AI RootGuard: یک چارچوب ترکیبی مبتنی بر قانون و جنگل ایزوله برای تشخیص تهدید در محیط های واقعی مرکز داده

رشد سریع داده های تولید شده در مراکز داده و پیچیدگی فزاینده تهدیدات سایبری استفاده از سیستم های تشخیص نفوذ هوشمند را به یک ضرورت تبدیل کرده است. روش های مبتنی بر امضا در تشخیص تهدیدهای شناخته شده عملکرد خوبی دارند اما در برخورد با حملات ناشناخته و الگوهای رفتاری نوظهور با محدودیت هایی روبرو هستند. در مقابل، رویکردهای مبتنی بر یادگیری ماشین قادر به شناسایی رفتارهای غیرعادی هستند اما اغلب از نرخ بالای مثبت کاذب و قابلیت تفسیر محدود در محیط های عملیاتی رنج می برند. در این مطالعه سیستم AI RootGuard با معماری ترکیبی که ترکیبی از یک موتور قوانین و الگوریتم جنگل ایزوله است طراحی، پیاده سازی و ارزیابی شده است. معماری پیشنهادی شامل یک لایه دریافت داده، موتور قوانین، موتور یادگیری ماشین، پایگاه داده و داشبورد مدیریت است. مجموعه داده مورد استفاده در این تحقیق شامل ۲۹۳۲۷۵۴۴ رکورد لاگ واقعی است که از ۱۱ دستگاه شبکه فعال در یک مرکز داده سازمانی جمع آوری شده است. نتایج استقرار نشان می دهد که AI RootGuard با موفقیت ۸۳۰۰ رویداد غیرعادی را در داده های پردازش شده شناسایی کرده است. بررسی دستی نمونه های انتخاب شده تایید کرد که بخش قابل توجهی از هشدارهای تولید شده دارای ارزش عملیاتی هستند و امکان تشخیص دامنه های مشکوک، الگوهای تونل زنی DNS، تلاش های جستجوی فراگیر و رویدادهای تزریق فرمان را فراهم می کنند. یافته ها نشان می دهند که ترکیب دانش تخصصی امنیتی با یادگیری ماشین بدون نظارت می تواند به عنوان یک راه حل عملی برای تجزیه و تحلیل داده های امنیتی در مقیاس بزرگ در محیط های دنیای واقعی عمل کند.

کلیدواژه ها:

تشخیص نفوذ ، تشخیص ناهنجاری ، امنیت سایبری ، جنگل ایزوله ، مرکز داده ، سیستم ترکیبی ، AI RootGuard