مدل‌سازی حملات سایبری مبهم مبتنی بر فّن جایگزین حمله

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشگاه جامع امام حسین(ع)

2 دانشگاه صنعتی مالک اشتر

3 استادیار دانشگاه جامع امام حسین(ع)

چکیده

با گسترش روزافزون حملات سایبری، ایجاد امنیت برای فضای سایبری نیز حساس‌تر و مهم‌تر شده است. بنابراین رایانه‌ها، شبکه‌های رایانه‌ای و تمام سامانه‌های رایج با قابلیت اتصال به شبکه اینترنت، همواره در معرض خطر حملات سایبری قرار دارند. در این مقاله با ارائه طبقه‌بندی جدیدی در روش‌های مبهم‌سازی، برای مدل‌سازی حملات سایبری مبهم، روشی مبتنی بر فّن جایگزین حمله پیشنهاد شده است. در این روش مهاجم در راهبرد‌های حمله با جایگزین کردن حملاتی که خصوصیات مشابه دارند، باعث افزایش دسته‌بندی غلط شده و وابستگی میان گام‌های حمله را کاهش می‌دهد؛ بنابراین با افزایش طول دنباله حمله، مدیران امنیت شبکه به‌راحتی نمی‌توانند حملات سایبری را تشخیص دهند. مدل پیشنهادی بر اساس الگوریتم بیزین ارزیابی گردید. نتایج به‌دست‌آمده از تحقیق و اجرای مدل، حاکی از آن است که نرخ دقت درست طبقه‌بندی (برحسب لگاریتم) توسط سامانه‌های تشخیص نفوذ، در بهترین حالت برای حملات پاک در دنباله حمله 40 برابر 02/-  و برای حملات مبهم در سطح اقدام برابر 19/0- است؛ در‌صورتی‌که در همین دنباله برای حملات مبهم با فن جایگزین حمله به 3- و برای فن اضافه حمله به 74/6-  تقلیل می‌یابد. در مدل‌پیشنهادی مانند فن مبهم‌ساز افزودن حمله، از روش حمله متناظر استفاده شده است، به علت تفاوت در نوع مدل مبهم‌سازی نتایج مختلفی به‌دست می‌آید و ترکیب این دو فن مبهم‌ساز در حملات سایبری می‌تواند در فریب سامانه‌های تشخیص نفوذ و ایجاد عدم قطعیت در دنباله حملات مشاهده‌شده، نتایج بهتری برای مهاجم به ارمغان آورد.

کلیدواژه‌ها


 [1] A. Kott, C. Wang, and R. F. Erbacher, “Cyber defense and situational awareness,” vol. 62, Springer, 2015.##

[2] A. Veeraswamy, S. Appavu, and E. Kannan, “An Implementation of Efficient Datamining Classification Algorithm using Nbtree,” International Journal of Computer Applications, 2013.##

[3] F. Valeur, et al., “Comprehensive approach to intrusion detection alert correlation,” IEEE Transactions on dependable and secure computing, pp. 146-169, 2004.##

[4]  S. Ruggieri, “Efficient C4. 5 [classification algorithm] transactions on knowledge and data engineering,” IEEE,  vol. 14, no. 2, pp. 438-444, 2002.##

[5]   A. Kott, C. Wang, and R. F. Erbacher, “Cyber defense and situational awareness,” Springer, vol. 62, 2015.##

[6]  H. Du and S. J. Yang, “Probabilistic inference for obfuscated network attack sequences,” Annual IEEE/IFIP International Conference on Dependable Systems and Networks, 2014.#

 [7]  H. Debar and M. Dacier, “Towards a taxonomy of intrusion-detection systems,” Computer Networks, vol. 31, no. 8, pp. 805–822, 1999.##

[8] S. Parsa, H. salehi, and M. H. Alaeiyan, “Code Obfuscation to Prevent Symbolic Execution,” Journal of Electoronic & Cyber defence, Imam Hossein Comprhensive Univercity, vol. 6, no. 1, 2018.)In persian)##

 [9] M. H. Najari, “The design and simulation of an efficient algorithm for modeling the obfuscation of cyber attacks based on action insertion,” M.Sc, Malek-e-Ashtar University, 2017. (In persian)##

 [10] N. Ghafori, “The design and simulation of an efficient algorithm for modeling the obfuscation of cyber attacks based on action alteration,” M.Sc, Malek-e-Ashtar University, 2017. (In persian)## 

[11] R. Aliabadi, “The design and simulation of an efficient algorithm for modeling the obfuscation of cyber attacks based on action removal,” M.Sc, Malek-e-Ashtar University, 2017 .(In persian)##

[12] H. Du, “Probabilistic Modeling and Inference for Obfuscated Network Attack   Sequences,” PhD diss, Rochester, New York, 8-2014.##

 [13] L. Wang, A. Liu, and S. Jajodia, “Using attack graphs for correlating, hypothesizing, and predicting intrusion alerts,” Comput. Commun, vol. 29, no. 15, pp. 2917–2933, 2006.##

[14] C. Phillips and L. P. Swiler, “A graph-based system for network-vulnerability analysis,” presented at the Proceedings of the 1998 workshop on new security paradigms, pp. 71–79, 1998.##

[15] T. Tidwell, R. Larson, K. Fitch, and J. Hale, “Modeling internet attacks,” presented at the Proceedings of the IEEE Workshop on Information Assurance and security, vol. 59, 2001.##

[16] K. Daley, R. Larson, and J. Dawkins, “A structural framework for modeling multi-stage network attacks,” Presented at the Parallel Processing Workshops, Proceedings, International Conference on, pp. 5–10, 2002.##

[17] S. Noel and S. Jajodia, “Advanced vulnerability analysis and intrusion detection through predictive attack graphs,” Crit. Issues C4I Armed Forces Commun. Electron. Assoc. AFCEA Solut. Ser. Int. J. Command Control, 2009.##

[18] “Common Attack Pattern Enumeration and Classification (CAPEC) Schema Description,” 2019.##

[19] K. Shoushian, A. J. Rashidi, and M. Dehghani, “Modeling of cyber attacks obfuscation based insertion technique  of attack,” Journal of Electoronic & Cyber defence, Imam Hossein Comprhensive Univercity(printing ), (In persian).##