Zur Kurzanzeige

dc.date.accessioned2014-09-15T10:41:10Z
dc.date.available2014-09-15T10:41:10Z
dc.date.issued2014-09-15
dc.identifier.uriurn:nbn:de:hebis:34-2014091546010
dc.identifier.urihttp://hdl.handle.net/123456789/2014091546010
dc.description.sponsorshipBundesministerium für Bildung und Forschungger
dc.language.isoeng
dc.rightsUrheberrechtlich geschützt
dc.rights.urihttps://rightsstatements.org/page/InC/1.0/
dc.subjectIntrusion Detectioneng
dc.subjectMachine Learningeng
dc.subjectData Miningeng
dc.subjectNetwork Securityeng
dc.subjectData Analysiseng
dc.subjectReal-time systemseng
dc.subjectMassive Data Flowseng
dc.subjectNetwork Performanceeng
dc.subjectSelf Organizing Mapeng
dc.subjectArtificial Neural Networkseng
dc.subjectPreprocessingeng
dc.subjectFeature Selectioneng
dc.subjectClassificationeng
dc.subjectAdaptive Systemseng
dc.subjectData Aggregationeng
dc.subjectData Managementeng
dc.subject.ddc004
dc.subject.ddc500
dc.subject.ddc620
dc.titleAdaptive Real-time Anomaly-based Intrusion Detection using Data Mining and Machine Learning Techniqueseng
dc.typeDissertation
dcterms.abstractDie zunehmende Vernetzung der Informations- und Kommunikationssysteme führt zu einer weiteren Erhöhung der Komplexität und damit auch zu einer weiteren Zunahme von Sicherheitslücken. Klassische Schutzmechanismen wie Firewall-Systeme und Anti-Malware-Lösungen bieten schon lange keinen Schutz mehr vor Eindringversuchen in IT-Infrastrukturen. Als ein sehr wirkungsvolles Instrument zum Schutz gegenüber Cyber-Attacken haben sich hierbei die Intrusion Detection Systeme (IDS) etabliert. Solche Systeme sammeln und analysieren Informationen von Netzwerkkomponenten und Rechnern, um ungewöhnliches Verhalten und Sicherheitsverletzungen automatisiert festzustellen. Während signatur-basierte Ansätze nur bereits bekannte Angriffsmuster detektieren können, sind anomalie-basierte IDS auch in der Lage, neue bisher unbekannte Angriffe (Zero-Day-Attacks) frühzeitig zu erkennen. Das Kernproblem von Intrusion Detection Systeme besteht jedoch in der optimalen Verarbeitung der gewaltigen Netzdaten und der Entwicklung eines in Echtzeit arbeitenden adaptiven Erkennungsmodells. Um diese Herausforderungen lösen zu können, stellt diese Dissertation ein Framework bereit, das aus zwei Hauptteilen besteht. Der erste Teil, OptiFilter genannt, verwendet ein dynamisches "Queuing Concept", um die zahlreich anfallenden Netzdaten weiter zu verarbeiten, baut fortlaufend Netzverbindungen auf, und exportiert strukturierte Input-Daten für das IDS. Den zweiten Teil stellt ein adaptiver Klassifikator dar, der ein Klassifikator-Modell basierend auf "Enhanced Growing Hierarchical Self Organizing Map" (EGHSOM), ein Modell für Netzwerk Normalzustand (NNB) und ein "Update Model" umfasst. In dem OptiFilter werden Tcpdump und SNMP traps benutzt, um die Netzwerkpakete und Hostereignisse fortlaufend zu aggregieren. Diese aggregierten Netzwerkpackete und Hostereignisse werden weiter analysiert und in Verbindungsvektoren umgewandelt. Zur Verbesserung der Erkennungsrate des adaptiven Klassifikators wird das künstliche neuronale Netz GHSOM intensiv untersucht und wesentlich weiterentwickelt. In dieser Dissertation werden unterschiedliche Ansätze vorgeschlagen und diskutiert. So wird eine classification-confidence margin threshold definiert, um die unbekannten bösartigen Verbindungen aufzudecken, die Stabilität der Wachstumstopologie durch neuartige Ansätze für die Initialisierung