深入暗网：刻画互联网背景辐射及其结构变化
密码学与安全
2021-08-09 v2 机器学习
摘要
网络望远镜或“暗网(Darknets)”为观测与恶意软件传播、拒绝服务攻击、用于网络侦察的扫描等相关的全网恶意活动提供了独特窗口。对这些数据的分析可为安全分析师提供可操作的洞察，用于预防或缓解网络威胁。然而，大型暗网每日观测到数百万起恶意事件，这使得将捕获的信息转化为有意义的洞察颇具挑战。我们提出一种刻画暗网行为及其时间演化的新颖框架，旨在应对该挑战。所提框架：(i) 提取由暗网数据及其他外部源提炼特征构成的暗网事件高维表示；(ii) 以无监督方式学习这些事件的可保持信息的低维表示(使用深度表示学习)，便于聚类；(iv) 在所得表示空间中对扫描器数据进行聚类，并利用最优决策树提供可解释的洞察；(v) 将聚类结果用作“签名”，以检测暗网活动中的结构变化。我们在一个大型运营网络望远镜上评估了所提系统，并证明其检测真实世界高影响网络安全事件的能力。
引用
@article{arxiv.2108.00079,
title = {Zooming Into the Darknet: Characterizing Internet Background Radiation and its Structural Changes},
author = {Michalis Kallitsis and Vasant Honavar and Rupesh Prajapati and Dinghao Wu and John Yen},
journal= {arXiv preprint arXiv:2108.00079},
year = {2021}
}
备注
30 pages, 14 tables, 12 figures, arXiv.org perpetual, non-exclusive license