从程序执行流重构入侵模型的有效方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (17): 61-64.

从程序执行流重构入侵模型的有效方法

田园，张振，李建斌

大连理工大学软件学院，辽宁大连 116620

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-11 发布日期:2011-06-11

Effective method for intrusion model reconstruction from execution-trace

TIAN Yuan，ZHANG Zhen，LI Jianbin

Software School，Dalian University of Technology，Dalian，Liaoning 116620，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-11 Published:2011-06-11

摘要/Abstract

摘要： 建立一种重构网络入侵模型的有效方法，依据入侵实例中所记录的入侵过程的消息流及受害软件实际执行的指令流，通过反编译并应用改进的形式分析及验证技术构建出充分一般的入侵模型。与目前绝大多数基于独立消息特征（signature）的入侵模型不同，该模型能精确给出恶意消息上下文之间的关联模式，表达出入侵过程的动态特征，效率可行并具有逻辑上可证明的精确性。在详细阐述方法的理论基础之后，也讨论了针对安全演化的应用。

关键词: 网络入侵, 模型重构, 执行流

Abstract: This paper proposes an efficient method to reconstruct the general network intrusion model from transcripts and instruction traces recorded during the intrusion via decompilation，enhanced formal analysis and verification techniques.In contrast to most current works focused on exploit signature generation，this method precisely models context-sensitive relations among malicious messages to reflect the intrusion dynamics，which has practical efficiency and provable soundness.In addition to detailed theoretical analysis，the engineering evaluation and application are also briefly presented.

Key words: network intrusion, model reconstruction, execution traces

田园，张振，李建斌. 从程序执行流重构入侵模型的有效方法[J]. 计算机工程与应用, 2011, 47(17): 61-64.

TIAN Yuan，ZHANG Zhen，LI Jianbin. Effective method for intrusion model reconstruction from execution-trace[J]. Computer Engineering and Applications, 2011, 47(17): 61-64.

[1]	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.
[2]	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.
[3]	张凤斌，王超，杨泽. 基于疫苗算子和柯西变异的克隆选择算法改进[J]. 计算机工程与应用, 2017, 53(1): 118-123.
[4]	陈兴亮，李永忠，于化龙. 基于IPMeans-KELM的入侵检测算法研究[J]. 计算机工程与应用, 2016, 52(22): 118-122.
[5]	赵旭，王伟. 结合遗传算法的NIDS多媒体包多线程择危模型[J]. 计算机工程与应用, 2016, 52(14): 115-118.
[6]	刘杰，陈香兰，李晓飞，李曦. Timed SEFM：面向嵌入式实时控制系统的编程模型[J]. 计算机工程与应用, 2016, 52(10): 19-26.
[7]	黄亮，吴帅，谭国律，郑军. 基于EPSO-RVM的网络入侵检测模型[J]. 计算机工程与应用, 2015, 51(3): 85-88.
[8]	张拓1，王建平2. 基于CQPSO-LSSVM的网络入侵检测模型[J]. 计算机工程与应用, 2015, 51(2): 113-116.
[9]	肖国荣. 改进蚁群算法和支持向量机的网络入侵检测[J]. 计算机工程与应用, 2014, 50(3): 75-78.
[10]	赵旭，王伟. 动态规划理论在DSAMDP方法中的优化研究[J]. 计算机工程与应用, 2014, 50(22): 83-87.
[11]	陈鸿星. 基于遗传优化神经网络的网络入侵特征检测[J]. 计算机工程与应用, 2014, 50(14): 78-81.
[12]	翁广安. 基于模拟数据集的字节频度入侵检测研究[J]. 计算机工程与应用, 2014, 50(12): 96-99.
[13]	徐鹏1，姜凤茹2. 粒子群算法和K近邻相融合的网络入侵检测[J]. 计算机工程与应用, 2014, 50(11): 95-98.
[14]	李玉霞1，刘丽2，沈桂兰1. 基于AFSA-SVM的网络入侵检测模型[J]. 计算机工程与应用, 2013, 49(24): 74-77.
[15]	刘冬冬，王峰，牛磊，郭博. 特征选择和分类器优化耦合的网络入侵检测[J]. 计算机工程与应用, 2013, 49(20): 87-90.