der Gewichtvektoren und durch die Stärkung der Winner Neuronen erhöht, und ein selbst-adaptives Verfahren eingeführt, um das Modell ständig aktualisieren zu können. Darüber hinaus besteht die Hauptaufgabe des NNB-Modells in der weiteren Untersuchung der erkannten unbekannten Verbindungen von der EGHSOM und der Überprüfung, ob sie normal sind. Jedoch, ändern sich die Netzverkehrsdaten wegen des Concept drif Phänomens ständig, was in Echtzeit zur Erzeugung nicht stationärer Netzdaten führt. Dieses Phänomen wird von dem Update-Modell besser kontrolliert. Das EGHSOM-Modell kann die neuen Anomalien effektiv erkennen und das NNB-Model passt die Änderungen in Netzdaten optimal an. Bei den experimentellen Untersuchungen hat das Framework erfolgversprechende Ergebnisse gezeigt. Im ersten Experiment wurde das Framework in Offline-Betriebsmodus evaluiert. Der OptiFilter wurde mit offline-, synthetischen- und realistischen Daten ausgewertet. Der adaptive Klassifikator wurde mit dem 10-Fold Cross Validation Verfahren evaluiert, um dessen Genauigkeit abzuschätzen. Im zweiten Experiment wurde das Framework auf einer 1 bis 10 GB Netzwerkstrecke installiert und im Online-Betriebsmodus in Echtzeit ausgewertet. Der OptiFilter hat erfolgreich die gewaltige Menge von Netzdaten in die strukturierten Verbindungsvektoren umgewandelt und der adaptive Klassifikator hat sie präzise klassifiziert. Die Vergleichsstudie zwischen dem entwickelten Framework und anderen bekannten IDS-Ansätzen zeigt, dass der vorgeschlagene IDSFramework alle anderen Ansätze übertrifft. Dies lässt sich auf folgende Kernpunkte zurückführen: Bearbeitung der gesammelten Netzdaten, Erreichung der besten Performanz (wie die Gesamtgenauigkeit), Detektieren unbekannter Verbindungen und Entwicklung des in Echtzeit arbeitenden Erkennungsmodells von Eindringversuchen.ger
dcterms.accessRightsopen access
dcterms.creatorSalem, Maher
dc.contributor.corporatenameKassel, Universität, FB 16, Elektrotechnik / Informatik
dc.contributor.refereeGeihs, Kurt (Prof. Dr.)
dc.contributor.refereeBühler, Ulrich (Prof. Dr.)
dc.contributor.refereeSick, Bernhard (Prof. Dr.)
dc.contributor.refereeWacker, Arno (Prof. Dr.)
dc.subject.ccsAlgorithms
dc.subject.ccsDesign
dc.subject.ccsExperimentation
dc.subject.ccsManagement
dc.subject.ccsMeasurement
dc.subject.ccsPerformance
dc.subject.ccsReliability
dc.subject.ccsSecurity
dc.subject.ccsTheory
dc.subject.ccsVerification
dc.subject.jelMathematical Methodseng
dc.subject.jelNeural Networks and Related Topicseng
dc.subject.jelClassification Methodseng
dc.subject.jelCluster Analysiseng
dc.subject.jelSimulation Modelingeng
dc.subject.jelDynamic Analysiseng
dc.subject.jelOptimization Techniqueseng
dc.subject.jelProgramming Modelseng
dc.subject.mscData analysiseng
dc.subject.mscMultivariate analysiseng
dc.subject.mscregressioneng
dc.subject.mscDesign of experimentseng
dc.subject.mscFoundations of probability theoryeng
dc.subject.mscSoftwareeng
dc.subject.mscDiscrete mathematics in relation to computer scienceeng
dc.subject.mscArtificial intelligenceeng
dc.subject.mscComputing methodologies and applicationseng
dc.subject.mscAlgorithmseng
dc.subject.swdRechnernetzger
dc.subject.swdDatensicherungger
dc.subject.swdComputersicherheitger
dc.subject.swdEindringerkennungger
dc.subject.swdData Miningger
dc.subject.swdMaschinelles Lernenger
dc.date.examination2014-08-12


Dateien zu dieser Ressource

Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige