基于KVM虚拟化环境的异常行为检测技术研究

doi:10.3969/j.issn.1671-1122.2017.11.001

信息网络安全 ›› 2017, Vol. 17 ›› Issue (11): 1-6.doi: 10.3969/j.issn.1671-1122.2017.11.001

• • 下一篇

基于KVM虚拟化环境的异常行为检测技术研究

张健¹(), 蔡长亮¹, 宫良一¹, 顾兆军²

1. 天津理工大学计算机科学与工程学院,天津 300384
2. 中国民航大学信息安全测评中心,天津 300300

收稿日期:2017-08-01 出版日期:2017-11-20 发布日期:2020-05-12
作者简介:
作者简介：张健（1968—）,男,天津,正高级工程师,博士,主要研究方向为网络空间安全、恶意代码防治;蔡长亮（1992—）,男,内蒙古,硕士研究生,主要研究方向为信息安全;宫良一（1987—）,男,山东,博士研究生,主要研究方向为普适计算;顾兆军（1966—）,男,山东,教授,博士,主要研究方向为网络与信息安全、民航信息系统。
基金资助:
国家重点研发计划[2016YFB0800805];天津市科技服务业科技重大专项[16ZXFWGX00140];中国民航大学信息安全测评中心开放基金课题[CAAC-ISECCA-201501]

Research on Anomaly Behavior Detection Technology in Virtualization Environment Based on KVM

Jian ZHANG¹(), Changliang CAI¹, Liangyi GONG¹, Zhaojun GU²

1. School of Computer Science and Engineering, Tianjin University of Technology, Tianjin 300384, China
2. Information Security Evaluation Center of Civil Aviation, Civil Aviation University of China, Tianjin 300300, China

Received:2017-08-01 Online:2017-11-20 Published:2020-05-12

摘要/Abstract

摘要：

随着安全问题成为云计算面临的主要问题,虽然基于主机、网络的传统入侵检测技术在一定程度上可以保证云计算服务的可靠性和安全性,但会受到欺骗、攻击等威胁。虚拟机监视器具有高度的隔离性和透明性,基于无代理的方式对虚拟机行为和网络信息进行提取分析可以有效提升异常行为检测的准确性和安全性。文章分析了实体环境中的异常行为检测技术,结合传统入侵检测算法提出了基于KVM虚拟化环境的异常行为检测模型,并对检测模型进行了实验和分析。实验结果表明,该模型可以有效检测出客户虚拟机的异常行为。

关键词: 云计算, 虚拟化技术, 检测, KVM, 异常行为

Abstract:

With the security problem becoming the major problem of cloud computing, the traditional anomaly detection technology based on hosts and network can guarantee the reliability and security of the cloud computing service to a certain extent, but still faces deceiving and attacking threats. VMM has a high degree of isolation and transparency, the analysis of virtual machine behavior and network information can effectively improve the accuracy and security of anomaly behavior detection based on the agentless out-VM monitoring method. This paper analyzes anomaly behavior detection technology on physical environment, mixes the traditional intrusion detection algorithms, proposes anomaly behavior detection method based on KVM virtualization environment, experiments and analyses some aspects of the detection model. The results shows that the model can effectively detect the anomaly behavior of guest OS.

Key words: cloud computing, virtualization technology, detection, KVM, anomaly behavior

中图分类号:

TP309.1

张健, 蔡长亮, 宫良一, 顾兆军. 基于KVM虚拟化环境的异常行为检测技术研究[J]. 信息网络安全, 2017, 17(11): 1-6.

Jian ZHANG, Changliang CAI, Liangyi GONG, Zhaojun GU. Research on Anomaly Behavior Detection Technology in Virtualization Environment Based on KVM[J]. Netinfo Security, 2017, 17(11): 1-6.

