大, k 这就要求把 n控制在一个比较合理的数值以内。

有效性。实验数据来自于域名为“ l u . m”网 od nc j o站从 20 0 8年 9月 2 8日到 2 0 0 9年 1月 1 1日的全部 访问 lg实验数据集含有 4 0的文本数据。过 o。 0M经人工和程序辅助的检查,含有大量的恶意的攻击访问,其中包括 S L注入、跨站脚本攻击 ( S ) Q X S、 文件包含、漏洞溢出等。

用分组渐进压缩的方法,一个大型的模型分割为一组大小合适的子模型,分别局部优化,最终将 优化好的子模型组合进行全局优化。实验中发现当 n

因为不同的路径需要不同的语法提取特征,

也需要不同的分类器作分类检测,所以选择了数据

集中具有较大访问量和较多非法攻击的几类路径 的访问记录作实验数据集。针对文中算法的特点, 实验中过滤了数据集中参数不符合“属性=属性值” 类型的数据。表 1列出了各数据集的详细信息。 表1 实验数据信息

控制在 2 0以下的时候可以得到较好的计算速度。 0 333学习分类闽值 .. 定义样本对于语法模型的异常测度为 a(丁=一nP sl ) I (r M) () 8

因为 P sI取值范围是[,] ( M) O1,所以 as) (的取 r值范围是[, ) 0 ,当丁正常行为,异常测度越趋是近于 0,否则越趋近于+o;特别是当不能被 o接受时, as ) o。 (=+ o 异常检测是一个 2类分类问题,用语法计算异常测度是提取特征的过程,还需要在训练样本的特征空间学习最优的分类界面。因为特征是一维向量,所以分类界面退化成了最优分类阈值 a,本文 o采用训练集的最小分类误差标准确定 a。 0 假设 x、为正常和异常类,P X l1 x1 0 x1 (o ) X为中

再将本文的算法 ( rv d HMM )与原来的 i oe mp H MM算法,以及基于长度和基于枚举类型的算法在不同数据集上做检测性能比较。需要说明的是在 HMM算法实现中,本文还是采用了式 ( )中的修 6正后的后验概率计算方式。在每个数据集的一半样本 (随机分配 )作为训练数据集,另一半作为测试数据集。图 6中各分图是不同的检测方法在各数据集的测试集上得到的 R OC曲线。 从图 6中可以看出,改进 H MM和 H MM算法的 R OC曲线始终紧贴上边沿,表明可以得到较好的分类性能。其他方法的检测性能在不同数据集上差异很大,但总体要比基于 H MM的方法差不少。 使用最小分类误差的方法作检测实验,每个数据集随机分成 2组,一组作为训练集,一组作为测试集, 测试 1取平均,得到表 2的检测结果。 0次 实验结果显示,改进 HMM方法的检测率要大大好于其他方法,始终保持在 9%以上;在大多数 5数据集上,改进 HMM的误报率也要略

高,但是在可接受范围内。数据集 D上改进 H在 MM的误报率

样本被误分类为的概率,则 a=agnn P X0 l+P Xl o】 () 0 rr[( , i I ) ( , 9 I ) a

34检测算法 .学习得到语法和分类阈值 a,测过程就变 o检得比较简单。如图 5所示,检测前用语法 M计算待检测样本的异常测度 a,再与分类阈值 a比较即可。区分行为的正常还是异常。如果≤,判断正常, o a a则异常。>0

圃匝咽

图 5检测算法

圈

对于一个 lg记录可能存在多个属性,每个属 o 性都会检测出各自的异常结果,只要有一个属性检

达到了 5%以上,超出根据 RO曲线得出的直观 0 C

基于改进隐马尔可夫模型的网络攻击检测方法

上一页第5页

你可能喜欢

  • 哼唱检索
  • 动态贝叶斯网络
  • 系统可靠性
  • 故障树分析法

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email