彭凌西，楊 進，胡 曉，曾金全，劉才銘

（1.廣州大學(xué) 計算機科學(xué)與教育軟件學(xué)院，廣東 廣州 510006；2.樂山師范學(xué)院 計算機學(xué)院，四川 樂山 614000；3.廣州大學(xué) 機械與電氣工程學(xué)院，廣東 廣州 510006；4.電子科技大學(xué) 計算機科學(xué)與工程學(xué)院，四川 成都 610054）

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(guān)報警多等問題，極大地限制了它的應(yīng)用。因此，報警信息的關(guān)聯(lián)是目前入侵檢測領(lǐng)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(xué)習(xí)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(shè)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(guān)聯(lián)報警事件，并引入有監(jiān)督的確信度學(xué)習(xí)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(guān)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(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算所面臨的網(wǎng)絡(luò)危險，因此實際應(yīng)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(chǔ)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(luò)安全技術(shù)具有多樣性、自適應(yīng)、魯棒性等特點，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[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(luò)安全危險檢測模型。該方法能對網(wǎng)絡(luò)系統(tǒng)所面臨的攻擊進行準(zhǔn)確的實時危險評估，被證實了為網(wǎng)絡(luò)安全風(fēng)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(guān)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(luò)入侵關(guān)聯(lián)報警提供了一種有效的新途徑。

1 理論模型

在介紹模型前，首先定義模型中使用的一些名詞、符號以及一些數(shù)學(xué)描述。定義所有ASCII字符構(gòu)成集合A，Snort規(guī)則體集合RB由從規(guī)則的規(guī)則頭以及規(guī)則選項中提取的IP地址、端口號、協(xié)議類型或數(shù)據(jù)包內(nèi)容等網(wǎng)絡(luò)事務(wù)特征的字符串，即由＜IP源地址+源端口+IP目的地址+目的端口+協(xié)議類型+數(shù)據(jù)包內(nèi)容+…+數(shù)字模式測試+偏移量調(diào)整＞等構(gòu)成(詳見組成Snort規(guī)則簡介)規(guī)則號和規(guī)則分類號另見定義(2))，其中‘+’為字符串的連接運算，l為自然數(shù)，其大小取決于規(guī)則長度。

定義Snort中所有規(guī)則構(gòu)成集合RS，N為自然數(shù)集合，其中r表示規(guī)則體，id和cid分別表示該規(guī)則的規(guī)則號和攻擊分類號，如下式所示：

用四元組＜rs，s，step，count＞來描述SAIM模型中的記憶細(xì)胞B，如式(3)所示，其中rs表示規(guī)則集RS中的規(guī)則，s為參考文獻[9]中定義的記憶細(xì)胞抗體濃度數(shù)值(其計算過程詳見1.2章節(jié))，step為記憶細(xì)胞抗體濃度的衰減步長，count為匹配數(shù)，N為自然數(shù)集合，R為實數(shù)集合，對于其中的衰減步長step(step≤λ，λ為抗體濃度的衰減周期，λ∈N)。rs、s、step和count又稱為記憶細(xì)胞的域。為引用方便，定義記憶細(xì)胞x的下標(biāo)運算符“.”。

1.1 規(guī)則初始化過程

在Snort初始化時，首先依次讀取出所有的規(guī)則號，并將其視為記憶細(xì)胞，分配記憶細(xì)胞空間，并賦予初始的抗體濃度、衰減變量、規(guī)則號以及攻擊分類號。

1.2 抗體濃度迭代計算

記憶細(xì)胞如果檢測到匹配的一個入侵或攻擊抗原(網(wǎng)絡(luò)數(shù)據(jù)包)，其抗體濃度數(shù)值按式(4)增加，同時將衰減步長賦值為0，所檢測到的抗原數(shù)按式(6)進行增加。該數(shù)值越大，表明遭遇到的該種攻擊的攻擊強度就越大。

式(4)中，η1(＞0的常數(shù))為初始的抗體濃度數(shù)值，η2（0＜η2＜1)為模擬獎勵因子(監(jiān)視遭到連續(xù)類似的網(wǎng)絡(luò)攻擊)。如果一記憶細(xì)胞匹配被激活，其危險就按照式(4)增加。記憶細(xì)胞遇到抗原而克隆，則其相應(yīng)的抗體濃度數(shù)值將進行累計，表明威脅在持續(xù)增加。反之，在檢測到網(wǎng)絡(luò)數(shù)據(jù)包后，如果記憶檢測器沒有檢測到與之匹配的入侵或攻擊抗原，則其抗體濃度按式(7)衰減，并將其衰減步長按式(8)增加1。

1.3 主機實時危險計算

本文采用的方法是在Snort對網(wǎng)絡(luò)攻擊分類的基礎(chǔ)上，將所有這些攻擊分類進一步按照林肯實驗室方法劃分五大類攻擊：拒絕服務(wù)攻擊DOS（Denial of Service）、探測攻擊PROB（Probing）、遠(yuǎn)程用戶到本地的非授權(quán)訪問R2L（Remote to Local User）和非授權(quán)獲得超級用戶權(quán)限攻擊U2R（User to Root）以及數(shù)據(jù)(Data)[9]。

設(shè)危險指標(biāo)0≤rm(t)≤1為主機m(1≤m≤M)在t時刻所面臨的危險，且rm(t)=1表明當(dāng)前系統(tǒng)極度危險；rm(t)=0表明當(dāng)前系統(tǒng)沒有危險。rm(t)值越大，表明當(dāng)前系統(tǒng)面臨的危險越高?？紤]到各種主機的資產(chǎn)權(quán)重以及各類攻擊的危險性不一樣，設(shè)定μi表示第i類攻擊的危險性權(quán)重，則主機m所面臨的第i(1≤i≤I)類網(wǎng)絡(luò)攻擊的網(wǎng)絡(luò)安全危險rm，i可由下式進行計算：

某主機m在t時刻的整體網(wǎng)絡(luò)危險可通過下式進行計算：

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(yīng)的該類攻擊的危險權(quán)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(luò)的“危險”報警模型依據(jù)2個條件進行報警，即網(wǎng)絡(luò)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γ1(0＜γ1＜1)，并且主機遭遇的所有的攻擊(假設(shè)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(luò) 危 險rm，t(t)大 于ω1，i(0＜ω1，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(dāng)網(wǎng)絡(luò)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(guān)聯(lián)起來，這有助于解決當(dāng)前入侵檢測系統(tǒng)模型中海量的報警信息關(guān)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(xué)院的林肯實驗室在實際網(wǎng)絡(luò)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(dāng)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(guān)報警、提高報警質(zhì)量上是可行的。

圖1 虛警實驗中的報警次數(shù)對比

實驗結(jié)果表明，SAIM模型能實時定量地計算出主機當(dāng)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(luò)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(guān)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(xùn)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(luò)當(dāng)前所面臨的攻擊類別、數(shù)量、強度及具體的網(wǎng)絡(luò)實時危險數(shù)值數(shù)據(jù)，這有助于網(wǎng)絡(luò)安全管理員掌握實時的網(wǎng)絡(luò)安全態(tài)勢，因此本文所提出的方法具有一定的實用價值。

[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(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-支持向量機理論的過濾誤報警方法[J].電子與信息學(xué)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.