એન્ક્રિપ્ટેડ ટ્રાફિકને ડિક્રિપ્ટ કર્યા વિના તેનું વિશ્લેષણ

ટ્રાફિકને ડિક્રિપ્ટ કર્યા વિના તેનું વિશ્લેષણ કરવા માટેની સિસ્ટમ. આ પદ્ધતિને ફક્ત "મશીન લર્નિંગ" કહેવામાં આવે છે. તે બહાર આવ્યું છે કે જો વિવિધ ટ્રાફિકના ખૂબ મોટા જથ્થાને વિશિષ્ટ ક્લાસિફાયરના ઇનપુટ પર ખવડાવવામાં આવે છે, તો સિસ્ટમ ખૂબ જ ઉચ્ચ સંભાવના સાથે એન્ક્રિપ્ટેડ ટ્રાફિકની અંદર દૂષિત કોડની ક્રિયાઓ શોધી શકે છે.

ઑનલાઇન ધમકીઓ બદલાઈ ગઈ છે અને વધુ સ્માર્ટ બની ગઈ છે. તાજેતરમાં, હુમલો અને સંરક્ષણનો ખ્યાલ બદલાઈ ગયો છે. નેટવર્ક પર ઇવેન્ટ્સની સંખ્યામાં નોંધપાત્ર વધારો થયો છે. હુમલાઓ વધુ અત્યાધુનિક બની ગયા છે અને હેકર્સની વિશાળ પહોંચ છે.

સિસ્કોના આંકડા અનુસાર, પાછલા વર્ષમાં, હુમલાખોરોએ તેમની પ્રવૃત્તિઓ માટે ઉપયોગ કરતા માલવેરની સંખ્યામાં ત્રણ ગણો વધારો કર્યો છે, અથવા તેના બદલે, તેમને છુપાવવા માટે એન્ક્રિપ્શન. તે સિદ્ધાંત પરથી જાણીતું છે કે "સાચો" એન્ક્રિપ્શન અલ્ગોરિધમ તોડી શકાતો નથી. એન્ક્રિપ્ટેડ ટ્રાફિકની અંદર શું છુપાયેલું છે તે સમજવા માટે, કીને જાણીને તેને ડિક્રિપ્ટ કરવું જરૂરી છે, અથવા વિવિધ યુક્તિઓનો ઉપયોગ કરીને તેને ડિક્રિપ્ટ કરવાનો પ્રયાસ કરવો, અથવા સીધા હેકિંગ અથવા ક્રિપ્ટોગ્રાફિક પ્રોટોકોલમાં અમુક પ્રકારની નબળાઈઓનો ઉપયોગ કરવો જરૂરી છે.

અમારા સમયના નેટવર્ક ધમકીઓનું ચિત્ર

મશીન લર્નિંગ

વ્યક્તિગત રીતે ટેકનોલોજી જાણો! મશીન લર્નિંગ-આધારિત ડિક્રિપ્શન ટેક્નોલોજી પોતે કેવી રીતે કાર્ય કરે છે તે વિશે વાત કરતા પહેલા, ન્યુરલ નેટવર્ક તકનીક કેવી રીતે કાર્ય કરે છે તે સમજવું જરૂરી છે.

મશીન લર્નિંગ એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનો એક વ્યાપક પેટાવિભાગ છે જે શીખી શકે તેવા અલ્ગોરિધમ્સ બનાવવા માટેની પદ્ધતિઓનો અભ્યાસ કરે છે. આ વિજ્ઞાનનો હેતુ કોમ્પ્યુટરને "તાલીમ" આપવા માટે ગાણિતિક મોડલ બનાવવાનો છે. શીખવાનો હેતુ કંઈક આગાહી કરવાનો છે. માનવીય સમજમાં, આપણે આ પ્રક્રિયાને શબ્દ કહીએ છીએ "શાણપણ". શાણપણ એવા લોકોમાં પ્રગટ થાય છે જેઓ લાંબા સમયથી જીવે છે (2 વર્ષનું બાળક સમજદાર ન હોઈ શકે). જ્યારે સલાહ માટે વરિષ્ઠ સાથીઓ પાસે જઈએ છીએ, ત્યારે અમે તેમને ઘટના વિશે કેટલીક માહિતી આપીએ છીએ (ઇનપુટ ડેટા) અને તેમની મદદ માટે કહીએ છીએ. તેઓ, બદલામાં, જીવનની બધી પરિસ્થિતિઓને યાદ રાખે છે જે કોઈક રીતે તમારી સમસ્યા (જ્ઞાન આધાર) સાથે સંબંધિત છે અને, આ જ્ઞાન (ડેટા) ના આધારે, અમને એક પ્રકારની આગાહી (સલાહ) આપે છે. આ પ્રકારની સલાહને આગાહી કહેવાનું શરૂ થયું કારણ કે સલાહ આપનાર વ્યક્તિ શું થશે તેની ખાતરીપૂર્વક જાણતી નથી, પરંતુ માત્ર ધારે છે. જીવનનો અનુભવ દર્શાવે છે કે વ્યક્તિ સાચો હોઈ શકે છે, અથવા તે ખોટો હોઈ શકે છે.

