网络实体刻画与攻击预测

网络攻击的破坏性影响凸显了对于新型攻击检测与防御技术的需求。过去几年中，在攻击检测与协同防御领域已完成大量工作。然而，对现有技术的分析表明，在告警数据优先级排序以及研究近期发现的攻击与其再次发生概率之间的关系方面仍存在诸多挑战。在本文中，我们提出一个旨在刻画网络实体及其未来表现出恶意行为可能性的系统。我们的系统，即网络实体信誉数据库系统（Network Entity Reputation Database System, NERDS），综合考虑关于某一网络实体（如 IP 地址）的所有可用信息，以计算其实施恶意行为的概率。后一部分通过机器学习的运用得以实现。我们的实验结果表明，利用实体既往恶意行为及其他特征信息，确实可以精确估计各实体未来发起攻击的概率。依据该概率对实体排序在告警优先级排序、构建有限长度的高效黑名单以及其他用例中具有实际应用价值。