$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

시계열 모델 기반 트래픽 이상 징후 탐지 기법에 관한 연구
A Study on Traffic Anomaly Detection Scheme Based Time Series Model 원문보기

한국통신학회논문지. The Journal of Korea Information and Communications Society. 네트워크 및 서비스, v.33 no.5B, 2008년, pp.304 - 309  

조강홍 (동양공업전문대학) ,  이도훈 (국가보안기술연구소)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 시계열 예측 모델을 이용하여 웡 또는 바이러스 등과 같은 공격 트래픽에 의해 네트워크상에 발생할 수 있는 트래픽 이상 징후를 탐지할 수 있는 예측 모델 기반 트래픽 이상 징후 탐지 기법을 제안한다. 제안 기법은 비교적 정확한 예측모델로 알려져 있는 ARIMA 모델을 이용하였고 이상 징후 여부를 확률값으로 변화하여 확률 임계값에 따라 이상 징후를 탐지하도록 하여 그 성능을 극대화할 수 있도록 하였다. 이를 위해 제안 기법을 네트워크상에 발생시킨 웜과 같은 비정상 공격 트래픽을 포함한 전체 트래픽과 웹 트래픽에 적용하여 트래픽의 이상 징후를 신뢰성 있는 수준에서 탐지함을 보여주었다. 이 기법을 네트워크 기반의 침입탐지시스템에 적용할 강제 큰 효과 가져올 수 있을 것이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper propose the traffic anomaly detection scheme based time series model. We apply ARIMA prediction model to this scheme and transform the value of the abnormal symptom into the probability value to maximize the traffic anomaly symptom detection. For this, we have evaluated the abnormal detec...

주제어

#웜   #바이러스  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 시계열 예측 모델을 이용하여 네트워크상에 발생할 수 있는 트래픽 이상 징후를 탐지할 수 있는 예측 모델 기반 트래픽 이상 징후 탐지 기법을 제안하였다.
  • 본 논문에서는 트래픽 이상 징후를 탐지하는 탐지 확률을 높이고 오인율을 최소화하기 위해 시계열 모델 중 비교적 정확한 예측 모델로 알려진ARIMA(Autoregressive Integration Movin흥 Avera흥。)모델을 이상 징후 탐지를 위해 적용하였다. ARIMA 모델은 예측값에 대한 신뢰 범위를 제공함으로써 해당 데이터에 대한 동적 임계값을 제공할 수 있으며 또한, 이를 근거로 실측 데이터가 이상 상태인지 아닌지를 확률값으로 제공할 수 있는 장점을 가진다.
본문요약 정보가 도움이 되었나요?

참고문헌 (14)

  1. Nancy K. Groschwitz, George C. Polyzos, "A Time Series Model of Long-Term NSFNET Backbone Traffic", ICC'94, pp.1400-1404, 1994 

  2. Yantai Shu, Minfang Yu, Jiakun Liu, Yang, O.W.W., "Wireless traffic modeling and prediction using seasonal ARIMA models", Communications, 2005. IEIEC Transactions on Communications 2005, E88-B, pp.3992-3999 

  3. Cynthia S. Hood, Chuanyi Ji "Beyond Thresholds: An Alternative Method for Extracting Information from Network Measurements", GLOBELCOM'97, pp.487-491, 1997 

  4. Cynthia, S. Hood, Chuanyi Ji, "Proactive Network Fault Detection", INFOCOM'97, pp.1147-1155 vol.3, 1997 

  5. 권기훈, 한영구, 정석봉, 김세헌, 이수형, 나중찬, "트 래픽 분석에 의한 광대역 네트워크 조기 경보 기법", 정보보호학회논문지, 제14권 제 4호, 2004. 8 

  6. 강길수, 이준희, 최경희, 정기현, 심재홍, "DDos 공격 탐지를 위한 패킷 샘플링 기법들의 성능 분 석", 정보처리학회논문지 제11-C권, 제6호, 2004. 12 

  7. 이철호, 최경희, 정기현, 노상욱, "웹 서버에 대한 DDoS 공격의 네트워크 트래픽 분석", 정보처리학회논문지 제10-C권,제3호, 2003. 6 

  8. 전용희, 장종수, "비정상 트래픽 공격 유형 분석", 한국정보보호학회논문지 Vol.17, No.2, pp80-89, 2007 

    원문보기 상세보기

  9. William W. S. Wei, "Time Series Analysis", Addison-Wesley, 1994 

  10. 조강홍, 안성진, 정진욱, "ARIMA 모델을 이용한 선로 이용률의 임계값 위반 예측 기법", 한국통신학회논문지 제25권, 제8호, 2000.8 

  11. http://www.unitel.co.kr/unitel/product/threatx/2 006_threatex.htm 

  12. http://www.unitel.co.kr/unitel/product/smb/smb-index. htm 

  13. C.Zou, W. Gong, D. Towsley, and L.Gao, "The Monitoring and Early Detection of Internet Worms", in Proc. 10th ACM conference on Computer and communication security, pp.190-199, 2003 

  14. 정상준, 김동주, 권영헌, 김종근, "네트워크 트래 픽 예측을 위한 시계열 모형의 적합성 검증", 한국통신학회논문지 04-2 Vol.29 No.2B, pp.217-226, 2004 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로