તમારે બ્રાન્ચિંગ અલ્ગોરિધમ (જો-બીજું) સાથે ન્યુરલ નેટવર્કની તુલના કરવી જોઈએ નહીં. આ જુદી જુદી વસ્તુઓ છે અને તેમાં મુખ્ય તફાવતો છે. બ્રાન્ચિંગ અલ્ગોરિધમ શું કરવું તેની સ્પષ્ટ "સમજ" ધરાવે છે. હું ઉદાહરણો સાથે દર્શાવીશ.

કાર્ય. કારના નિર્માણ અને ઉત્પાદનના વર્ષના આધારે તેનું બ્રેકિંગ અંતર નક્કી કરો.

બ્રાન્ચિંગ અલ્ગોરિધમનું ઉદાહરણ. જો કાર બ્રાન્ડ 1 છે અને 2012 માં રિલીઝ કરવામાં આવી હતી, તો તેનું બ્રેકિંગ અંતર 10 મીટર છે, અન્યથા, જો કાર બ્રાન્ડ 2 છે અને 2011 માં રિલીઝ કરવામાં આવી હતી, અને તેથી વધુ.

ન્યુરલ નેટવર્કનું ઉદાહરણ. અમે પાછલા 20 વર્ષોમાં કારના બ્રેકિંગ અંતર પરનો ડેટા એકત્રિત કરીએ છીએ. મેક અને યર દ્વારા, અમે "ઉત્પાદન-બ્રેકિંગ અંતરનું મેક-યર" ફોર્મનું કોષ્ટક કમ્પાઇલ કરીએ છીએ. અમે આ કોષ્ટકને ન્યુરલ નેટવર્ક પર રજૂ કરીએ છીએ અને તેને શીખવવાનું શરૂ કરીએ છીએ. તાલીમ નીચે પ્રમાણે હાથ ધરવામાં આવે છે: અમે ન્યુરલ નેટવર્ક પર ડેટા ફીડ કરીએ છીએ, પરંતુ બ્રેકિંગ પાથ વિના. ચેતાકોષ તેનામાં લોડ થયેલ ટેબલના આધારે બ્રેકિંગ અંતર શું હશે તેની આગાહી કરવાનો પ્રયાસ કરે છે. કંઈક આગાહી કરે છે અને વપરાશકર્તાને પૂછે છે "શું હું સાચો છું?" પ્રશ્ન પહેલાં, તેણી ચોથી કૉલમ બનાવે છે, અનુમાન લગાવતી કૉલમ. જો તેણી સાચી હોય, તો તે ચોથી સ્તંભમાં 1 લખે છે; જો તે ખોટી હોય, તો તે 0 લખે છે. ન્યુરલ નેટવર્ક આગળની ઘટના તરફ આગળ વધે છે (ભલે તેણે ભૂલ કરી હોય). નેટવર્ક આ રીતે શીખે છે અને જ્યારે તાલીમ પૂર્ણ થાય છે (એક ચોક્કસ કન્વર્જન્સ માપદંડ પર પહોંચી ગયો છે), અમે અમને જે કારમાં રસ છે તેના વિશે ડેટા સબમિટ કરીએ છીએ અને અંતે જવાબ મળે છે.

કન્વર્જન્સ માપદંડ વિશેના પ્રશ્નને દૂર કરવા માટે, હું સમજાવીશ કે આ આંકડા માટે ગાણિતિક રીતે મેળવેલ સૂત્ર છે. બે અલગ-અલગ કન્વર્જન્સ ફોર્મ્યુલાનું આકર્ષક ઉદાહરણ. લાલ - બાઈનરી કન્વર્જન્સ, બ્લુ - સામાન્ય કન્વર્જન્સ.

દ્વિપદી અને સામાન્ય સંભાવના વિતરણ

તેને વધુ સ્પષ્ટ કરવા માટે, પ્રશ્ન પૂછો "ડાયનાસોર મળવાની સંભાવના શું છે?" અહીં 2 સંભવિત જવાબો છે. વિકલ્પ 1 - ખૂબ નાનો (વાદળી ગ્રાફ). વિકલ્પ 2 - ક્યાં તો મીટિંગ અથવા નહીં (લાલ ગ્રાફ).

અલબત્ત, કમ્પ્યુટર એ વ્યક્તિ નથી અને તે અલગ રીતે શીખે છે. લોખંડના ઘોડાની તાલીમના 2 પ્રકાર છે: કેસ આધારિત શિક્ષણ и અનુમાનિત શિક્ષણ.

પૂર્વવર્તી શિક્ષણ એ ગાણિતિક નિયમોનો ઉપયોગ કરીને શીખવવાની એક રીત છે. ગણિતશાસ્ત્રીઓ આંકડાકીય કોષ્ટકો એકત્રિત કરે છે, તારણો કાઢે છે અને પરિણામને ન્યુરલ નેટવર્કમાં લોડ કરે છે - ગણતરી માટેનું સૂત્ર.

અનુમાનિત શિક્ષણ - શિક્ષણ સંપૂર્ણપણે ચેતાકોષમાં થાય છે (માહિતી સંગ્રહથી તેના વિશ્લેષણ સુધી). અહીં સૂત્ર વિના, પણ આંકડાઓ સાથે કોષ્ટક રચાય છે.

ટેક્નોલોજીની વ્યાપક ઝાંખી બીજા બે ડઝન લેખો લેશે. હમણાં માટે, આ અમારી સામાન્ય સમજ માટે પૂરતું હશે.

ન્યુરોપ્લાસ્ટીસીટી

જીવવિજ્ઞાનમાં આવી ખ્યાલ છે - ન્યુરોપ્લાસ્ટીસીટી. ન્યુરોપ્લાસ્ટીસીટી એ ન્યુરોન્સ (મગજના કોષો) ની "પરિસ્થિતિ અનુસાર" કાર્ય કરવાની ક્ષમતા છે. ઉદાહરણ તરીકે, જે વ્યક્તિએ તેની દૃષ્ટિ ગુમાવી દીધી છે તે અવાજો સાંભળે છે, ગંધ કરે છે અને વસ્તુઓને વધુ સારી રીતે અનુભવે છે. આ એ હકીકતને કારણે થાય છે કે મગજનો ભાગ (ચેતાકોષોનો ભાગ) દ્રષ્ટિ માટે જવાબદાર છે તે તેના કાર્યને અન્ય કાર્યક્ષમતામાં ફરીથી વહેંચે છે.

જીવનમાં ન્યુરોપ્લાસ્ટીસીટીનું આકર્ષક ઉદાહરણ બ્રેઈનપોર્ટ લોલીપોપ છે.

2009 માં, મેડિસન ખાતેની વિસ્કોન્સિન યુનિવર્સિટીએ એક નવા ઉપકરણની રજૂઆતની જાહેરાત કરી જેણે "ભાષા પ્રદર્શન" ના વિચારો વિકસાવ્યા - તેને બ્રેનપોર્ટ કહેવામાં આવતું હતું. બ્રેઈનપોર્ટ નીચેના અલ્ગોરિધમ મુજબ કામ કરે છે: વિડિયો સિગ્નલ કેમેરાથી પ્રોસેસર પર મોકલવામાં આવે છે, જે ઝૂમ, બ્રાઈટનેસ અને અન્ય પિક્ચર પેરામીટર્સને નિયંત્રિત કરે છે. તે ડિજિટલ સિગ્નલોને વિદ્યુત આવેગમાં પણ રૂપાંતરિત કરે છે, અનિવાર્યપણે રેટિનાના કાર્યોને સંભાળે છે.

ચશ્મા અને કેમેરા સાથે બ્રેઈનપોર્ટ લોલીપોપ

કામ પર બ્રેઈનપોર્ટ

કમ્પ્યુટર સાથે સમાન. જો ન્યુરલ નેટવર્ક પ્રક્રિયામાં ફેરફાર અનુભવે છે, તો તે તેને અનુકૂળ કરે છે. અન્ય અલ્ગોરિધમ્સની સરખામણીમાં ન્યુરલ નેટવર્કનો આ મુખ્ય ફાયદો છે - સ્વાયત્તતા. એક પ્રકારની માનવતા.

એન્ક્રિપ્ટેડ ટ્રાફિક એનાલિટિક્સ

એન્ક્રિપ્ટેડ ટ્રાફિક એનાલિટિક્સ એ સ્ટીલ્થવોચ સિસ્ટમનો એક ભાગ છે. સ્ટીલ્થવોચ એ સિસ્કોની સુરક્ષા મોનિટરિંગ અને એનાલિટિક્સ સોલ્યુશન્સમાં પ્રવેશ છે જે હાલના નેટવર્ક ઈન્ફ્રાસ્ટ્રક્ચરમાંથી એન્ટરપ્રાઈઝ ટેલિમેટ્રી ડેટાનો લાભ લે છે.

