概率后缀树在入侵检测中的应用研究

doi:10.3778/j.issn.1002-8331.2010.23.022

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (23): 79-81.DOI: 10.3778/j.issn.1002-8331.2010.23.022

概率后缀树在入侵检测中的应用研究

郑琪^1，2，蒋盛益²，汤庸¹

1.中山大学中山医学院，广州 510080
2.广东外语外贸大学信息科学与技术学院，广州 510006

收稿日期:2009-05-12 修回日期:2009-07-29 出版日期:2010-08-11 发布日期:2010-08-11
通讯作者: 郑琪

Applying probabilistic suffix tree to intrusion detection

ZHENG Qi^1，2，JIANG Sheng-yi²，TANG Yong¹

1.Sun Yat-sen College of Medical Science，Sun Yat-sen University，Guangzhou 510080，China
2.School of Informatics，Guangdong University of Foreign Studies，Guangzhou 510006，China

Received:2009-05-12 Revised:2009-07-29 Online:2010-08-11 Published:2010-08-11
Contact: ZHENG Qi

摘要/Abstract

摘要： 系统调用序列能够反映系统进程的行为特征。而系统调用序列中每个调用的出现都与它之前出现的若干个调用相关。因此可以利用概率后缀树（PST）对系统调用序列建模，反映系统调用基于上下文的概率特性。提出了系统调用序列异常度的定义。在进行序列的异常检测时，先利用正常系统调用序列训练PST模型，然后通过该模型，利用计算未知系统调用序列的异常度，根据给定的阈值判断该序列是否异常。实验表明这一度量对于正常进程与异常进程有着良好的区分效果。

关键词: 入侵检测, 系统调用序列, 概率后缀树

Abstract: System call trace is one of the behavior characters of system process.Each system call of the trace depends on a few previous system calls.Thus，probabilistic suffix tree is used to model the system call trace，and capture the probabilistic characteristic of the system call.Two definitions of abnormal metric are given.When detecting the abnormal trace，train the PST with normal system call traces，and then calculate the abnormal metric of each trace，which is used to compare with a given limit.Experiment shows that this measurement can well distinct normal process from abnormal process.

Key words: intrusion detect, system call trace, probabilistic suffix tree

中图分类号:

TP393.08

郑琪^1，2，蒋盛益²，汤庸¹. 概率后缀树在入侵检测中的应用研究[J]. 计算机工程与应用, 2010, 46(23): 79-81.

ZHENG Qi^1，2，JIANG Sheng-yi²，TANG Yong¹. Applying probabilistic suffix tree to intrusion detection[J]. Computer Engineering and Applications, 2010, 46(23): 79-81.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[7]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[8]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[9]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	吴德鹏，柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用, 2020, 56(12): 81-86.
[12]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.
[13]	蒋欣兰，贾文博. 高铁接触网异物侵入的机器视觉检测方法[J]. 计算机工程与应用, 2019, 55(22): 250-257.
[14]	马占飞1，杨晋2，金溢2，边琦3. 基于IQPSO-IDE算法的网络入侵检测方法[J]. 计算机工程与应用, 2019, 55(10): 115-120.
[15]	刘海燕，张钰，毕建权，邢萌. 基于分布式及协同式网络入侵检测技术综述[J]. 计算机工程与应用, 2018, 54(8): 1-6.

概率后缀树在入侵检测中的应用研究

Applying probabilistic suffix tree to intrusion detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics