网络入侵报警信息实时融合处理模型

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (13): 57-62.

网络入侵报警信息实时融合处理模型

段祥雯，杨兵，张怡

国防科学技术大学计算机学院，长沙 410073

出版日期:2012-05-01 发布日期:2012-05-09

Model of network intrusion alerts real-time fusion

DUAN Xiangwen, YANG Bing, ZHANG Yi

School of Computer Science, National University of Defense Technology, Changsha 410073, China

Online:2012-05-01 Published:2012-05-09

摘要/Abstract

摘要： 针对分布式入侵检测和网络安全预警所需要解决的问题，对多传感器数据融合技术进行了研究。在分析IDS警报信息之间的各种复杂关系的基础上，提出了一个警报信息实时融合处理模型，并根据该模型建立警报信息融合处理系统。实时融合来自多异构IDS传感器的警报信息，形成关于入侵事件的攻击序列图，在此基础上进行威胁评估及攻击预测。该模型拓展了漏报推断功能，以减少漏报警带来的影响，使得到的攻击场景更为完整。实验结果表明，根据该模型建立的融合处理系统应用效果好，具有很高的准确率和警报缩减率。

关键词: 入侵检测, 警报关联, 警报融合

Abstract: To resolve the problem which distributed intrusion detection and network attack warning system has to confront, multi-sensor data fusion techniques are studied. Based on the analysis of various complex relationships of IDS alerts, this paper presents an alerts information real-time fusion model. An alerts information real-time fusion system based on it is realized, which can real-time fuse alarms from various heterogeneous IDS sensors, generate attack sequence view about intrusion, evaluate threaten and predict potential attacks. Furthermore, the function of reasoning false negative is introduced, which aims at reduce adverse effects of missed alerts and builds more integrated attack scenarios. Experimental results show that the real-time fusion system on this model works effectively, it has high accuracy and high alarm reduction rate.

Key words: intrusion detection, alert correlation, alert fusion

段祥雯，杨兵，张怡. 网络入侵报警信息实时融合处理模型[J]. 计算机工程与应用, 2012, 48(13): 57-62.

DUAN Xiangwen, YANG Bing, ZHANG Yi. Model of network intrusion alerts real-time fusion[J]. Computer Engineering and Applications, 2012, 48(13): 57-62.

[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.