સ્ટેલ્થવોચ એન્ટરપ્રાઇઝ ફ્લો રેટ લાઇસન્સ, ફ્લો કલેક્ટર, મેનેજમેન્ટ કન્સોલ અને ફ્લો સેન્સર ટૂલ્સ પર આધારિત છે.

સિસ્કો સ્ટીલ્થવોચ ઈન્ટરફેસ

એન્ક્રિપ્શનની સમસ્યા એ હકીકતને કારણે ખૂબ જ તીવ્ર બની હતી કે વધુ ટ્રાફિક એન્ક્રિપ્ટ થવાનું શરૂ થયું. પહેલાં, ફક્ત કોડ જ એન્ક્રિપ્ટેડ હતો (મોટેભાગે), પરંતુ હવે તમામ ટ્રાફિક એન્ક્રિપ્ટેડ છે અને વાયરસથી "સ્વચ્છ" ડેટાને અલગ કરવાનું વધુ મુશ્કેલ બની ગયું છે. એક આકર્ષક ઉદાહરણ WannaCry છે, જેણે તેની ઑનલાઇન હાજરી છુપાવવા માટે ટોરનો ઉપયોગ કર્યો હતો.

નેટવર્ક પર ટ્રાફિક એન્ક્રિપ્શનમાં વૃદ્ધિનું વિઝ્યુલાઇઝેશન

મેક્રોઇકોનોમિક્સમાં એન્ક્રિપ્શન

એન્ક્રિપ્ટેડ ટ્રાફિક એનાલિટિક્સ (ETA) સિસ્ટમ એન્ક્રિપ્ટેડ ટ્રાફિકને ડિક્રિપ્ટ કર્યા વિના તેની સાથે કામ કરવા માટે ચોક્કસપણે જરૂરી છે. હુમલાખોરો સ્માર્ટ છે અને ક્રિપ્ટો-પ્રતિરોધક એન્ક્રિપ્શન અલ્ગોરિધમનો ઉપયોગ કરે છે, અને તેમને તોડવું એ માત્ર એક સમસ્યા નથી, પરંતુ સંસ્થાઓ માટે અત્યંત ખર્ચાળ પણ છે.

સિસ્ટમ નીચે મુજબ કામ કરે છે. કંપનીમાં થોડો ટ્રાફિક આવે છે. તે TLS (ટ્રાન્સપોર્ટ લેયર સિક્યોરિટી)માં આવે છે. ચાલો કહીએ કે ટ્રાફિક એન્ક્રિપ્ટેડ છે. અમે કયા પ્રકારનું જોડાણ કરવામાં આવ્યું હતું તે અંગેના ઘણા પ્રશ્નોના જવાબ આપવાનો પ્રયાસ કરી રહ્યા છીએ.

એન્ક્રિપ્ટેડ ટ્રાફિક એનાલિટિક્સ (ETA) સિસ્ટમ કેવી રીતે કામ કરે છે

આ પ્રશ્નોના જવાબ આપવા માટે અમે આ સિસ્ટમમાં મશીન લર્નિંગનો ઉપયોગ કરીએ છીએ. સિસ્કોમાંથી સંશોધન લેવામાં આવે છે અને આ અભ્યાસોના આધારે 2 પરિણામોમાંથી કોષ્ટક બનાવવામાં આવે છે - દૂષિત અને "સારા" ટ્રાફિક. અલબત્ત, વર્તમાન ક્ષણે સિસ્ટમમાં કેવા પ્રકારનો ટ્રાફિક સીધો દાખલ થયો તે અમે ચોક્કસ જાણતા નથી, પરંતુ અમે વિશ્વ સ્ટેજ પરથી ડેટાનો ઉપયોગ કરીને કંપનીની અંદર અને બહાર ટ્રાફિકનો ઇતિહાસ શોધી શકીએ છીએ. આ તબક્કાના અંતે, અમને ડેટા સાથે એક વિશાળ ટેબલ મળે છે.

અભ્યાસના પરિણામોના આધારે, લાક્ષણિક લક્ષણો ઓળખવામાં આવે છે - ચોક્કસ નિયમો કે જે ગાણિતિક સ્વરૂપમાં લખી શકાય છે. આ નિયમો વિવિધ માપદંડોના આધારે મોટા પ્રમાણમાં બદલાશે - સ્થાનાંતરિત ફાઇલોનું કદ, કનેક્શનનો પ્રકાર, આ ટ્રાફિક જે દેશમાંથી આવે છે, વગેરે. કાર્યના પરિણામે, વિશાળ ટેબલ સૂત્રોના ઢગલાના સમૂહમાં ફેરવાઈ ગયું. તેમાંના ઓછા છે, પરંતુ આ આરામદાયક કાર્ય માટે પૂરતું નથી.

આગળ, મશીન લર્નિંગ ટેક્નોલૉજી લાગુ કરવામાં આવે છે - ફોર્મ્યુલા કન્વર્જન્સ અને કન્વર્જન્સના પરિણામના આધારે આપણને ટ્રિગર મળે છે - એક સ્વીચ, જ્યાં ડેટા આઉટપુટ થાય ત્યારે આપણને ઉંચી અથવા નીચી સ્થિતિમાં સ્વીચ (ધ્વજ) મળે છે.

પરિણામી તબક્કો ટ્રિગર્સનો સમૂહ મેળવે છે જે 99% ટ્રાફિકને આવરી લે છે.

ETA માં ટ્રાફિક નિરીક્ષણ પગલાં

કાર્યના પરિણામે, બીજી સમસ્યા હલ થાય છે - અંદરથી હુમલો. ટ્રાફિકને મેન્યુઅલી ફિલ્ટર કરવા માટે મધ્યમ લોકો માટે હવે જરૂર નથી (હું આ બિંદુએ મારી જાતને ડૂબી રહ્યો છું). પ્રથમ, તમારે હવે સક્ષમ સિસ્ટમ એડમિનિસ્ટ્રેટર પર ઘણા પૈસા ખર્ચવાની જરૂર નથી (હું મારી જાતને ડૂબવાનું ચાલુ રાખું છું). બીજું, અંદરથી (ઓછામાં ઓછું આંશિક રીતે) હેકિંગનો કોઈ ભય નથી.

જૂનો માણસ-ઇન-ધ-મિડલ કન્સેપ્ટ

હવે, ચાલો જાણીએ કે સિસ્ટમ શેના પર આધારિત છે.

સિસ્ટમ 4 કોમ્યુનિકેશન પ્રોટોકોલ પર કામ કરે છે: TCP/IP – ઈન્ટરનેટ ડેટા ટ્રાન્સફર પ્રોટોકોલ, DNS – ડોમેન નેમ સર્વર, TLS – ટ્રાન્સપોર્ટ લેયર સિક્યુરિટી પ્રોટોકોલ, SPLT (સ્પેસવાયર ફિઝિકલ લેયર ટેસ્ટર) – ફિઝિકલ કોમ્યુનિકેશન લેયર ટેસ્ટર.

ETA સાથે કામ કરતા પ્રોટોકોલ

સરખામણી ડેટાની સરખામણી કરીને કરવામાં આવે છે. TCP/IP પ્રોટોકોલનો ઉપયોગ કરીને, સાઇટ્સની પ્રતિષ્ઠા તપાસવામાં આવે છે (મુલાકાતનો ઇતિહાસ, સાઇટ બનાવવાનો હેતુ, વગેરે), DNS પ્રોટોકોલનો આભાર, અમે "ખરાબ" સાઇટ સરનામાંને કાઢી નાખી શકીએ છીએ. TLS પ્રોટોકોલ સાઇટની ફિંગરપ્રિન્ટ સાથે કામ કરે છે અને કમ્પ્યુટર ઇમરજન્સી રિસ્પોન્સ ટીમ (પ્રમાણપત્ર) સામે સાઇટની ચકાસણી કરે છે. કનેક્શન તપાસવાનું છેલ્લું પગલું ભૌતિક સ્તરે તપાસ છે. આ તબક્કાની વિગતો ઉલ્લેખિત નથી, પરંતુ બિંદુ નીચે મુજબ છે: ઓસિલોગ્રાફિક ઇન્સ્ટોલેશન પર ડેટા ટ્રાન્સમિશન વણાંકોના સાઈન અને કોસાઈન વણાંકોને તપાસવું, એટલે કે. ભૌતિક સ્તર પર વિનંતીની રચના બદલ આભાર, અમે કનેક્શનનો હેતુ નક્કી કરીએ છીએ.

સિસ્ટમની કામગીરીના પરિણામે, અમે એન્ક્રિપ્ટેડ ટ્રાફિકમાંથી ડેટા મેળવી શકીએ છીએ. પેકેટોની તપાસ કરીને, અમે પેકેટમાં જ એનક્રિપ્ટેડ ફીલ્ડમાંથી શક્ય તેટલી વધુ માહિતી વાંચી શકીએ છીએ. ભૌતિક સ્તર પર પેકેટનું નિરીક્ષણ કરીને, અમે પેકેટની લાક્ષણિકતાઓ (આંશિક અથવા સંપૂર્ણ) શોધીએ છીએ. ઉપરાંત, સાઇટ્સની પ્રતિષ્ઠા વિશે ભૂલશો નહીં. જો વિનંતી કોઈ ડુંગળીના સ્ત્રોતમાંથી આવી હોય, તો તમારે તેના પર વિશ્વાસ ન કરવો જોઈએ. આ પ્રકારના ડેટા સાથે કામ કરવાનું સરળ બનાવવા માટે, એક જોખમ નકશો બનાવવામાં આવ્યો છે.

