Este repositório contém a implementação R do Dark-TRACER, uma estrutura para detecção precoce de anomalias em atividades de malware. Foi apresentado no artigo a seguir. Consulte o PDF e os slides para obter detalhes. Além disso, o conjunto de dados usado no artigo está disponível publicamente.
C. Han , J. Takeuchi, T. Takahashi e D. Inoue, '' Dark-TRACER : Estrutura de detecção precoce para atividades de malware com base em padrões espaço-temporais anômalos,'' IEEE ACCESS , 2022. [DOI] [PDF] [Relacionado Slides] [Conjuntos de dados] [Códigos]
Dark-TRACER é uma estrutura para detecção precoce de anomalias em atividades de malware, estimando a sincronização de padrões espaço-temporais observados no tráfego da darknet, aproveitando três métodos de aprendizado de máquina. Consiste nos seguintes três módulos
A darknet é o espaço de endereço IP não utilizado da Internet e é uma rede de observação onde a maior parte do tráfego observado são comunicações maliciosas. É útil para compreender as tendências globais de ataques cibernéticos. A darknet também é conhecida como telescópio de rede e não deve ser confundida com a dark web, como o Tor.
Motor | Formato de dados de entrada |
---|---|
Vidro escuro | dados de texto |
Escuro-NMF | dados de texto |
Escuro-NTD | dados pcap |
Localizador de alterações | dados de texto |
ChangeFinder é um método convencional e foi utilizado no artigo para avaliação comparativa.
Motor | Código fonte |
---|---|
Vidro escuro | online_portinfo.r / online_portinfo.r |
Escuro-NMF | DarkNMF.r / DarkNMF_alertonly.r / DarkNMF-port.r / DarkNMF-port_alertonly.r |
Escuro-NTD | online_script.R |
Localizador de alterações | 2021_cpd.ipynb |
1. If you have the result of the previous run, do the following. If not, do 2.
1.1 Create ${output_filespace}density_old_${theta}
1.2 Copy the previous results into
$ cp -r ${data_filespace}sensor${ID}/${Lasttime_YEAR}${Lasttime_MONTH}/${Lasttime_YEAR}${Lasttime_MONTH}${Lasttime_DAY}/${Lasttime_TIME}/result_M12/density_${theta}/* ${output_filespace}density_old_${theta}/
2. run online_density.r
3. (number of density files) == 6 and RT_density file has no 0 bytes
3.1 Run online_portinfo.r
4. delete input data from 6 days ago
5. when execution is finished, delete unnecessary files such as input data
1 Run DarkNMF.r
2 Run DarkNMF_alertonly.r
3 When execution is finished, delete unnecessary files such as input data.
1 Create ${data_filespace}sensor${ID}/Anomaly_dstPort_list
2 portlist_file="${data_filespace}sensor${ID}/Anomaly_dstPort_list/${START_YEAR}${START_MONTH}_Anomaly_dstPort_list_ver${ver}.txt
3 Write 0 to portlist_file
4 Execute DarkNMF.r
5 Execution of DarkNMF_alertonly.r
6 When portlist_file is non-zero
6.1 Execution of DarkNMF-port.r
6.2 Execution of DarkNMF-port_alertonly.r
7 When execution is finished, delete unnecessary files such as input data.
1 Execution of online_script.
2 When execution is finished, delete unnecessary files such as input data.
It can be run from 2021_cpd.ipynb. (includes sample data)