Ein auf verborgenem Markov-Modell basierendes Framework zur Verfolgung und Vorhersage der Angriffsabsicht

In letzter Zeit wurden mehrere Ansätze zur Intrusionskorrelation und Analyse von Angriffsszenarien vorgeschlagen. Diese Ansätze konzentrieren sich jedoch alle auf die Reduzierung von Alarmflut oder die Korrelation von Hochrisikoalarmen. In diesem Papier untersuchen wir das Problem der Verfolgung und Vorhersage von Angriffsabsichten. Wir verwenden verborgene Markov-Modelle, um die typischen Angriffsszenarien darzustellen, und entwerfen ein komplettes Framework namens HMM-AIP, das aus einem Online-Verfolgungs- und Prognosemodul sowie einem Offline-Modelltrainingsmodul besteht. Ein neuartiger und effektiver Algorithmus zur Verfolgung und Vorhersage von Angriffsabsichten wird vorgestellt. Wir führen Experimente durch, um unseren Algorithmus zu validieren, und die Ergebnisse zeigen, dass unser Ansatz falsche Alarme identifizieren und eine glaubwürdige Vorhersage liefern kann, wenn die Beobachtungssequenz des Alarms gut zu den typischen Angriffsszenarien passt.