图/表 10

图1

图2

图3

表1

表2

表3

表4

表5

表6

图4

参考文献 23

[1]	方滨兴. “四朵云”保障云安全[J]. 保密科学技术,2016(11):36-37.
[2]	吴一冰. 基于VMI的虚拟机攻击防护机制研究[J]. 互联网天地,2013(10):28-33.
[3]	肖敏,韩继军,肖德宝,等. 基于聚类的入侵检测研究综述[J]. 计算机应用,2008,28(s1):34-38.
[4]	谢红,刘人杰,陈纯锴. 基于误用检测与异常行为检测的整合模型[J]. 重庆邮电大学学报:自然科学版,2012(1):73-77.
[5]	于明,张雨,刘畅,等. 云环境下基于多属性信息熵的虚拟机异常检测[J]. 华中科技大学学报:自然科学版,2015(5):63-67.
[6]	李保珲,徐克付,张鹏,等. 虚拟机自省技术研究与应用进展[J]. 软件学报,2016(6):1384-1401.
[7]	张瑜,刘庆中,李涛,等. 内存取证研究与进展[J]. 软件学报,2015(5):1151-1172.
[8]	MEMARIAN M R, CONTI M, LEPPÄNEN V, et al. EyeCloud: A BotCloud Detection System[C]//IEEE. 2015 IEEE Trustcom/BigDataSE/ISPA, August 20-22, 2015, Helsinki, Finland. New Jersey: IEEE, 2015: 1067-1072.
[9]	LENGYEL T K, MARESCA S, PAYNE B D, et al.Scalability, Fidelity and Stealth in the DRAKVUF Dynamic Malware Analysis System[C]//ACM. 30th Annual Computer Security Applications Conference, December 8-12, 2014, New Orleans, Louisiana, USA. New York: ACM, 2014: 386-395.
[10]	林杰. 面向服务监控的可控云关键技术研究[D]. 北京:北京邮电大学,2015.
[11]	HIZVER J, CHIUEH T C.Real-time Deep Virtual Machine Introspection and Its Applications[C]//ACM. 10th ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments, March 1-2, 2014, Salt Lake City, Utah, USA. New York: ACM, 2014: 3-14.
[12]	张静轩,常进达,郭栋,等. 一种基于用户行为控制语言的桌面虚拟化性能测试框架[J]. 信息网络安全,2016(7):53-60.
[13]	MISHRA P, PILLI E S, VARADHARAJANT V, et al.NvCloudIDS: A Security Architecture to Detect Intrusions at Network and Virtualization Layer in Cloud Environment[C]//IEEE. 2016 International Conference on Advances in Computing, Communications and Informatics, September 21-24, 2016, Jaipur, India. New Jersey: IEEE, 2016: 56-62.
[14]	蒋传勇,姚立红,潘理. 基于VMM的程序行为异常检测[J]. 信息安全与通信保密,2016(3):118-122.
[15]	牛鹏飞,张健,常青,等. 基于Xen的异常行为在线检测平台研究与设计[J]. 信息网络安全,2016(9):139-144.
[16]	PASCHALIDIS I C, CHEN Yin.Statistical Anomaly Detection with Sensor Networks[J]. ACM Transactions on Sensor Networks, 2010, 7(2): 1-23.
[17]	XUAN Chaoting, COPELAND J, BEYAH R.Toward Revealing Kernel Malware Behavior in Virtual Execution Environments[C]//Springer. 12th International Symposium on Recent Advances in Intrusion Detection, September 23-25, 2009, Saint-Malo, France. Heidelberg: Springer, 2009: 304-325.
[18]	王文旭,张健, 常青,等. 云计算虚拟化平台安全问题研究[J]. 信息网络安全,2016(9):163-168.
[19]	HEBBAL Y, LANIEPCE S, MENAUD J M.Virtual Machine Introspection: Techniques and Applications[C]//IEEE. International Conference on Availability, Reliability and Security, August 23-25, 2015, Toulouse, France. New Jersey: IEEE, 2015: 676-685.
[20]	WEBSTER M, MALCOLM G.Detection of Metamorphic and Virtualization-based Malware using Algebraic Specification[J]. Journal of Computer Virology and Hacking Techniques, 2009, 5(3): 221-245.
[21]	CHEN Xu, ANDERSEN J, MAO Z M, et al.Towards an Understanding of Anti-virtualization and Anti-debugging Behavior in Modern Malware[C]//IEEE. 10th IEEE International Conference on Dependable Systems and Networks with Ftcs and DCC, August 24-27, 2015, Toulouse, France. New Jersey: IEEE, 2008: 177-186.
[22]	池亚平,姜停停,戴楚屏,等. 基于BLP的虚拟机多级安全强制访问控制系统设计与实现[J]. 信息网络安全,2016(10):1-7.
[23]	DENZ R, TAYLOR S.A Survey on Securing the Virtual Cloud[J]. Journal of Cloud Computing, 2013, 2(1): 1-9.

基于KVM虚拟化环境的异常行为检测技术研究

Research on Anomaly Behavior Detection Technology in Virtualization Environment Based on KVM

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

[1]	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.
[2]	边玲玉, 张琳琳, 赵楷, 石飞. 基于LightGBM的以太坊恶意账户检测方法[J]. 信息网络安全, 2020, 20(4): 73-80.
[3]	赵志岩, 纪小默. 智能化网络安全威胁感知融合模型研究[J]. 信息网络安全, 2020, 20(4): 87-93.
[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]	顾兆军, 任怡彤, 刘春波, 王志. 基于一致性预测算法的内网日志检测模型[J]. 信息网络安全, 2020, 20(3): 45-50.
[6]	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.
[7]	吕宗平, 赵春迪, 顾兆军, 周景贤. 基于Stacking模型融合的勒索软件动态检测算法[J]. 信息网络安全, 2020, 20(2): 57-57.
[8]	张浩, 陈龙, 魏志强. 基于数据增强和模型更新的异常流量检测技术[J]. 信息网络安全, 2020, 20(2): 66-74.
[9]	荆涛, 万巍. 面向属性迁移状态的P2P网络行为分析方法研究[J]. 信息网络安全, 2020, 20(1): 16-25.
[10]	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.
[11]	李晓冉, 郝蓉, 于佳. 具有数据上传管控的无证书可证明数据持有方案[J]. 信息网络安全, 2020, 20(1): 83-88.
[12]	宋鑫, 赵楷, 张琳琳, 方文波. 基于随机森林的Android恶意软件检测方法研究[J]. 信息网络安全, 2019, 19(9): 1-5.
[13]	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.
[14]	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.
[15]	陈里可, 阮树骅, 陈兴蜀, 王海舟. 社交媒体机器人账号智能检测研究[J]. 信息网络安全, 2019, 19(9): 96-100.