论协作式预测黑名单
密码学与安全
2018-10-08 v1
摘要
协作式预测黑名单（CPB）允许基于多个组织贡献的日志与告警来预测未来的攻击源。然而遗憾的是，关于 CPB 的研究仅聚焦于增加预测攻击的数量，而未考虑对假阳性与假阴性的影响。此外，告警共享常受保密性、信任与责任问题阻碍，这激发了对该问题的隐私保护方法的需求。本文对最先进的 CPB 技术进行了测量研究，旨在阐明协作的实际影响。为此，我们复现并测量了两个系统：一个使用可访问所有告警的可信协调方、非隐私友好的系统（Soldo 等，2010），以及一个使用隐私保护数据共享的点对点系统（Freudiger 等，2015）。我们表明，尽管协作提升了预测攻击的数量，它也产生了高假阳性，最终导致较差的精度。这促使我们提出一种使用半可信中央实体的混合方法，旨在提升协作效用，同时限制信息泄露与假阳性。这带来了真阳性率与假阳性率间更好的权衡，同时也解决了隐私顾虑。
引用
@article{arxiv.1810.02649,
title = {On Collaborative Predictive Blacklisting},
author = {Luca Melis and Apostolos Pyrgelis and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:1810.02649},
year = {2018}
}
备注
A preliminary version of this paper appears in ACM SIGCOMM's Computer Communication Review (Volume 48 Issue 5, October 2018). This is the full version