ETA ના કાર્યનું પરિણામ

અને બધું સારું લાગે છે, પરંતુ ચાલો નેટવર્ક જમાવટ વિશે વાત કરીએ.

ETA નું ભૌતિક અમલીકરણ

અસંખ્ય ઘોંઘાટ અને સૂક્ષ્મતા અહીં ઊભી થાય છે. પ્રથમ, જ્યારે આ પ્રકારનું બનાવવું
ઉચ્ચ-સ્તરના સોફ્ટવેર સાથેના નેટવર્ક, ડેટા સંગ્રહ જરૂરી છે. મેન્યુઅલી સંપૂર્ણપણે ડેટા એકત્રિત કરો
જંગલી, પરંતુ પ્રતિભાવ પ્રણાલીનો અમલ પહેલાથી જ વધુ રસપ્રદ છે. બીજું, ડેટા
ત્યાં ઘણું બધું હોવું જોઈએ, જેનો અર્થ છે કે ઇન્સ્ટોલ કરેલા નેટવર્ક સેન્સર્સે કામ કરવું આવશ્યક છે
માત્ર સ્વાયત્ત રીતે જ નહીં, પણ બારીક ટ્યુન મોડમાં પણ, જે ઘણી મુશ્કેલીઓ ઊભી કરે છે.

સેન્સર અને સ્ટીલ્થવોચ સિસ્ટમ

સેન્સર ઇન્સ્ટોલ કરવું એ એક વસ્તુ છે, પરંતુ તેને સેટ કરવું એ સંપૂર્ણપણે અલગ કાર્ય છે. સેન્સર્સને રૂપરેખાંકિત કરવા માટે, એક જટિલ છે જે નીચેની ટોપોલોજી અનુસાર કાર્ય કરે છે - ISR = Cisco Integrated Services Router; ASR = સિસ્કો એકત્રીકરણ સેવાઓ રાઉટર; CSR = સિસ્કો ક્લાઉડ સેવાઓ રાઉટર; WLC = સિસ્કો વાયરલેસ LAN કંટ્રોલર; IE = સિસ્કો ઇન્ડસ્ટ્રીયલ ઇથરનેટ સ્વિચ; ASA = સિસ્કો અનુકૂલનશીલ સુરક્ષા ઉપકરણ; FTD = સિસ્કો ફાયરપાવર થ્રેટ ડિફેન્સ સોલ્યુશન; WSA = વેબ સુરક્ષા ઉપકરણ; ISE = ઓળખ સેવાઓ એન્જિન

કોઈપણ ટેલિમેટ્રિક ડેટાને ધ્યાનમાં લેતા વ્યાપક દેખરેખ

નેટવર્ક એડમિનિસ્ટ્રેટરો પાછલા ફકરામાં "સિસ્કો" શબ્દોની સંખ્યાથી એરિથમિયા અનુભવવાનું શરૂ કરે છે. આ ચમત્કારની કિંમત ઓછી નથી, પરંતુ તે તે નથી જેની આપણે આજે વાત કરી રહ્યા છીએ...

હેકરની વર્તણૂક નીચે પ્રમાણે તૈયાર કરવામાં આવશે. સ્ટીલ્થવોચ નેટવર્ક પરના દરેક ઉપકરણની ગતિવિધિનું કાળજીપૂર્વક નિરીક્ષણ કરે છે અને સામાન્ય વર્તનની પેટર્ન બનાવવામાં સક્ષમ છે. વધુમાં, આ ઉકેલ જાણીતી અયોગ્ય વર્તણૂકમાં ઊંડી સમજ આપે છે. સોલ્યુશન લગભગ 100 જુદા જુદા વિશ્લેષણ અલ્ગોરિધમ્સ અથવા હ્યુરિસ્ટિક્સનો ઉપયોગ કરે છે જે વિવિધ પ્રકારના ટ્રાફિક વર્તન જેમ કે સ્કેનિંગ, હોસ્ટ એલાર્મ ફ્રેમ્સ, બ્રુટ-ફોર્સ લોગિન, શંકાસ્પદ ડેટા કેપ્ચર, શંકાસ્પદ ડેટા લીકેજ વગેરેને સંબોધિત કરે છે. સૂચિબદ્ધ સુરક્ષા ઘટનાઓ ઉચ્ચ-સ્તરના લોજિકલ એલાર્મ્સની શ્રેણી હેઠળ આવે છે. કેટલીક સુરક્ષા ઘટનાઓ તેમના પોતાના પર એલાર્મ પણ ટ્રિગર કરી શકે છે. આમ, સિસ્ટમ બહુવિધ અલગ-અલગ વિસંગત ઘટનાઓને સહસંબંધિત કરવામાં અને સંભવિત પ્રકારના હુમલાને નિર્ધારિત કરવા તેમજ તેને ચોક્કસ ઉપકરણ અને વપરાશકર્તા (આકૃતિ 2) સાથે લિંક કરવા માટે સક્ષમ છે. ભવિષ્યમાં, ઘટનાનો સમયાંતરે અભ્યાસ કરી શકાય છે અને સંબંધિત ટેલિમેટ્રી ડેટાને ધ્યાનમાં લઈ શકાય છે. આ તેના શ્રેષ્ઠમાં સંદર્ભિત માહિતીની રચના કરે છે. શું ખોટું છે તે સમજવા માટે દર્દીની તપાસ કરતા ડોકટરો લક્ષણોને અલગતામાં જોતા નથી. તેઓ નિદાન કરવા માટે મોટા ચિત્રને જુએ છે. તેવી જ રીતે, સ્ટીલ્થવોચ નેટવર્ક પરની દરેક વિસંગત પ્રવૃત્તિને કેપ્ચર કરે છે અને સંદર્ભ-જાગૃત એલાર્મ મોકલવા માટે તેની સર્વગ્રાહી તપાસ કરે છે, જેનાથી સુરક્ષા વ્યાવસાયિકોને જોખમોને પ્રાથમિકતા આપવામાં મદદ મળે છે.

