SCADE：面向高性能系统的可扩展异常检测框架
密码学与安全
2024-12-10 v2 机器学习
摘要
由于命令行界面在高性能计算环境中仍然发挥着重要作用，通过隐蔽且复杂的命令行滥用进行攻击的风险日益增加。传统的安全解决方案难以检测到这些异常行为，因为其具有情境依赖性、缺乏标记数据，以及存在类似“野蛮生存”(Living-off-the-Land)等高级攻击。为填补这一差距，我们介绍了可扩展命令行异常检测引擎(SCADE)，一种结合全局统计模型与本地情境特定分析的无监督异常检测框架。SCADE 利用新颖的统计方法，包括 BM25 和 Log 熵，以及动态阈值，以适应性方式检测低信噪比(SNR)环境中罕见的恶意命令行模式。实验结果表明，SCADE 在识别异常行为时实现了 98% 以上的 SNR，同时最大限地降低了误报率。 designed for scalability and precision, SCADE 提供了一种创新且充满元数据的异常检测方法，为高计算环境中的网络安全提供了稳健的解决方案。本工作介绍了 SCADE 的架构、检测方法论及其在企业系统中增强异常检测潜力。我们认为，SCADE 代表了无监督异常检测领域的重大进步，为寻求提升高计算环境检测准确性的安全分析师和研究人员提供了一个稳健、自适应的框架。
引用
@article{arxiv.2412.04259,
title = {SCADE: Scalable Framework for Anomaly Detection in High-Performance System},
author = {Vaishali Vinay and Anjali Mangal},
journal= {arXiv preprint arXiv:2412.04259},
year = {2024}
}
备注
Updated title and abstract for broader scope. Submitted to ACM CODASPY (The 15th ACM Conference on Data and Application Security and Privacy) Conference