Key points are not available for this paper at this time.
Os botnets tornaram-se motores principais para atividades maliciosas no ciberespaço nos dias de hoje. Para sustentar seus botnets e disfarçar suas ações maliciosas, os proprietários de botnets estão imitando comportamentos cibernéticos legítimos para passar despercebidos. Isso representa um desafio crítico na detecção de anomalias. Neste artigo, usamos a navegação na web em sites populares como um exemplo para enfrentar este problema. Antes de mais nada, estabelecemos um modelo semi-Markoviano para o comportamento de navegação. Baseado neste modelo, descobrimos que é impossível detectar ataques de imitação com base em estatísticas se o número de bots ativos da botnet atacante for suficientemente grande (não menos do que o número de usuários legítimos ativos). No entanto, também descobrimos que é difícil para os proprietários de botnets atender à condição para realizar um ataque de imitação na maior parte do tempo. Com essa nova descoberta, concluímos que ataques de imitação podem ser discriminados de verdadeiras multidões instantâneas usando métricas estatísticas de segunda ordem. Definimos uma nova métrica de correntropia fina e mostramos sua eficácia em comparação com outras. Nossos experimentos e simulações de conjuntos de dados do mundo real confirmam nossas reivindicações teóricas. Além disso, as descobertas podem ser amplamente aplicadas a situações semelhantes em outros campos de pesquisa.
Yu et al. (Ter,) estudaram esta questão.