16、恶意 IP 流量记录自动聚类与联合身份管理属性聚合混合模型

恶意 IP 流量记录自动聚类与联合身份管理属性聚合混合模型

恶意 IP 流量记录自动聚类

在网络安全领域，对恶意 IP 流量记录进行有效聚类是检测网络攻击的重要手段。研究人员采用了三种无监督学习技术（k - mean、SOM 和 DBSCAN）对基于流量的数据集进行评估。

• 聚类原理与优势

  • 入侵检测系统会为属于同一攻击簇的每组 IP 流量发出合并警报。这种自动聚类恶意流量的方式有助于减少入侵检测系统生成的警报总数。
  • 采用 IP 流量记录进行恶意流量聚类，无需进行有效负载检查。IP 流量记录几乎能够区分所有类型的攻击，除非攻击隐藏在数据包有效负载中。
  • 运用无监督学习技术，无需标记的训练数据集。

• 评估结果
  结果表明，该技术能够成功识别恶意 IP 流量中的各种攻击，并将大多数 IP 流量正确地归入相应的攻击簇。

以下是技术使用情况的表格：
| 技术名称 | 是否需要标记数据集 | 是否检查有效负载 | 优势 |
| — | — | — | — |
| k - mean | 否 | 否 | 简单高效，可快速聚类 |
| SOM | 否 | 否 | 能可视化数据分布 |
| DBSCAN | 否 | 否 | 可发现任意形状的簇 |

联合身份管理中的属性聚合混合模型

随着互联网和网络在线服务的迅猛发展，联合身份管理（