SYN A statistical approach to flow-based network attack detection Sebastian Abt rh-tec Business GmbH Bachelorkolloquien WS 2008/2009 Agenda 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 2 Status 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 3 Aufgabenstellung • Attack-Detektions-Systems - basierend auf Netzwerk Flow Daten - ohne Wissen über Umgebung und Daten - Anpassung an Änderungen - selbstlernend - arbeitserleichternd ➙ wenig falsche Alarme 4 Aufgabenstellung • Attack-Detektions-Systems - basierend auf Netzwerk Flow Daten - ohne Wissen über Umgebung und Daten - Anpassung an Änderungen - selbstlernend - arbeitserleichternd ➙ wenig falsche Alarme s e t r e i s a b e i l a n m o i o s u An r t n I k r Netwo ion System t c e t e D 4 Aufgabenstellung • Nicht-stationäre Zeitreihen - Trend- und Saisonale Komponenten - Feste Thresholds nicht anwendbar - Signifikante, legitime Abweichungen möglich • Speicherbedarf 5 Status 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 6 Netzwerkattacken Network Attack Characteristics Degree of Distribution Attack Vector Level of Indirection Reflection Distributed Non-distributed Direct Protocol Application Command and Control Source Address Validity Spoofed Bandwidth Valid Agent/Handler Model IRC 7 Netzwerkattacken Network Attack Characteristics Degree of Distribution Attack Vector Level of Indirection Reflection Distributed Non-distributed Direct Protocol Application Command and Control Source Address Validity Spoofed Bandwidth Valid Agent/Handler Model IRC 7 Netzwerkattacken 10 Mbit/s 8 Netzwerkattacken 100 Mbit/s Ausmaß ~ 90 Mbit/s Dauer ~ 2.5 h 9 Status 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 10 Flow Daten • Datenflussrepräsentation - Unidirektional - Abstrakt - k-Tupel (srcIP, dstIP, srcPort, dstPort,Typ, Dauer, #Packets, #Bytes, ...) 11 Flow Daten Traffic B A 12 Flow Daten Traffic B A Flow Daten Verarbeitung 13 Status 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 14 Algorithmus 1. Attributvektor erstellen 2. Vektoren prädizieren 3. Prädiktionsfehler bestimmen 4. Distanz zu legitimen Fehlern bestimmen 5. Anomaliewert errechnen 6. Daten glätten 15 Attributvektor • n-dimensionaler Vektor • von Flow Daten abgeleitete Metriken - Bits pro Sekunde, Pakete pro Sekunde, Flows pro Sekunde, Bytes pro Paket - L4-Protokoll Verteilung (TCP, UDP, ICMP) - Entropie-Werte von srcIP, dstIP, srcPort, dstPort - ... mögliche weitere Metriken 16 Prädiktion y Prädiktionsfenster . . . . t-2 t-1 t t+1 t+2 . . . . x 17 Prädiktion y Prädiktionsfenster . . . . t-2 t-1 t t+1 t+2 . . . . x 18 Prädiktion y Prädiktionsfenster . . . . t-2 t-1 t t+1 t+2 . . . . x 19 Prädiktionsfehler y „Normale“ Prädiktionsfehler x 20 Distanz y Maximale Distanz zum Zentrum x 21 Distanz y Prädiktionsfehler durch Attacke x 22 Anomaliewert y d Score s = Dt x 23 Glättung • „Anomale“ (Fehler)Vektoren durch Attacken - Beeinflusst Prädiktion - Beeinflusst die Anomaliewertberechnung - Nachfolgende Attacken werden nicht erkannt 24 Glättung • „Anomale“ (Fehler)Vektoren durch Attacken - Beeinflusst Prädiktion - Beeinflusst die Anomaliewertberechnung - Nachfolgende Attacken werden nicht erkannt ➡ Ausreißer glätten - Vsmooth = (1-λ)* Vpredict + λ* Vmeasure ... mit: λ = 1 / s ... und: Esmooth = Vpredict - Vsmooth 24 Status 1. Aufgabenstellung 2. Netzwerkattacken 3. Flow Daten 4. Attackdetektion 5. Fazit 25 Fazit 3 Algorithmus selbstlernend, adaptiv 600 Prototyp basierend auf OSS, released als OSS (tbd.) 26 FIN Vielen Dank für Ihre Aufmerksamkeit! ? Fragen ?
© Copyright 2025 ExpyDoc