વર્તન મોડેલિંગનો ઉપયોગ કરીને વિસંગતતા શોધ

નેટવર્કની ભૌતિક જમાવટ આના જેવી દેખાય છે:

શાખા નેટવર્ક જમાવટ વિકલ્પ (સરળ)

શાખા નેટવર્ક જમાવટ વિકલ્પ

નેટવર્ક તૈનાત કરવામાં આવ્યું છે, પરંતુ ન્યુરોન વિશેનો પ્રશ્ન ખુલ્લો રહે છે. તેઓએ ડેટા ટ્રાન્સમિશન નેટવર્કનું આયોજન કર્યું, થ્રેશોલ્ડ પર સેન્સર સ્થાપિત કર્યા અને માહિતી સંગ્રહ પ્રણાલી શરૂ કરી, પરંતુ ચેતાકોષે આ બાબતમાં ભાગ લીધો ન હતો. બાય.

મલ્ટિલેયર ન્યુરલ નેટવર્ક

સિસ્ટમ દૂષિત ચેપ, કમાન્ડ અને કંટ્રોલ સર્વર સાથેના સંચાર, ડેટા લીક અને સંસ્થાના ઈન્ફ્રાસ્ટ્રક્ચરમાં ચાલતી સંભવિત અનિચ્છનીય એપ્લિકેશનોને શોધવા માટે વપરાશકર્તા અને ઉપકરણના વર્તનનું વિશ્લેષણ કરે છે. ડેટા પ્રોસેસિંગના બહુવિધ સ્તરો છે જ્યાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ, મશીન લર્નિંગ અને ગાણિતિક આંકડાકીય તકનીકોનું સંયોજન નેટવર્કને તેની સામાન્ય પ્રવૃત્તિ સ્વ-શીખવામાં મદદ કરે છે જેથી તે દૂષિત પ્રવૃત્તિ શોધી શકે.

નેટવર્ક સુરક્ષા પૃથ્થકરણ પાઈપલાઈન, જે એન્ક્રિપ્ટેડ ટ્રાફિક સહિત વિસ્તૃત નેટવર્કના તમામ ભાગોમાંથી ટેલિમેટ્રી ડેટા એકત્રિત કરે છે, તે સ્ટેલ્થવોચની એક વિશિષ્ટ વિશેષતા છે. તે "અસંગત" શું છે તેની સમજણનો વિકાસ કરે છે, પછી "ખતરાની પ્રવૃત્તિ" ના વાસ્તવિક વ્યક્તિગત ઘટકોને વર્ગીકૃત કરે છે અને છેવટે ઉપકરણ અથવા વપરાશકર્તા સાથે ખરેખર સમાધાન કરવામાં આવ્યું છે કે કેમ તે અંગે અંતિમ નિર્ણય લે છે. અસ્કયામત સાથે ચેડા કરવામાં આવ્યો છે કે કેમ તે અંગેનો અંતિમ નિર્ણય લેવા માટે પુરાવા રચતા નાના ટુકડાઓને એકસાથે ભેગા કરવાની ક્ષમતા ખૂબ જ કાળજીપૂર્વક વિશ્લેષણ અને સહસંબંધ દ્વારા આવે છે.

