基于云计算入侵检测数据集的内网用户异常行为分类算法研究

doi:10.3969/j.issn.1671-1122.2018.03.001

信息网络安全 ›› 2018, Vol. 18 ›› Issue (3): 1-7.doi: 10.3969/j.issn.1671-1122.2018.03.001

• • 下一篇

基于云计算入侵检测数据集的内网用户异常行为分类算法研究

陈红松¹(), 王钢², 宋建林³

1.北京科技大学计算机与通信工程学院, 北京 100083
2.铁道警察学院,河南郑州450053
3.郑州铁路公安局, 河南郑州 450052

收稿日期:2017-12-04 出版日期:2018-03-15 发布日期:2020-05-11
作者简介:
作者简介：陈红松（1977—）,男,山东,副教授,博士,主要研究方向为网络与信息安全、可信计算、云安全、物联网安全、大数据安全分析等;王钢（1958—）,男,河南,教授,本科,主要研究方向为网络信息安全、网络犯罪与信息取证等;宋建林（1967—）,男,河南,高级工程师,硕士,主要研究方向为基于云计算的铁路公共安全信息研判等。
基金资助:
国家重点基础研究发展计划（973计划）[2013CB329605];中央高校基本科研业务费专项资金[FRF-GF-17-B27];公安部重大研究项目[201202ZDYJ017]

Research on Anomaly Behavior Classification Algorithm of Internal Network User Based on Cloud Computing Intrusion Detection Data Set

Hongsong CHEN¹(), Gang WANG², Jianlin SONG³

1.School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China
2. Railway Police College, Zhengzhou Henan 450053, China
3. Zhengzhou Railway Police Security Bureau, Zhengzhou Henan 450052, China

Received:2017-12-04 Online:2018-03-15 Published:2020-05-11

摘要/Abstract

摘要：

针对在云计算内网环境下实施入侵检测与用户异常行为分析的难题,文章采用Weka机器学习软件工具自带的典型分类算法对云计算入侵检测数据集进行分类研究,并通过软件工程方法实现了用于内网用户异常行为分类的朴素贝叶斯算法。对恶意行为和正常行为分类的实验结果显示,文章所实现的朴素贝叶斯算法具有较高的分类准确度,可以有效地对云计算入侵检测数据集中的内网用户行为进行分类分析与挖掘,证明了文章所提方案和算法的有效性。

关键词: 云计算, 用户行为, 入侵检测, 机器学习, 分类

Abstract:

In view of the problems of the implementation of intrusion detection and analysis of abnormal behavior under the cloud computing internal network environment, this paper does the classification research on the cloud intrusion detection datasets (CIDD) by using Weka machine learning classification algorithms, and realizes naive Bayesian algorithm for abnormal behavior classification of internal network users through the method of software engineering. Experimental results on the classification of malicious behavior and normal behavior show that the naive Bayesian algorithm implemented in the paper achieves higher classification accuracy. The algorithm can effectively classify and analyze the internal network user behaviors of CIDD, which proves the effectiveness of the proposed scheme and algorithm.

Key words: cloud computing, user behavior, intrusion detection, machine learning, classification

中图分类号:

TP309

陈红松, 王钢, 宋建林. 基于云计算入侵检测数据集的内网用户异常行为分类算法研究[J]. 信息网络安全, 2018, 18(3): 1-7.

Hongsong CHEN, Gang WANG, Jianlin SONG. Research on Anomaly Behavior Classification Algorithm of Internal Network User Based on Cloud Computing Intrusion Detection Data Set[J]. Netinfo Security, 2018, 18(3): 1-7.

图/表 6

参考文献 15

[1]	王国峰,刘川意,潘鹤中,等. 云计算模式内部威胁综述[J]. 计算机学报, 2017,40(410):26-46.
[2]	姬炳帅, 李虎, 韩伟红,等. 面向电子商务的用户异常行为检测研究[J]. 信息网络安全, 2014(9):80-85.
[3]	GREENBERG S. Using UNIX: Collected Traces of 168 Users[EB/OL].,2017-11-20.
[4]	LANE T, BRODLEY C E. An Application of Machine Learning to Anomaly Detection[EB/OL].,2017-11-20.
[5]	IDS. RUU dataset [EB/OL]..
[6]	KHOLIDY H A, BAIARDI F.CIDD: A Cloud Intrusion Detection Dataset for Cloud Computing and Masquerade Attacks[C]// IEEE. Ninth International Conference on Information Technology: New Generations, April 16-18, 2012, Las Vegas, NV, USA. NJ:IEEE, 2012:397-402.
[7]	戚犇,王梦迪. 基于信息增益的贝叶斯态势要素提取[J]. 信息网络安全,2017(9): 54-57.
[8]	CHEN Hongsong, BHARGAVA B, FU Zhongchuan.Multilabels-based Scalable Access Control for Big Data Applications[J].IEEE Cloud Computing, 2015, 1(3):65-71.
[9]	陈红松,韩至. 智慧城市中大数据安全分析与研究[J]. 信息网络安全,2015(7):1-6.
[10]	KANNAN A, VENKATESAN K G, STAGKOPOULOU A, et al.A Novel Cloud Intrusion Detection System Using Feature Selection and Classification[J]. International Journal of Intelligent Information Technologies, 2015, 11(4):1-15.
[11]	PRATIK P J, MADHU B R.Data Mining-based CIDS: Cloud Intrusion Detection System for Masquerade Attacks [DCIDSM][C]//IEEE. Fourth International Conference on Computing, Communications and NETWORKING Technologies, July 4-6, 2013, Tiruchengode, India.NJ: IEEE, 2013:1-5.
[12]	宋海涛,韦大伟,汤光明,等. 基于模式挖掘的用户行为异常检测算法[J].小型微型计算机系统,2016,37(2):221-226.
[13]	CHAHAL J K, KAUR A.A Hybrid Approach Based on Classification and Clustering for Intrusion Detection System[J]. International Journal of Mathematical Sciences & Computing, 2016, 2(4):34-40.
[14]	余慧佳,刘奕群,张敏,等. 基于大规模日志分析的搜索引擎用户行为分析[J]. 中文信息学报,2007,21(1):109-114.
[15]	WEKA[EB/OL].,2017-11-20.

基于云计算入侵检测数据集的内网用户异常行为分类算法研究

Research on Anomaly Behavior Classification Algorithm of Internal Network User Based on Cloud Computing Intrusion Detection Data Set

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郭春, 陈长青, 申国伟, 蒋朝惠. 一种基于可视化的勒索软件分类方法[J]. 信息网络安全, 2020, 20(4): 31-39.
[2]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[3]	杜义峰, 郭渊博. 一种基于信任值的雾计算动态访问控制方法[J]. 信息网络安全, 2020, 20(4): 65-72.
[4]	刘渊, 乔巍. 云环境下基于Kubernetes集群系统的容器网络研究与优化[J]. 信息网络安全, 2020, 20(3): 36-44.
[5]	罗文华, 许彩滇. 基于改进MajorClust聚类的网络入侵行为检测[J]. 信息网络安全, 2020, 20(2): 14-21.
[6]	白嘉萌, 寇英帅, 刘泽艺, 查达仁. 云计算平台基于角色的权限管理系统设计与实现[J]. 信息网络安全, 2020, 20(1): 75-82.
[7]	康健, 王杰, 李正旭, 张光妲. 物联网中一种基于多种特征提取策略的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 21-25.
[8]	任良钦, 王伟, 王琼霄, 鲁琳俪. 一种新型云密码计算平台架构及实现[J]. 信息网络安全, 2019, 19(9): 91-95.
[9]	冯文英, 郭晓博, 何原野, 薛聪. 基于前馈神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 101-105.
[10]	马泽文, 刘洋, 徐洪平, 易航. 基于集成学习的DoS攻击流量检测技术[J]. 信息网络安全, 2019, 19(9): 115-119.
[11]	余奕, 吕良双, 李肖坚, 王天博. 面向移动云计算场景的动态网络拓扑描述语言[J]. 信息网络安全, 2019, 19(9): 120-124.
[12]	王紫璇, 吕良双, 李肖坚, 王天博. 基于共享存储的OpenStack虚拟机应用分发策略[J]. 信息网络安全, 2019, 19(9): 125-129.
[13]	崔艳鹏, 冯璐铭, 闫峥, 蔺华庆. 基于程序切片技术的云计算软件安全模型研究[J]. 信息网络安全, 2019, 19(7): 31-41.
[14]	葛新瑞, 崔巍, 郝蓉, 于佳. 加密云数据上支持可验证的关键词排序搜索方案[J]. 信息网络安全, 2019, 19(7): 82-89.
[15]	饶绪黎, 徐彭娜, 陈志德, 许力. 基于不完全信息的深度学习网络入侵检测[J]. 信息网络安全, 2019, 19(6): 53-60.