ডিক্রিপ্ট না করে এনক্রিপ্ট করা ট্রাফিকের বিশ্লেষণ

এটি ডিক্রিপ্ট না করে ট্রাফিক বিশ্লেষণের জন্য একটি সিস্টেম। এই পদ্ধতিটিকে সহজভাবে "মেশিন লার্নিং" বলা হয়। এটি প্রমাণিত হয়েছে যে যদি একটি বিশেষ শ্রেণিবদ্ধকারীর ইনপুটে বিভিন্ন ট্র্যাফিকের একটি খুব বড় ভলিউম খাওয়ানো হয়, তবে সিস্টেমটি এনক্রিপ্ট করা ট্র্যাফিকের অভ্যন্তরে দূষিত কোডের ক্রিয়াগুলিকে খুব উচ্চ মাত্রার সম্ভাবনার সাথে সনাক্ত করতে পারে।

অনলাইন হুমকি পরিবর্তিত হয়েছে এবং স্মার্ট হয়ে উঠেছে। সম্প্রতি আক্রমণ ও প্রতিরক্ষার ধারণাই বদলে গেছে। নেটওয়ার্কে ইভেন্টের সংখ্যা উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে। আক্রমণগুলি আরও পরিশীলিত হয়ে উঠেছে এবং হ্যাকারদের বিস্তৃত নাগাল রয়েছে৷

Cisco পরিসংখ্যান অনুসারে, গত এক বছরে, আক্রমণকারীরা তাদের কার্যকলাপের জন্য ব্যবহার করা ম্যালওয়্যারের সংখ্যা তিনগুণ বাড়িয়েছে, অথবা বরং, এনক্রিপশন লুকানোর জন্য। এটি তত্ত্ব থেকে জানা যায় যে "সঠিক" এনক্রিপশন অ্যালগরিদম ভাঙা যাবে না। এনক্রিপ্ট করা ট্র্যাফিকের ভিতরে কী লুকিয়ে আছে তা বোঝার জন্য, হয় চাবিটি জেনে এটিকে ডিক্রিপ্ট করতে হবে, বা বিভিন্ন কৌশল ব্যবহার করে এটিকে ডিক্রিপ্ট করার চেষ্টা করতে হবে, বা সরাসরি হ্যাকিং করতে হবে, বা ক্রিপ্টোগ্রাফিক প্রোটোকলগুলিতে কিছু ধরণের দুর্বলতা ব্যবহার করতে হবে।

আমাদের সময়ের নেটওয়ার্ক হুমকি একটি ছবি

মেশিন লার্নিং

ব্যক্তিগতভাবে প্রযুক্তি জানুন! মেশিন লার্নিং-ভিত্তিক ডিক্রিপশন প্রযুক্তি কীভাবে কাজ করে সে সম্পর্কে কথা বলার আগে, নিউরাল নেটওয়ার্ক প্রযুক্তি কীভাবে কাজ করে তা বোঝা দরকার।

মেশিন লার্নিং হল কৃত্রিম বুদ্ধিমত্তার একটি বিস্তৃত উপধারা যা শিখতে পারে এমন অ্যালগরিদম তৈরির পদ্ধতিগুলি অধ্যয়ন করে। এই বিজ্ঞানটি একটি কম্পিউটারকে "প্রশিক্ষণ" দেওয়ার জন্য গাণিতিক মডেল তৈরি করার লক্ষ্যে। শেখার উদ্দেশ্য হল কিছু ভবিষ্যদ্বাণী করা। মানুষের উপলব্ধিতে, আমরা এই প্রক্রিয়াটিকে শব্দ বলি "প্রজ্ঞা". জ্ঞান এমন লোকেদের মধ্যে নিজেকে প্রকাশ করে যারা দীর্ঘকাল ধরে বেঁচে আছে (একটি 2 বছর বয়সী শিশু জ্ঞানী হতে পারে না)। পরামর্শের জন্য সিনিয়র কমরেডদের কাছে যাওয়ার সময়, আমরা তাদের ঘটনা সম্পর্কে কিছু তথ্য (ইনপুট ডেটা) দেই এবং তাদের সাহায্যের জন্য জিজ্ঞাসা করি। তারা, ঘুরে, জীবনের সমস্ত পরিস্থিতি মনে রাখে যা কোনওভাবে আপনার সমস্যার সাথে সম্পর্কিত (জ্ঞানের ভিত্তি) এবং এই জ্ঞানের (ডেটা) উপর ভিত্তি করে, আমাদের এক ধরণের ভবিষ্যদ্বাণী (পরামর্শ) দেয়। এই ধরনের উপদেশকে ভবিষ্যদ্বাণী বলা শুরু হয় কারণ পরামর্শদাতা ব্যক্তি নিশ্চিতভাবে জানেন না যে কী ঘটবে, তবে শুধুমাত্র অনুমান করে। জীবনের অভিজ্ঞতা দেখায় যে একজন ব্যক্তি সঠিক হতে পারে, বা সে ভুল হতে পারে।

ব্রাঞ্চিং অ্যালগরিদমের সাথে আপনার নিউরাল নেটওয়ার্কের তুলনা করা উচিত নয় (যদি অন্যথায়)। এগুলি বিভিন্ন জিনিস এবং মূল পার্থক্য রয়েছে। ব্রাঞ্চিং অ্যালগরিদম কী করতে হবে তার একটি পরিষ্কার "বোঝাবুঝি" আছে। আমি উদাহরণ দিয়ে দেখাব।

টাস্ক। একটি গাড়ির তৈরি এবং উত্পাদন বছরের উপর ভিত্তি করে তার ব্রেকিং দূরত্ব নির্ধারণ করুন।

ব্রাঞ্চিং অ্যালগরিদমের একটি উদাহরণ। যদি একটি গাড়ি ব্র্যান্ড 1 হয় এবং 2012 সালে মুক্তি পায়, তাহলে তার ব্রেকিং দূরত্ব 10 মিটার, অন্যথায়, যদি গাড়িটি ব্র্যান্ড 2 হয় এবং 2011 সালে মুক্তি পায়, ইত্যাদি।

নিউরাল নেটওয়ার্কের উদাহরণ। আমরা গত 20 বছরে গাড়ির ব্রেকিং দূরত্বের ডেটা সংগ্রহ করি। মেক এবং ইয়ার অনুসারে, আমরা "মেক-ইয়ার অফ ম্যানুফ্যাকচার-ব্রেকিং ডিসটেন্স" ফর্মের একটি টেবিল কম্পাইল করি। আমরা এই টেবিলটি নিউরাল নেটওয়ার্কে ইস্যু করি এবং এটি শেখাতে শুরু করি। প্রশিক্ষণ নিম্নরূপ বাহিত হয়: আমরা নিউরাল নেটওয়ার্কে ডেটা ফিড করি, কিন্তু ব্রেকিং পাথ ছাড়াই। নিউরন এটিতে লোড করা টেবিলের উপর ভিত্তি করে ব্রেকিং দূরত্ব কী হবে তা ভবিষ্যদ্বাণী করার চেষ্টা করে। কিছু ভবিষ্যদ্বাণী করে এবং ব্যবহারকারীকে জিজ্ঞাসা করে "আমি কি ঠিক?" প্রশ্নের আগে, তিনি একটি চতুর্থ কলাম তৈরি করেন, অনুমান কলাম। যদি সে সঠিক হয়, তাহলে সে চতুর্থ কলামে 1 লেখে; যদি সে ভুল হয়, সে 0 লেখে। নিউরাল নেটওয়ার্ক পরবর্তী ইভেন্টে চলে যায় (যদিও এটি ভুল করে থাকে)। এইভাবে নেটওয়ার্ক শেখে এবং যখন প্রশিক্ষণ শেষ হয় (একটি নির্দিষ্ট অভিন্নতার মাপকাঠিতে পৌঁছে গেছে), আমরা যে গাড়িতে আগ্রহী সে সম্পর্কে ডেটা জমা দিই এবং অবশেষে একটি উত্তর পাই।

কনভারজেন্স মাপদণ্ড সম্পর্কে প্রশ্নটি সরাতে, আমি ব্যাখ্যা করব যে এটি পরিসংখ্যানের জন্য একটি গাণিতিকভাবে উদ্ভূত সূত্র। দুটি ভিন্ন অভিসারী সূত্রের একটি আকর্ষণীয় উদাহরণ। লাল – বাইনারি কনভারজেন্স, নীল – স্বাভাবিক কনভারজেন্স।

দ্বিপদ এবং স্বাভাবিক সম্ভাব্যতা বন্টন

এটি পরিষ্কার করার জন্য, প্রশ্নটি জিজ্ঞাসা করুন "ডাইনোসরের সাথে দেখা হওয়ার সম্ভাবনা কী?" এখানে 2টি সম্ভাব্য উত্তর আছে। বিকল্প 1 - খুব ছোট (নীল গ্রাফ)। বিকল্প 2 - হয় একটি মিটিং বা না (লাল গ্রাফ)।

অবশ্যই, একটি কম্পিউটার একজন ব্যক্তি নয় এবং এটি ভিন্নভাবে শেখে। লোহার ঘোড়া প্রশিক্ষণের 2 প্রকার রয়েছে: কেস-ভিত্তিক শিক্ষা и অনুমানমূলক শিক্ষা.

নজির দ্বারা শিক্ষাদান হল গাণিতিক আইন ব্যবহার করে শিক্ষাদানের একটি উপায়। গণিতবিদরা পরিসংখ্যান সারণী সংগ্রহ করেন, উপসংহার আঁকেন এবং ফলাফল নিউরাল নেটওয়ার্কে লোড করেন - গণনার একটি সূত্র।

ডিডাক্টিভ লার্নিং - শেখার সম্পূর্ণরূপে নিউরনে ঘটে (তথ্য সংগ্রহ থেকে তার বিশ্লেষণ পর্যন্ত)। এখানে একটি সূত্র ছাড়া একটি টেবিল গঠিত হয়, কিন্তু পরিসংখ্যান সহ।

প্রযুক্তির একটি বিস্তৃত ওভারভিউ আরও কয়েক ডজন নিবন্ধ গ্রহণ করবে। আপাতত, আমাদের সাধারণ বোঝার জন্য এটি যথেষ্ট হবে।

নিউরোপ্লাস্টিসিটি

জীববিজ্ঞানে এমন একটি ধারণা রয়েছে - নিউরোপ্লাস্টিসিটি। নিউরোপ্লাস্টিসিটি হল নিউরনের (মস্তিষ্কের কোষ) "পরিস্থিতি অনুযায়ী" কাজ করার ক্ষমতা। উদাহরণস্বরূপ, একজন ব্যক্তি যে তার দৃষ্টিশক্তি হারিয়েছে সে শব্দ, গন্ধ শোনে এবং বস্তুগুলি আরও ভালভাবে অনুভব করে। এটি এই কারণে ঘটে যে মস্তিষ্কের অংশ (নিউরনের অংশ) দৃষ্টির জন্য দায়ী তার কাজকে অন্যান্য কার্যকারিতার সাথে পুনরায় বিতরণ করে।

জীবনে নিউরোপ্লাস্টিসিটির একটি আকর্ষণীয় উদাহরণ হল ব্রেনপোর্ট ললিপপ।

2009 সালে, ম্যাডিসনের উইসকনসিন বিশ্ববিদ্যালয় একটি নতুন ডিভাইস প্রকাশের ঘোষণা করেছিল যা একটি "ভাষা প্রদর্শন" এর ধারণা তৈরি করেছিল - এটিকে ব্রেইনপোর্ট বলা হয়েছিল। BrainPort নিম্নলিখিত অ্যালগরিদম অনুযায়ী কাজ করে: ভিডিও সংকেত ক্যামেরা থেকে প্রসেসরে পাঠানো হয়, যা জুম, উজ্জ্বলতা এবং অন্যান্য ছবির পরামিতি নিয়ন্ত্রণ করে। এটি ডিজিটাল সংকেতকে বৈদ্যুতিক আবেগে রূপান্তরিত করে, মূলত রেটিনার কার্যকারিতা গ্রহণ করে।

চশমা এবং ক্যামেরা সহ ব্রেইনপোর্ট ললিপপ

কাজে ব্রেনপোর্ট

একটি কম্পিউটারের সাথে একই। যদি নিউরাল নেটওয়ার্ক প্রক্রিয়াটির পরিবর্তন অনুভব করে তবে এটি এটির সাথে খাপ খায়। অন্যান্য অ্যালগরিদম - স্বায়ত্তশাসনের তুলনায় এটি নিউরাল নেটওয়ার্কগুলির মূল সুবিধা। এক ধরনের মানবতা।

এনক্রিপ্ট করা ট্রাফিক বিশ্লেষণ

এনক্রিপ্ট করা ট্রাফিক অ্যানালিটিক্স স্টেলথওয়াচ সিস্টেমের অংশ। স্টিলথওয়াচ হল সিস্কোর সিকিউরিটি মনিটরিং এবং অ্যানালিটিক্স সলিউশনে প্রবেশ যা বিদ্যমান নেটওয়ার্ক অবকাঠামো থেকে এন্টারপ্রাইজ টেলিমেট্রি ডেটা ব্যবহার করে।

স্টিলথওয়াচ এন্টারপ্রাইজ ফ্লো রেট লাইসেন্স, ফ্লো কালেক্টর, ম্যানেজমেন্ট কনসোল এবং ফ্লো সেন্সর সরঞ্জামগুলির উপর ভিত্তি করে।

সিসকো স্টিলথওয়াচ ইন্টারফেস

অনেক বেশি ট্রাফিক এনক্রিপ্ট করা শুরু হওয়ার কারণে এনক্রিপশনের সমস্যাটি খুব তীব্র হয়ে উঠেছে। পূর্বে, শুধুমাত্র কোড এনক্রিপ্ট করা ছিল (বেশিরভাগ), কিন্তু এখন সমস্ত ট্র্যাফিক এনক্রিপ্ট করা হয়েছে এবং ভাইরাস থেকে "পরিষ্কার" ডেটা আলাদা করা অনেক বেশি কঠিন হয়ে পড়েছে। একটি আকর্ষণীয় উদাহরণ হল WannaCry, যেটি তার অনলাইন উপস্থিতি লুকানোর জন্য Tor ব্যবহার করেছিল।

নেটওয়ার্কে ট্রাফিক এনক্রিপশন বৃদ্ধির ভিজ্যুয়ালাইজেশন

সামষ্টিক অর্থনীতিতে এনক্রিপশন

এনক্রিপ্টেড ট্রাফিক অ্যানালিটিক্স (ETA) সিস্টেমটি ডিক্রিপ্ট না করে এনক্রিপ্ট করা ট্রাফিকের সাথে কাজ করার জন্য অবিকল প্রয়োজনীয়। আক্রমণকারীরা বুদ্ধিমান এবং ক্রিপ্টো-প্রতিরোধী এনক্রিপশন অ্যালগরিদম ব্যবহার করে, এবং তাদের ভাঙা শুধুমাত্র একটি সমস্যাই নয়, সংস্থাগুলির জন্য অত্যন্ত ব্যয়বহুলও।

সিস্টেমটি নিম্নরূপ কাজ করে। কিছু ট্রাফিক কোম্পানি আসে. এটি TLS (ট্রান্সপোর্ট লেয়ার সিকিউরিটি) এর মধ্যে পড়ে। ধরা যাক ট্রাফিক এনক্রিপ্ট করা হয়েছে। আমরা কি ধরনের সংযোগ তৈরি করা হয়েছিল সে সম্পর্কে বেশ কয়েকটি প্রশ্নের উত্তর দেওয়ার চেষ্টা করছি।

কিভাবে এনক্রিপ্টেড ট্রাফিক অ্যানালিটিক্স (ETA) সিস্টেম কাজ করে

এই প্রশ্নের উত্তর দিতে আমরা এই সিস্টেমে মেশিন লার্নিং ব্যবহার করি। Cisco থেকে গবেষণা নেওয়া হয় এবং এই অধ্যয়নের উপর ভিত্তি করে 2টি ফলাফল থেকে একটি টেবিল তৈরি করা হয় - দূষিত এবং "ভাল" ট্র্যাফিক৷ অবশ্যই, আমরা নিশ্চিতভাবে জানি না যে কোন ধরণের ট্র্যাফিক সময়মতো বর্তমান মুহূর্তে সিস্টেমে সরাসরি প্রবেশ করেছে, তবে আমরা বিশ্ব মঞ্চ থেকে ডেটা ব্যবহার করে কোম্পানির ভিতরে এবং বাইরে উভয় ট্র্যাফিকের ইতিহাস ট্রেস করতে পারি। এই পর্যায়ের শেষে, আমরা ডেটা সহ একটি বিশাল টেবিল পাই।

অধ্যয়নের ফলাফলের উপর ভিত্তি করে, চরিত্রগত বৈশিষ্ট্যগুলি চিহ্নিত করা হয় - নির্দিষ্ট নিয়ম যা গাণিতিক আকারে লেখা যেতে পারে। এই নিয়মগুলি বিভিন্ন মানদণ্ডের উপর নির্ভর করে ব্যাপকভাবে পরিবর্তিত হবে - স্থানান্তরিত ফাইলের আকার, সংযোগের ধরন, যে দেশ থেকে এই ট্র্যাফিক আসে ইত্যাদি। কাজের ফলস্বরূপ, বিশাল টেবিলটি ফর্মুলার স্তুপের সেটে পরিণত হয়েছিল। তাদের মধ্যে কম আছে, কিন্তু এটি আরামদায়ক কাজের জন্য যথেষ্ট নয়।

এরপরে, মেশিন লার্নিং প্রযুক্তি প্রয়োগ করা হয় - ফর্মুলা কনভারজেন্স এবং কনভারজেন্সের ফলাফলের উপর ভিত্তি করে আমরা একটি ট্রিগার পাই - একটি সুইচ, যেখানে ডেটা আউটপুট হলে আমরা উত্থিত বা নিচু অবস্থানে একটি সুইচ (পতাকা) পাই।

ফলস্বরূপ পর্যায়টি ট্রিগারগুলির একটি সেট প্রাপ্ত করছে যা 99% ট্র্যাফিক কভার করে।

ETA-তে ট্রাফিক পরিদর্শন পদক্ষেপ

কাজের ফলস্বরূপ, আরেকটি সমস্যা সমাধান করা হয় - ভিতর থেকে একটি আক্রমণ। মাঝখানে থাকা লোকেদের ম্যানুয়ালি ট্রাফিক ফিল্টার করার প্রয়োজন নেই (আমি এই মুহুর্তে নিজেকে ডুবিয়ে দিচ্ছি)। প্রথমত, আপনাকে আর একজন দক্ষ সিস্টেম অ্যাডমিনিস্ট্রেটরের জন্য প্রচুর অর্থ ব্যয় করতে হবে না (আমি নিজেকে ডুবিয়ে রাখছি)। দ্বিতীয়ত, ভিতর থেকে (অন্তত আংশিকভাবে) হ্যাকিংয়ের কোনো আশঙ্কা নেই।

পুরানো ম্যান-ইন-দ্য-মিডল ধারণা

এখন, সিস্টেমটি কিসের উপর ভিত্তি করে তা বের করা যাক।

সিস্টেমটি 4টি যোগাযোগ প্রোটোকলের উপর কাজ করে: TCP/IP – ইন্টারনেট ডেটা ট্রান্সফার প্রোটোকল, DNS – ডোমেইন নেম সার্ভার, TLS – ট্রান্সপোর্ট লেয়ার সিকিউরিটি প্রোটোকল, SPLT (স্পেসওয়্যার ফিজিক্যাল লেয়ার টেস্টার) – ফিজিক্যাল কমিউনিকেশন লেয়ার টেস্টার।

ETA এর সাথে কাজ করা প্রোটোকল

তুলনা করা হয় ডেটা তুলনা করে। TCP/IP প্রোটোকল ব্যবহার করে, সাইটের খ্যাতি পরীক্ষা করা হয় (ভিজিট হিস্ট্রি, সাইট তৈরির উদ্দেশ্য ইত্যাদি), DNS প্রোটোকলের জন্য ধন্যবাদ, আমরা "খারাপ" সাইটের ঠিকানা বাতিল করতে পারি। TLS প্রোটোকল একটি সাইটের আঙ্গুলের ছাপের সাথে কাজ করে এবং একটি কম্পিউটার জরুরী প্রতিক্রিয়া দলের (শংসাপত্র) বিরুদ্ধে সাইটটিকে যাচাই করে। সংযোগ পরীক্ষা করার শেষ ধাপ হল শারীরিক স্তরে পরীক্ষা করা। এই পর্যায়ের বিশদ বিবরণ নির্দিষ্ট করা হয়নি, তবে বিন্দুটি নিম্নরূপ: অসিলোগ্রাফিক ইনস্টলেশনে ডেটা ট্রান্সমিশন কার্ভের সাইন এবং কোসাইন বক্ররেখা পরীক্ষা করা, যেমন ভৌত স্তরে অনুরোধের কাঠামোর জন্য ধন্যবাদ, আমরা সংযোগের উদ্দেশ্য নির্ধারণ করি।

সিস্টেমের অপারেশনের ফলে, আমরা এনক্রিপ্ট করা ট্রাফিক থেকে ডেটা পেতে পারি। প্যাকেট পরীক্ষা করে, আমরা প্যাকেটের মধ্যেই এনক্রিপ্ট করা ক্ষেত্রগুলি থেকে যতটা সম্ভব তথ্য পড়তে পারি। ভৌত স্তরে প্যাকেট পরিদর্শন করে, আমরা প্যাকেটের বৈশিষ্ট্যগুলি (আংশিক বা সম্পূর্ণ) খুঁজে পাই। এছাড়াও, সাইটের খ্যাতি সম্পর্কে ভুলবেন না. যদি অনুরোধটি কিছু পেঁয়াজের উত্স থেকে আসে তবে আপনার এটি বিশ্বাস করা উচিত নয়। এই ধরণের ডেটা নিয়ে কাজ করা সহজ করার জন্য, একটি ঝুঁকি মানচিত্র তৈরি করা হয়েছে।

ETA এর কাজের ফলাফল

এবং সবকিছু ঠিক আছে বলে মনে হচ্ছে, তবে আসুন নেটওয়ার্ক স্থাপনা সম্পর্কে কথা বলি।

ETA এর শারীরিক বাস্তবায়ন

এখানে বেশ কয়েকটি সূক্ষ্মতা এবং সূক্ষ্মতা দেখা দেয়। প্রথমত, এই ধরনের তৈরি করার সময়
উচ্চ-স্তরের সফ্টওয়্যার সহ নেটওয়ার্ক, তথ্য সংগ্রহ প্রয়োজন। সম্পূর্ণরূপে ম্যানুয়ালি ডেটা সংগ্রহ করুন
বন্য, কিন্তু একটি প্রতিক্রিয়া সিস্টেম বাস্তবায়ন ইতিমধ্যে আরো আকর্ষণীয়. দ্বিতীয়ত, ডেটা
অনেক কিছু থাকা উচিত, যার মানে ইনস্টল করা নেটওয়ার্ক সেন্সর অবশ্যই কাজ করবে
শুধুমাত্র স্বায়ত্তশাসিতভাবে নয়, একটি সূক্ষ্মভাবে সুর করা মোডেও, যা অনেকগুলি অসুবিধা তৈরি করে।

সেন্সর এবং স্টিলথওয়াচ সিস্টেম

একটি সেন্সর ইনস্টল করা এক জিনিস, কিন্তু এটি সেট আপ করা সম্পূর্ণ ভিন্ন কাজ। সেন্সর কনফিগার করার জন্য, একটি কমপ্লেক্স রয়েছে যা নিম্নলিখিত টপোলজি অনুযায়ী কাজ করে - ISR = Cisco ইন্টিগ্রেটেড সার্ভিসেস রাউটার; ASR = Cisco Aggregation Services Router; CSR = সিসকো ক্লাউড সার্ভিসেস রাউটার; WLC = সিসকো ওয়্যারলেস ল্যান কন্ট্রোলার; IE = সিসকো ইন্ডাস্ট্রিয়াল ইথারনেট সুইচ; ASA = সিসকো অ্যাডাপটিভ সিকিউরিটি অ্যাপ্লায়েন্স; FTD = Cisco Firepower Threat Defence Solution; WSA = ওয়েব সিকিউরিটি অ্যাপ্লায়েন্স; ISE = আইডেন্টিটি সার্ভিস ইঞ্জিন

যেকোনো টেলিমেট্রিক ডেটা বিবেচনায় নিয়ে ব্যাপক পর্যবেক্ষণ

নেটওয়ার্ক অ্যাডমিনিস্ট্রেটররা আগের অনুচ্ছেদে "সিসকো" শব্দের সংখ্যা থেকে অ্যারিথমিয়া অনুভব করতে শুরু করে। এই অলৌকিক ঘটনার দাম কম নয়, তবে আজকে আমরা যা বলছি তা নয়...

হ্যাকারের আচরণ নিম্নরূপ মডেল করা হবে. স্টিলথওয়াচ নেটওয়ার্কের প্রতিটি ডিভাইসের কার্যকলাপ সতর্কতার সাথে নিরীক্ষণ করে এবং স্বাভাবিক আচরণের একটি প্যাটার্ন তৈরি করতে সক্ষম। অতিরিক্তভাবে, এই সমাধানটি পরিচিত অনুপযুক্ত আচরণের গভীর অন্তর্দৃষ্টি প্রদান করে। সমাধানটি প্রায় 100টি ভিন্ন বিশ্লেষণ অ্যালগরিদম বা হিউরিস্টিক ব্যবহার করে যা বিভিন্ন ধরণের ট্র্যাফিক আচরণ যেমন স্ক্যানিং, হোস্ট অ্যালার্ম ফ্রেম, ব্রুট-ফোর্স লগইন, সন্দেহজনক ডেটা ক্যাপচার, সন্দেহজনক ডেটা লিকেজ ইত্যাদির সমাধান করে। তালিকাভুক্ত নিরাপত্তা ইভেন্টগুলি উচ্চ-স্তরের লজিক্যাল অ্যালার্মের বিভাগে পড়ে৷ কিছু নিরাপত্তা ইভেন্ট নিজে থেকেই একটি অ্যালার্ম ট্রিগার করতে পারে। এইভাবে, সিস্টেমটি একাধিক বিচ্ছিন্ন অস্বাভাবিক ঘটনাগুলিকে পারস্পরিক সম্পর্ক স্থাপন করতে সক্ষম হয় এবং সম্ভাব্য প্রকারের আক্রমণ নির্ধারণ করতে এবং সেইসাথে এটি একটি নির্দিষ্ট ডিভাইস এবং ব্যবহারকারীর সাথে লিঙ্ক করতে সক্ষম হয় (চিত্র 2)। ভবিষ্যতে, ঘটনাটি সময়ের সাথে অধ্যয়ন করা যেতে পারে এবং সংশ্লিষ্ট টেলিমেট্রি ডেটা বিবেচনা করে। এটি সর্বোত্তমভাবে প্রাসঙ্গিক তথ্য গঠন করে। কী ভুল তা বোঝার জন্য একজন রোগীকে পরীক্ষা করা ডাক্তাররা বিচ্ছিন্নভাবে লক্ষণগুলি দেখেন না। তারা একটি নির্ণয় করতে বড় ছবি তাকান. একইভাবে, স্টিলথওয়াচ নেটওয়ার্কের প্রতিটি অস্বাভাবিক কার্যকলাপ ক্যাপচার করে এবং প্রসঙ্গ-সচেতন অ্যালার্ম পাঠানোর জন্য এটিকে সামগ্রিকভাবে পরীক্ষা করে, যার ফলে নিরাপত্তা পেশাদারদের ঝুঁকিকে অগ্রাধিকার দিতে সহায়তা করে।

আচরণ মডেলিং ব্যবহার করে অসঙ্গতি সনাক্তকরণ

নেটওয়ার্কের শারীরিক স্থাপনা এই মত দেখায়:

শাখা নেটওয়ার্ক স্থাপনার বিকল্প (সরলীকৃত)

শাখা নেটওয়ার্ক স্থাপনার বিকল্প

নেটওয়ার্ক স্থাপন করা হয়েছে, কিন্তু নিউরন সম্পর্কে প্রশ্ন উন্মুক্ত থাকে। তারা একটি ডেটা ট্রান্সমিশন নেটওয়ার্ক সংগঠিত করেছে, থ্রেশহোল্ডে সেন্সর ইনস্টল করেছে এবং একটি তথ্য সংগ্রহের সিস্টেম চালু করেছে, কিন্তু নিউরন বিষয়টিতে অংশ নেয়নি। বিদায়।

মাল্টিলেয়ার নিউরাল নেটওয়ার্ক

সিস্টেমটি দূষিত সংক্রমণ, কমান্ড এবং নিয়ন্ত্রণ সার্ভারের সাথে যোগাযোগ, ডেটা ফাঁস এবং সংস্থার পরিকাঠামোতে চলমান সম্ভাব্য অবাঞ্ছিত অ্যাপ্লিকেশনগুলি সনাক্ত করতে ব্যবহারকারী এবং ডিভাইসের আচরণ বিশ্লেষণ করে। ডেটা প্রসেসিংয়ের একাধিক স্তর রয়েছে যেখানে কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং এবং গাণিতিক পরিসংখ্যান কৌশলগুলির সংমিশ্রণ নেটওয়ার্ককে তার স্বাভাবিক ক্রিয়াকলাপ স্ব-শিখতে সাহায্য করে যাতে এটি ক্ষতিকারক কার্যকলাপ সনাক্ত করতে পারে।

নেটওয়ার্ক নিরাপত্তা বিশ্লেষণ পাইপলাইন, যা এনক্রিপ্ট করা ট্র্যাফিক সহ বর্ধিত নেটওয়ার্কের সমস্ত অংশ থেকে টেলিমেট্রি ডেটা সংগ্রহ করে, স্টিলথওয়াচের একটি অনন্য বৈশিষ্ট্য। এটি ক্রমবর্ধমানভাবে "অসামান্য" কী তা বোঝার বিকাশ করে, তারপরে "হুমকি কার্যকলাপ" এর প্রকৃত পৃথক উপাদানগুলিকে শ্রেণীবদ্ধ করে এবং অবশেষে ডিভাইস বা ব্যবহারকারীর সাথে আসলেই আপস করা হয়েছে কিনা সে সম্পর্কে একটি চূড়ান্ত রায় দেয়। একটি সম্পদের সাথে আপোস করা হয়েছে কিনা সে সম্পর্কে চূড়ান্ত সিদ্ধান্ত নেওয়ার জন্য প্রমাণ তৈরি করে এমন ছোট ছোট টুকরোগুলিকে একত্রিত করার ক্ষমতা অত্যন্ত সতর্কতার সাথে বিশ্লেষণ এবং পারস্পরিক সম্পর্কের মাধ্যমে আসে।

এই ক্ষমতাটি গুরুত্বপূর্ণ কারণ একটি সাধারণ ব্যবসা প্রতিদিন প্রচুর সংখ্যক অ্যালার্ম পেতে পারে, এবং নিরাপত্তা পেশাদারদের সীমিত সংস্থান থাকার কারণে প্রতিটির তদন্ত করা অসম্ভব। মেশিন লার্নিং মডিউল উচ্চ স্তরের আত্মবিশ্বাসের সাথে গুরুতর ঘটনাগুলি সনাক্ত করতে কাছাকাছি রিয়েল-টাইমে প্রচুর পরিমাণে তথ্য প্রক্রিয়া করে এবং দ্রুত সমাধানের জন্য স্পষ্ট পদক্ষেপ প্রদান করতে সক্ষম।

স্টিলথওয়াচ দ্বারা ব্যবহৃত অসংখ্য মেশিন লার্নিং কৌশলগুলিকে ঘনিষ্ঠভাবে দেখে নেওয়া যাক। যখন একটি ঘটনা স্টিলথওয়াচের মেশিন লার্নিং ইঞ্জিনে জমা দেওয়া হয়, তখন এটি একটি নিরাপত্তা বিশ্লেষণ ফানেলের মধ্য দিয়ে যায় যা তত্ত্বাবধান করা এবং তত্ত্বাবধানহীন মেশিন লার্নিং কৌশলগুলির সংমিশ্রণ ব্যবহার করে।

মাল্টি-লেভেল মেশিন লার্নিং ক্ষমতা

স্তর 1. অসঙ্গতি সনাক্তকরণ এবং বিশ্বাস মডেলিং

এই স্তরে, পরিসংখ্যানগত অসংগতি ডিটেক্টর ব্যবহার করে 99% ট্রাফিক বাতিল করা হয়। এই সেন্সরগুলি একসাথে জটিল মডেল তৈরি করে যা স্বাভাবিক এবং কোনটি, বিপরীতে, অস্বাভাবিক। তবে, অস্বাভাবিক অগত্যা ক্ষতিকারক নয়। আপনার নেটওয়ার্কে যা ঘটছে তার অনেক কিছুর সাথে হুমকির কোনো সম্পর্ক নেই—এটি কেবল অদ্ভুত। হুমকিমূলক আচরণ বিবেচনা না করে এই ধরনের প্রক্রিয়াগুলিকে শ্রেণীবদ্ধ করা গুরুত্বপূর্ণ। এই কারণে, এই ধরনের ডিটেক্টরগুলির ফলাফলগুলিকে ব্যাখ্যা করা এবং বিশ্বাস করা যায় এমন অদ্ভুত আচরণ ক্যাপচার করার জন্য আরও বিশ্লেষণ করা হয়। শেষ পর্যন্ত, সবচেয়ে গুরুত্বপূর্ণ থ্রেড এবং অনুরোধগুলির একটি ছোট ভগ্নাংশই এটিকে 2 এবং 3 স্তরে পরিণত করে৷ এই ধরনের মেশিন লার্নিং কৌশল ব্যবহার না করে, গোলমাল থেকে সংকেত আলাদা করার অপারেশনাল খরচ খুব বেশি হবে।

অসঙ্গতি সনাক্তকরণ। অসামঞ্জস্যতা সনাক্তকরণের প্রথম ধাপটি পরিসংখ্যানগতভাবে স্বাভাবিক ট্র্যাফিককে অস্বাভাবিক ট্র্যাফিক থেকে আলাদা করতে পরিসংখ্যানগত মেশিন লার্নিং কৌশল ব্যবহার করে। 70 টিরও বেশি পৃথক ডিটেক্টর টেলিমেট্রি ডেটা স্টিলথওয়াচ সংগ্রহ করে যা আপনার নেটওয়ার্ক পরিধির মধ্য দিয়ে যায়, অভ্যন্তরীণ ডোমেন নেম সিস্টেম (DNS) ট্র্যাফিককে প্রক্সি সার্ভার ডেটা থেকে আলাদা করে, যদি থাকে। প্রতিটি অনুরোধ 70 টিরও বেশি ডিটেক্টর দ্বারা প্রক্রিয়া করা হয়, প্রতিটি ডিটেক্টর তার নিজস্ব পরিসংখ্যানগত অ্যালগরিদম ব্যবহার করে সনাক্ত করা অসামঞ্জস্যগুলির একটি মূল্যায়ন তৈরি করে৷ এই স্কোরগুলিকে একত্রিত করা হয় এবং প্রতিটি পৃথক প্রশ্নের জন্য একটি একক স্কোর তৈরি করতে একাধিক পরিসংখ্যান পদ্ধতি ব্যবহার করা হয়। এই সমষ্টিগত স্কোর তারপর স্বাভাবিক এবং অস্বাভাবিক ট্র্যাফিক আলাদা করতে ব্যবহার করা হয়।

মডেলিং বিশ্বাস. এরপরে, অনুরূপ অনুরোধগুলিকে গোষ্ঠীভুক্ত করা হয় এবং এই ধরনের গোষ্ঠীগুলির জন্য সামগ্রিক অসঙ্গতি স্কোর দীর্ঘমেয়াদী গড় হিসাবে নির্ধারিত হয়। সময়ের সাথে সাথে, দীর্ঘমেয়াদী গড় নির্ধারণের জন্য আরও প্রশ্ন বিশ্লেষণ করা হয়, যার ফলে মিথ্যা ইতিবাচক এবং মিথ্যা নেতিবাচকগুলি হ্রাস পায়। ট্রাস্ট মডেলিং ফলাফলগুলি ট্র্যাফিকের একটি উপসেট নির্বাচন করতে ব্যবহৃত হয় যার অসঙ্গতি স্কোর পরবর্তী প্রক্রিয়াকরণ স্তরে যাওয়ার জন্য কিছু গতিশীলভাবে নির্ধারিত থ্রেশহোল্ড অতিক্রম করে।

স্তর 2. ইভেন্ট শ্রেণীবিভাগ এবং অবজেক্ট মডেলিং

এই স্তরে, পূর্ববর্তী পর্যায়ে প্রাপ্ত ফলাফলগুলিকে শ্রেণীবদ্ধ করা হয় এবং নির্দিষ্ট দূষিত ইভেন্টগুলিতে বরাদ্দ করা হয়। মেশিন লার্নিং ক্লাসিফায়ারদের দ্বারা নির্ধারিত মানের উপর ভিত্তি করে ইভেন্টগুলিকে শ্রেণীবদ্ধ করা হয় যাতে 90% এর উপরে সুসংগত নির্ভুলতা নিশ্চিত করা যায়। তাদের মধ্যে:

• নেইম্যান-পিয়ারসন লেমার উপর ভিত্তি করে রৈখিক মডেল (নিবন্ধের শুরুতে গ্রাফ থেকে স্বাভাবিক বন্টনের নিয়ম)
• মাল্টিভেরিয়েট লার্নিং ব্যবহার করে ভেক্টর মেশিন সমর্থন করে
• নিউরাল নেটওয়ার্ক এবং র্যান্ডম ফরেস্ট অ্যালগরিদম।

এই বিচ্ছিন্ন নিরাপত্তা ইভেন্টগুলি সময়ের সাথে সাথে একটি একক শেষ পয়েন্টের সাথে যুক্ত হয়। এই পর্যায়েই একটি হুমকির বিবরণ তৈরি করা হয়, যার উপর ভিত্তি করে একটি সম্পূর্ণ চিত্র তৈরি করা হয় যে কীভাবে প্রাসঙ্গিক আক্রমণকারী নির্দিষ্ট ফলাফল অর্জন করতে পেরেছিল।

ঘটনার শ্রেণীবিভাগ। পূর্ববর্তী স্তর থেকে পরিসংখ্যানগতভাবে অস্বাভাবিক উপসেটটি শ্রেণীবিভাগ ব্যবহার করে 100 বা তার বেশি বিভাগে বিতরণ করা হয়। বেশিরভাগ শ্রেণীবিভাগ স্বতন্ত্র আচরণ, গোষ্ঠী সম্পর্ক, বা বিশ্ব বা স্থানীয় স্কেলে আচরণের উপর ভিত্তি করে, অন্যরা বেশ নির্দিষ্ট হতে পারে। উদাহরণস্বরূপ, ক্লাসিফায়ার C&C ট্র্যাফিক, একটি সন্দেহজনক এক্সটেনশন, বা একটি অননুমোদিত সফ্টওয়্যার আপডেট নির্দেশ করতে পারে। এই পর্যায়ের ফলাফলের উপর ভিত্তি করে, নিরাপত্তা ব্যবস্থার অস্বাভাবিক ঘটনাগুলির একটি সেট, নির্দিষ্ট বিভাগে শ্রেণীবদ্ধ করা হয়।

অবজেক্ট মডেলিং। যদি অনুমানকে সমর্থনকারী প্রমাণের পরিমাণ যে একটি নির্দিষ্ট বস্তু ক্ষতিকারক তা বস্তুগত থ্রেশহোল্ড অতিক্রম করে, একটি হুমকি নির্ধারিত হয়। প্রাসঙ্গিক ঘটনা যা হুমকির সংজ্ঞাকে প্রভাবিত করেছে সেগুলি এই ধরনের হুমকির সাথে যুক্ত এবং বস্তুর একটি পৃথক দীর্ঘমেয়াদী মডেলের অংশ হয়ে ওঠে। সময়ের সাথে প্রমাণ জমা হওয়ার সাথে সাথে, বস্তুগত থ্রেশহোল্ডে পৌঁছে গেলে সিস্টেমটি নতুন হুমকি সনাক্ত করে। এই থ্রেশহোল্ড মানটি গতিশীল এবং হুমকির ঝুঁকির স্তর এবং অন্যান্য কারণের উপর ভিত্তি করে বুদ্ধিমানের সাথে সামঞ্জস্য করা হয়। এর পরে, হুমকিটি ওয়েব ইন্টারফেসের তথ্য প্যানেলে উপস্থিত হয় এবং পরবর্তী স্তরে স্থানান্তরিত হয়।

লেভেল 3। রিলেশনশিপ মডেলিং

রিলেশনশিপ মডেলিং এর উদ্দেশ্য হল প্রাসঙ্গিক ঘটনার শুধুমাত্র স্থানীয় নয়, বৈশ্বিক প্রেক্ষাপটকেও বিবেচনায় রেখে বৈশ্বিক দৃষ্টিকোণ থেকে পূর্ববর্তী স্তরে প্রাপ্ত ফলাফলগুলিকে সংশ্লেষিত করা। এই পর্যায়ে আপনি নির্ধারণ করতে পারেন যে কতগুলি সংস্থা এই ধরনের আক্রমণের সম্মুখীন হয়েছে তা বোঝার জন্য এটি বিশেষভাবে আপনার লক্ষ্য ছিল বা একটি বিশ্বব্যাপী প্রচারণার অংশ ছিল এবং আপনি ধরা পড়েছেন।

