[논문]호스트 기반 침입 탐지 데이터 분석 비교

박대경; 신동규; 신동일

호스트 기반 침입 탐지 데이터 분석 비교
A Host-based Intrusion Detection Data Analysis Comparison 원문보기

박대경 (세종대학교 컴퓨터공학과) , 신동규 (세종대학교 컴퓨터공학과) , 신동일 (세종대학교 컴퓨터공학과)

오늘날 정보통신 기술이 급격하게 발달하면서 IT 인프라에서 보안의 중요성이 높아졌고 동시에 APT(Advanced Persistent threat)처럼 고도화되고 다양한 형태의 공격이 증가하고 있다. 점점 더 고도화되는 공격을 조기에 방어하거나 예측하는 것은 매우 중요한 문제이며, NIDS(Network-based Intrusion Detection System) 관련 데이터 분석만으로는 빠르게 변형하는 공격을 방어하지 못하는 경우가 많이 보고되고 있다. 따라서 HIDS(Host-based Intrusion Detection System) 데이터 분석을 통해서 위와 같은 공격을 방어하는데 현재는 침입탐지 시스템에서 생성된 데이터가 주로 사용된다. 하지만 데이터가 많이 부족하여 과거에 생성된 DARPA(Defense Advanced Research Projects Agency) 침입 탐지 평가 데이터 세트인 KDD(Knowledge Discovery and Data Mining) 같은 데이터로 연구를 하고 있어 현대 컴퓨터 시스템 특정을 반영한 데이터의 비정상행위 탐지에 대한 연구가 많이 부족하다. 본 논문에서는 기존에 사용되었던 데이터 세트에서 결여된 스레드 정보, 메타 데이터 및 버퍼 데이터를 포함하고 있으면서 최근에 생성된 LID-DS(Leipzig Intrusion Detection-Data Set) 데이터를 이용한 분석 비교 연구를 통해 앞으로 호스트 기반 침입 탐지 데이터 시스템의 나아갈 새로운 연구 방향을 제시한다.

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

문제 정의

본 연구에서는 LID-DS(Leipzig Instrusion Detection-Data Set) 데이터 세트와 이전에 공개되었던 UNM(University of New Mexico)과 ADFA(Astralian Defence Force Academy) 호스트 침입탐지 시스템 데이터 세트들을 비교 분석하고 LID-DS 데이터 세트와 기계 학습을 이용한 호스트 기반 침입 탐지 시스템의 새로운 연구를 제시한다.

제안 방법

본 논문에서 소개하는 LID-DS 데이터 세트는 관련 연구에서 언급한 이전 데이터 세트의 문제점이였던 시스템의 최신 보안 취약점을 퇴신 상태로 유지했으며 기본 스레드 정보가 사라지지 않고 새로운 유형의 HIDS를 평가하는 데 사용할 수 있는 방식으로 데이터를 기록한다. 표 4는 앞서 언급 한 데이터 세트들의 속성에 대한 비교이다.

대상 데이터

본 논문에서 사용한 LID-DS 데이터 세트는 1990년대 후반, 호스트 기반 침입 탐지 시스템을 연구하기위해 처음 만들어진 KDD 데이터는 현재까지도 많은 연구자들이 이용하고 있지만 KDD 데이터는 너무 오래된 컴퓨터 시스템의 특징과 공격 패턴으로 이루어져 있어 현재 사용하기에는 적합하지 않다. 2018년 Leipzig University에서 호스트 기반 침입탐지 시스템의 이상 탐지 연구를 위한 LID-DS 데이터 세트를 공개하였다. LID-DS 데이터 세트는 기존 공개되었던 데이터들과 다르게 현재 공개된 데이터 세트들 보다 최신 컴퓨터 시나리오로 구성되어 있다.

성능/효과

호스트 기반 침입 탐지 시스템 방식은 오용 탐지와 이상 탐지 2가지 방법으로 나눌 수 있다.[2] 오용 탐지 방법은 시그니처 기반으로 공격을 탐지하기 때문에 기존의 공격을 탐지하는 것은 효과적이지만 반면에 새로운 공격에 대한 탐지는 부적합하다. 이상 탐지 방법은 오용 탐지 방법과 반대로 정상적인 동작 및 행위로 정의된 상태가 아닌 것에 대해 모든 상황을 이상 행위로 판단하여 탐지하게 된다.
시계열 분석은 과거와 현재의 분석에 대해서는 매우 정확하고 사람의 개입이 필요한 이상 징후 탐지 과정을 거치지 않는다. 결과적으로 데이터 또는 문제에 알맞은 특징을 이상 탐지 하는 효과를 나타내게 되고, 이는 학습에 사용했던 데이터 세트의 범위에 따라 이상 탐지 정확성을 높일 수 있을 것 이다.[12]

후속연구

LID-DS는 기존의 데이터 세트와 다르게 데이터 버퍼를 저장한다. 저장된 데이터 버퍼를 이용하여 공격자가 특정 공격을 수행하기 전에 나타나는 패턴들을 기계 학습 하여 공격 직전에 미리 탐지하여 이상 탐지 정확성을 높일 수 있을 것이다.
추후에는 LID-DS 데이터 세트로 기록된 정상적인 데이터와 비정상적인 데이터를 이용하여 초 단위까지 기록하는 타임스탬프 속성을 가지고 시계열 분석을 통하여 기계 학습을 진행한 후 이상 탐지 하는 연구를 진행할 계획이다. 또한 특정 공격이 시작되기 전에 데이터 버퍼에서 반복되는 현상들을 기계 학습을 통해 이상 탐지 하는 방법과 앞서 제시한 두 가지 방법으로 새로운 공격이나 내부 공격자에 대한 탐지 정확도를 올리기 위한 연구 계획하고 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

호스트 기반 침입 탐지 데이터 분석 비교
A Host-based Intrusion Detection Data Analysis Comparison 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

호스트 기반 침입 탐지 데이터 분석 비교 A Host-based Intrusion Detection Data Analysis Comparison 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

호스트 기반 침입 탐지 데이터 분석 비교
A Host-based Intrusion Detection Data Analysis Comparison 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper