Design and development of a Machine Learning based attack detection system for web applications
Report
Share
•0 likes•68 views
![Συμπεράσματα
• Το πιο σημαντικό χαρακτηριστικό είναι ο
εντοπισμός χαρακτήρων υψηλού ρίσκου
[=’”;*<>./!()&%] στις τιμές των παραμέτρων
• Τα χαρακτηριστικά που αναφέρονται στα ονόματα
των παραμέτρων έχουν μικρή αξία
• Πολύ καλή απόδοση του IDS στα πραγματικά
δεδομένα και μεγάλη ικανότητα ανίχνευσης
κακόβουλης δραστηριότητας
03 2021
Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό
λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης
8/12](https://image.slidesharecdn.com/diplomathesiseleftheriadis8398-210825090538/75/design-and-development-of-a-machine-learning-based-attack-detection-system-for-web-applications-8-2048.jpg?cb=1672262152)
Design and development of a Machine Learning based attack detection system for web applications
•0 likes•68 views
Report
Share
Download to read offline
The increasing use of web applications and the popularity of Software-As-A-Service has created room for major vulnerability issues in systems which up until recently were “running” in restricted networks: information (sensitive or not) is now available on the internet. As a consequence, using appropriate software security procedures is the only way to protect it. Security checks must be performed in many and different layers, like the network layer, the OS layer, and also the application layer. In light of this, the objective of this diploma thesis is the design and development of a system that detects possible security attacks using machine learning algorithms. The goal is the use of machine learning algorithms to detect “good” and “bad” behaviors at the application layer. The analysis will be dynamic (at runtime) and a decision mechanism will be developed.
Recommended
More Related Content
What's hot
What's hot(15)
Similar to Design and development of a Machine Learning based attack detection system for web applications
Similar to Design and development of a Machine Learning based attack detection system for web applications(20)
More from ISSEL
More from ISSEL(20)
Design and development of a Machine Learning based attack detection system for web applications
- 1. Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Αντώνιος Ελευθεριάδης (8398) Επιβλέποντας: Ανδρέας Συμεωνίδης (Αναπληρωτής Καθηγητής ΑΠΘ) 2021-03-16
- 2. Σκοπός της διπλωματικής εργασίας Μεγάλη επιρροή του Διαδικτύου στην καθημερινή ζωή Τα web applications αποτελούν σιλό προσωπικών δεδομένων και συστήματα ελέγχου κρίσιμων υποδομών Οι προγραμματιστές και οι επιχειρήσεις διαθέτουν ανεπαρκείς πολιτικές ασφάλειας Ανάγκη προστασίας των πολιτών μέσω της προστασίας των διαδικτυακών εφαρμογών 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 2/12
- 3. Γνώσεις που αποκτήθηκαν Μοντέλο OSI Ταξινόμηση επιθέσεων με βάση το OSI επίπεδο Πρωτόκολλο HTTP Συστήματα ανίχνευσης επιθέσεων (IDS) Common Intrusion Detection Framework Τείχη προστασίας Στάδια μιας επίθεσης (recon/scan/exploit/post) Μηχανική μάθηση Ruby on Rails/log facilities/R/ZAP/MongoDB 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 3/12
- 4. Μεθοδολογία (1/2) 1. Επιλογή εφαρμογής στόχου 2. Συλλογή δεδομένων αιτημάτων σε προσομοιωμένη κατάσταση καλής λειτουργίας (test suite) και επίθεσης (ZAP σε DEV) 3. Διαχωρισμός δεδομένων σε σύνολα εκπαίδευσης και επαλήθευσης 4. Εξαγωγή χαρακτηριστικών από τα δεδομένα 5. Εκπαίδευση και επαλήθευση μοντέλου τυχαίου δάσους 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 4/12
- 5. Μεθοδολογία (2/2) 6. Εξαγωγή συμπερασμάτων για συνεδρίες με χρήση κυλιόμενου παραθύρου με κατώφλι 1. Αξιολόγηση συμπερασμάτων 2. Συλλογή δεδομένων αιτημάτων σε κατάσταση επίθεσης σε πραγματικές συνθήκες 3. Επεξεργασία των νέων δεδομένων 4. Σύγκριση των αποτελεσμάτων της μηχανής έναντι ανθρώπου 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 5/12
- 6. Αποτελέσματα (1/2) (Αιτήματα) Precision Recall F1 TP TN FP FN Min 85.7% 97.3% 91% 3818 1762 614 101 Avg 85.9% 97.3% 91% 3818.8 1776.4 624.6 104.2 Max 86.1% 97.4% 91% 3822 1787 639 105 Median 86% 97.3% 91% 3818 1779 622 105 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 6/12 (Συνεδρίες) Precision Recall F1 TP TN FP FN Min 95.1% 97.5% 96.3% 272 407 10 7 Avg 95.2% 97.5% 96.4% 272 407.4 13.6 7 Max 96.5% 97.5% 97% 272 411 14 7 Median 95.1% 97.5% 96.3% 272 407 14 7
- 7. Αποτελέσματα (2/2) 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 7/12 Χαρακτήρας υψηλού ρίσκου σε όνομα παραμέτρου σφαλείς χαρακτήρες στα ονόματα των παραμέτρων ά ασφαλείς χαρακτήρες στις τιμές των παραμέτρων Μορφή απάντησης Χαρακτήρας υψηλού ρίσκου στο path Μέθοδος αιτήματος Μέγιστο μήκος τμήματος path Κωδικός κατάστασης ειστικά ασφαλείς χαρακτήρες στα τμήματα του path Πρόκληση εξαίρεση Χαρακτήρας υψηλού ρίσκου σε τιμή παραμέτρου 0 10 20 30 40 50 60 Μέση μείωση ακρίβειας (accuracy) Χαρακτήρας υψηλού ρίσκου σε όνομα παραμέτρου Αποκλειστικά ασφαλείς χαρακτήρες στα ονόματα των παραμέτρων Μορφή απάντησης Μέγιστο μήκος τμήματος path Χαρακτήρας υψηλού ρίσκου στο path Αποκλειστικά ασφαλείς χαρακτήρες στις τιμές των παραμέτρων Αποκλειστικά ασφαλείς χαρακτήρες στα τμήματα του path Μέθοδος αιτήματος Κωδικός κατάστασης Πρόκληση εξαίρεση Χαρακτήρας υψηλού ρίσκου σε τιμή παραμέτρου 0 100 200 300 400 500 Μέση μείωση δείκτη Gini
- 8. Συμπεράσματα • Το πιο σημαντικό χαρακτηριστικό είναι ο εντοπισμός χαρακτήρων υψηλού ρίσκου [=’”;*<>./!()&%] στις τιμές των παραμέτρων • Τα χαρακτηριστικά που αναφέρονται στα ονόματα των παραμέτρων έχουν μικρή αξία • Πολύ καλή απόδοση του IDS στα πραγματικά δεδομένα και μεγάλη ικανότητα ανίχνευσης κακόβουλης δραστηριότητας 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 8/12
- 9. Καινοτομίες • Bootstrapping εκπαίδευσης σε δοκιμαστικό περιβάλλον που αποκρίνεται στις πραγματικές συνθήκες • Άντληση δεδομένων μέσα από την εφαρμογή • Επιλογή απλών αλλά ισχυρών χαρακτηριστικών, ικανών να περιγράψουν το πρόβλημα 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 9/12
- 10. Μελλοντική Εργασία • Βελτιστοποίηση παραμέτρων συστήματος • Εκμετάλλευση των SQL statement με ανάλυση σε συντακτικά δέντρα • Εξαγωγή επιπλέον και πιο σύνθετων χαρακτηριστικών με περαιτέρω εκμετάλλευση χρονικής ακολουθίας αιτημάτων • Αξιοποίηση πληροφοριών για ομαδοποίηση δεδομένων και βαθύτερη αντίληψη εφαρμογής • Λειτουργία σε real-time με μηχανισμό απόκρισης 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 10/12
- 11. Σας ευχαριστώ για τον χρόνο και την προσοχή σας 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 11/12
- 12. Ερωτήσεις ??? 03 2021 Σχεδίαση και ανάπτυξη μηχανισμού αναγνώρισης επιθέσεων ασφαλείας σε διαδικτυακό λογισμικό με τη χρήση τεχνικών Μηχανικής Μάθησης 12/12