تحليل المعطيات الكبيرة لتحسين كشف الاختراقات الأمنية: نموذج على عينات من معطيات تدفق الكبل البحري الواصل بين أمريكا واليابان من مركز طوكيو للبحوث

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

في ظل اعتمادنا المتزايد على الأنظمة الرقمية في أغلب مجالات الحياة، أصبحت الاختراقات الأمنية للأنظمة المعلوماتية أكثر خطورة. في الآونة الأخيرة نجد الكثير من الأمثلة عن اختراقات كان لها نتائج مؤثرة جدًا سواء في السياسة أو الاقتصاد. كما أتاحت التقنيات الحديثة في بيئات العمل الفرصة للمزيد من المخاطر الأمنية الجديدة للظهور. بالإضافة إلى ظهور الجيل الجديد من الشبكات الخاصة الذي فرض أنواعًا جديدة من التحديات والمخاطر الأمنية. كما ساعد تطور التقنيات الهائل في تزايد عدد الاختراقات بشكل كبير خلال الأشهر الماضية. تؤدي كل هذه الأسباب إلى فشل نظم كشف الاختراقات التقليدية، لا سيما النظم المعتمدة على توقيع الاختراقات، في مجاراة هذا التطور الهائل، لذلك كان لا بد من تطوير مجال كشف الاختراقات ليتعامل مع بيئة معطيات كبيرة لمعالجة الكم الهائل من المعطيات والتعرف على الاختراقات الجديدة من نوعها في الزمن الحقيقي. طرحنا في هذا البحث حلًا يعتمد منهجيًا على اكتشاف الحالات الشاذة للتعرف على الاختراقات الجديدة من نوعها في بيئة معطيات كبيرة عند العمل على شبكة بسرعة عالية. يعتمد الحل المقترح على منهجيات التعلم العميق القائمة على الشبكات العصبية وذلك لكشف الاختراقات بجميع أنواعها الفردية والمجموعة، مع الأخذ بعين الاعتبار السياق. حيث نقوم باستخراج معلومات تدفق البيانات وإحصائيات تراكمية في إطارات زمنية تشمل أجزاء من الثانية لتمكين الشبكة من اكتشاف الأنماط المختلفة. تؤكد نتائجنا أن استخدام تقنيات التعلم العميق مع المعطيات الكبيرة يحقق نتائج ممتازة في مجال نمذجة سلوك الشبكات واكتشاف الاختراقات، نظرًا لحاجة نظم التعلم العميق لملايين العينات، وهو ما تعالجه تقانة المعطيات الكبيرة، وما نحتاجه لتمثيل سلوك الشبكات بعدد كبير من العينات لتقليل نسبة الأخطاء الإيجابية الكاذبة. تم استخدام معطيات معيارية شهيرة (NSL-KDD) ومقارنتها مع نتائج أخرى لتحديد أداء الشبكات العصبية العميقة مع التعلم الآلي التقليدي، وقد أظهرت النتائج تحسنًا في نسبة الدقة. كما تم تقييم العمل باستخدام معطيات (MAWI) وهي عينات حقيقية من حركة الإنترنت بين أمريكا واليابان، تم جمعها وتنظيمها ضمن إطار مشروع (WIDE)، وتم الاستفادة من معطيات (MAWILAB) في تدريب النماذج واختبارها. أظهرت النتائج دقة تصنيف وصلت إلى 96%، وهذا يظهر تفوق الأداء ليس فقط على أنظمة كشف الاختراقات التقليدية المعتمدة على توقيع الاختراقات، وإنما أيضًا على أنظمة كشف الاختراقات المعتمدة على اكتشاف الحالات الشاذة باستخدام تقنيات التعلم الآلي التقليدي.

روابط وملفات

التعريف والنوع

رقم الوثيقة

ff10d793-59ab-4f64-a14c-8040cf161b37

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

841081_1.pdf

بيانات النشر

ترجمة العنوان

Big Data Analytics for Optimized Detection of Security AttacksَّPrototype On US-Japan Link Traffic From Tokyo Research Institute

ألقاب المؤلفين

[{"name_ar":"خلود جواد الجلاد ","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"محمد جنيدي","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"محمد سعيد دسوقي","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

Arabic

المصدر والدورية

اسم المصدر

تحليل المعطيات الكبيرة لتحسين كشف الاختراقات الأمنية: نموذج على عينات من معطيات تدفق الكبل البحري الواصل بين أمريكا واليابان من مركز طوكيو للبحوث

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

With the growing use of information technology in all domains, hacking has become more dangerous than ever before. Recently, we have seen many real-life examples of attacks’ impacts in different fields such as economics and politics. Also, having new work environment patterns of “Bring Your Own Device” has produced lots of new security threats. Developing advanced technologies nowadays, such as cloud computing, distributed computing, and the rapid growth of network volumes and sophisticated network attacks, has made existing traditional security tools, like traditional signature-based Intrusion Detection Systems, ineffective to deal with the huge amount of data in big data environments, and also ineffective against new types of attacks or variations of known attacks. In this research, we propose an anomaly-based method for network intrusion detection that is able to detect unknown and new malicious activities in high-speed network traffic. This method uses a distributed deep learning approach that takes into account the context, enabling the detection of point, collective, and contextual attacks. We extract data flow information and flow aggregations in frames of milliseconds and process them every few seconds to detect any new abnormal activity. Results of using big data analysis with deep learning in anomaly detection seem promising to be an optimal solution, as deep learning needs billions of samples in datasets, which big data techniques can handle, allowing us to build large models of normal behavior that reduce the false positive rate compared to smaller anomaly models. We evaluated our method using a small traditional dataset (NSL-KDD) to compare deep learning neural network algorithms with traditional machine learning algorithms, and the results showed a higher precision rate. We also evaluated our method using a dataset with real backbone traffic traces from the Measurement and Analysis on the WIDE Internet (MAWI) archive. By training and testing on the MAWILab benchmark dataset, researchers can evaluate their traffic anomaly detection methods. The results show an average precision of 96%, which is better not only than traditional signature-based IDS but also better than anomaly-based IDS using traditional machine learning methods.

كلمات الباحثين

تحليل المعطيات الكبيرة، تدفق المعطيات، نظم كشف الاختراقات، اكتشاف الحالات الشاذة، التعلم العميق، التعلم العميق للشبكات العصبية، معطيات MAWI، معطيات معيارية NSL-KDD

إشراف وإعداد

الإشراف

محمد جنيدي, محمد سعيد دسوقي

الإعداد

خلود جواد الجلاد

الاقتباسات الببليوغرافية