ঘটনা নিশ্চিত বা আবিষ্কৃত হয়. একটি যাচাইকৃত ঘটনা 99 থেকে 100% আত্মবিশ্বাসকে বোঝায় কারণ এর সাথে সম্পর্কিত কৌশল এবং সরঞ্জামগুলি পূর্বে একটি বৃহত্তর (বৈশ্বিক) স্কেলে কাজ করে দেখা গেছে। শনাক্ত হওয়া ঘটনাগুলি আপনার জন্য অনন্য এবং একটি অত্যন্ত লক্ষ্যযুক্ত প্রচারাভিযানের অংশ গঠন করে৷ অতীতের ফলাফলগুলি একটি পরিচিত কর্মের সাথে ভাগ করা হয়, প্রতিক্রিয়া হিসাবে আপনার সময় এবং সংস্থানগুলি সাশ্রয় করে৷ কে আপনাকে আক্রমণ করেছে এবং প্রচারটি আপনার ডিজিটাল ব্যবসাকে কতটা লক্ষ্যবস্তু করেছে তা বোঝার জন্য তারা অনুসন্ধানী সরঞ্জামগুলির সাথে আসে। আপনি যেমন কল্পনা করতে পারেন, নিশ্চিত হওয়া ঘটনার সংখ্যা শনাক্ত হওয়া সংখ্যাকে ছাড়িয়ে গেছে এই সহজ কারণের জন্য যে নিশ্চিত হওয়া ঘটনাগুলি আক্রমণকারীদের জন্য খুব বেশি খরচ করে না, যদিও সনাক্ত করা ঘটনাগুলি করে।
ব্যয়বহুল কারণ তাদের নতুন এবং কাস্টমাইজড হতে হবে। নিশ্চিত ঘটনা শনাক্ত করার ক্ষমতা তৈরি করে, গেমের অর্থনীতি অবশেষে ডিফেন্ডারদের পক্ষে চলে গেছে, তাদের একটি স্বতন্ত্র সুবিধা দিয়েছে।

ETA ভিত্তিক একটি নিউরাল সংযোগ সিস্টেমের মাল্টি-লেভেল প্রশিক্ষণ

বিশ্বব্যাপী ঝুঁকি মানচিত্র

বৈশ্বিক ঝুঁকি মানচিত্রটি শিল্পে তার ধরণের বৃহত্তম ডেটাসেটে মেশিন লার্নিং অ্যালগরিদম দ্বারা প্রয়োগ করা বিশ্লেষণের মাধ্যমে তৈরি করা হয়েছে। এটি ইন্টারনেটে সার্ভার সম্পর্কিত বিস্তৃত আচরণগত পরিসংখ্যান প্রদান করে, এমনকি যদি সেগুলি অজানা থাকে। এই ধরনের সার্ভারগুলি আক্রমণের সাথে যুক্ত এবং ভবিষ্যতে আক্রমণের অংশ হিসাবে জড়িত বা ব্যবহৃত হতে পারে। এটি একটি "কালো তালিকা" নয়, তবে নিরাপত্তার দৃষ্টিকোণ থেকে প্রশ্নবিদ্ধ সার্ভারের একটি বিস্তৃত ছবি৷ এই সার্ভারগুলির কার্যকলাপ সম্পর্কে এই প্রাসঙ্গিক তথ্য স্টিলথওয়াচের মেশিন লার্নিং ডিটেক্টর এবং ক্লাসিফায়ারগুলিকে এই ধরনের সার্ভারগুলির সাথে যোগাযোগের সাথে সম্পর্কিত ঝুঁকির স্তরের সঠিকভাবে পূর্বাভাস দিতে দেয়৷

আপনি উপলব্ধ কার্ড দেখতে পারেন এখানে.

বিশ্বের মানচিত্র 460 মিলিয়ন আইপি ঠিকানা দেখাচ্ছে

এখন নেটওয়ার্ক শিখেছে এবং আপনার নেটওয়ার্ককে রক্ষা করতে দাঁড়ায়।

অবশেষে কি কোন প্রতিষেধক পাওয়া গেল?

দুর্ভাগ্যবশত, না. সিস্টেমের সাথে কাজ করার অভিজ্ঞতা থেকে, আমি বলতে পারি যে 2টি বিশ্বব্যাপী সমস্যা রয়েছে।

সমস্যা 1. মূল্য। পুরো নেটওয়ার্কটি একটি সিসকো সিস্টেমে স্থাপন করা হয়। এটি ভাল এবং খারাপ উভয়ই। ভাল দিক হল যে আপনাকে বিরক্ত করতে হবে না এবং একগুচ্ছ প্লাগ যেমন ডি-লিঙ্ক, মিক্রোটিক ইত্যাদি ইনস্টল করতে হবে না। খারাপ দিক হল সিস্টেমের বিশাল খরচ। রাশিয়ান ব্যবসার অর্থনৈতিক অবস্থা বিবেচনা করে, বর্তমান সময়ে শুধুমাত্র একটি বড় কোম্পানি বা ব্যাঙ্কের একজন ধনী মালিক এই অলৌকিক ঘটনাটি বহন করতে পারে।

সমস্যা 2: প্রশিক্ষণ। আমি নিবন্ধে নিউরাল নেটওয়ার্কের প্রশিক্ষণের সময়কাল লিখিনি, তবে এটির অস্তিত্ব নেই বলে নয়, তবে কারণ এটি সর্বদা শিখছে এবং কখন এটি শিখবে তা আমরা ভবিষ্যদ্বাণী করতে পারি না। অবশ্যই, গাণিতিক পরিসংখ্যানের সরঞ্জাম রয়েছে (পিয়ারসন কনভারজেন্স মানদণ্ডের একই সূত্র ধরুন), তবে এগুলি অর্ধেক পরিমাপ। আমরা ট্র্যাফিক ফিল্টার করার সম্ভাবনা পাই, এবং তারপরেও শুধুমাত্র এই শর্তে যে আক্রমণটি ইতিমধ্যেই আয়ত্ত করা হয়েছে এবং জানা গেছে।

এই 2টি সমস্যা থাকা সত্ত্বেও, আমরা সাধারণভাবে তথ্য সুরক্ষা এবং বিশেষ করে নেটওয়ার্ক সুরক্ষার উন্নয়নে একটি বড় উল্লম্ফন করেছি। এই সত্যটি নেটওয়ার্ক প্রযুক্তি এবং নিউরাল নেটওয়ার্কগুলির অধ্যয়নের জন্য অনুপ্রাণিত হতে পারে, যা এখন একটি খুব প্রতিশ্রুতিশীল দিক।

উত্স: www.habr.com