આ ક્ષમતા મહત્વપૂર્ણ છે કારણ કે સામાન્ય વ્યવસાય દરરોજ મોટી સંખ્યામાં એલાર્મ પ્રાપ્ત કરી શકે છે, અને દરેક એકની તપાસ કરવી અશક્ય છે કારણ કે સુરક્ષા વ્યાવસાયિકો પાસે મર્યાદિત સંસાધનો છે. ઉચ્ચ સ્તરના આત્મવિશ્વાસ સાથે ગંભીર ઘટનાઓને ઓળખવા માટે મશીન લર્નિંગ મોડ્યુલ નજીકના વાસ્તવિક સમયમાં વિશાળ માત્રામાં માહિતીની પ્રક્રિયા કરે છે, અને ઝડપી ઉકેલ માટે સ્પષ્ટ પગલાં પ્રદાન કરવામાં પણ સક્ષમ છે.

ચાલો Stealthwatch દ્વારા ઉપયોગમાં લેવાતી અસંખ્ય મશીન લર્નિંગ તકનીકો પર નજીકથી નજર કરીએ. જ્યારે કોઈ ઘટના સ્ટેલ્થવૉચના મશીન લર્નિંગ એન્જિન પર સબમિટ કરવામાં આવે છે, ત્યારે તે સુરક્ષા વિશ્લેષણ ફનલમાંથી પસાર થાય છે જે દેખરેખ અને અસુપરવાઇઝ્ડ મશીન લર્નિંગ તકનીકોના સંયોજનનો ઉપયોગ કરે છે.

મલ્ટિ-લેવલ મશીન લર્નિંગ ક્ષમતાઓ

સ્તર 1. વિસંગતતા શોધ અને ટ્રસ્ટ મોડેલિંગ

આ સ્તરે, આંકડાકીય વિસંગતતા શોધકોનો ઉપયોગ કરીને 99% ટ્રાફિક કાઢી નાખવામાં આવે છે. આ સેન્સર એકસાથે જટિલ મોડેલો બનાવે છે કે શું સામાન્ય છે અને શું, તેનાથી વિપરીત, શું અસામાન્ય છે. જો કે, અસામાન્ય જરૂરી નથી કે તે હાનિકારક હોય. તમારા નેટવર્ક પર જે કંઈ થઈ રહ્યું છે તેનો ખતરો સાથે કોઈ લેવાદેવા નથી—તે માત્ર વિચિત્ર છે. ધમકીભર્યા વર્તનને ધ્યાનમાં લીધા વિના આવી પ્રક્રિયાઓને વર્ગીકૃત કરવી મહત્વપૂર્ણ છે. આ કારણોસર, આવા ડિટેક્ટરના પરિણામોનું વધુ વિશ્લેષણ કરવામાં આવે છે જેથી કરીને વિચિત્ર વર્તણૂક કે જે સમજાવી શકાય અને વિશ્વાસ કરી શકાય. આખરે, સૌથી મહત્વપૂર્ણ થ્રેડો અને વિનંતીઓનો માત્ર એક નાનો અંશ તેને સ્તરો 2 અને 3 સુધી પહોંચાડે છે. આવી મશીન લર્નિંગ ટેકનિકનો ઉપયોગ કર્યા વિના, સિગ્નલને અવાજથી અલગ કરવાનો ઓપરેશનલ ખર્ચ ઘણો વધારે હશે.

વિસંગતતા શોધ. વિસંગતતા શોધવાનું પ્રથમ પગલું આંકડાકીય રીતે સામાન્ય ટ્રાફિકને વિસંગત ટ્રાફિકથી અલગ કરવા માટે આંકડાકીય મશીન લર્નિંગ તકનીકોનો ઉપયોગ કરે છે. 70 થી વધુ વ્યક્તિગત ડિટેક્ટર્સ ટેલિમેટ્રી ડેટા પર પ્રક્રિયા કરે છે જે તમારા નેટવર્ક પરિમિતિમાંથી પસાર થતા ટ્રાફિક પર સ્ટેલ્થવૉચ એકત્રિત કરે છે, આંતરિક ડોમેન નેમ સિસ્ટમ (DNS) ટ્રાફિકને પ્રોક્સી સર્વર ડેટાથી અલગ કરીને, જો કોઈ હોય તો. દરેક વિનંતી પર 70 થી વધુ ડિટેક્ટર દ્વારા પ્રક્રિયા કરવામાં આવે છે, દરેક ડિટેક્ટર તેના પોતાના આંકડાકીય અલ્ગોરિધમનો ઉપયોગ કરીને શોધાયેલ વિસંગતતાઓનું મૂલ્યાંકન રચે છે. આ સ્કોર્સ સંયુક્ત છે અને દરેક વ્યક્તિગત ક્વેરી માટે એક સ્કોર બનાવવા માટે બહુવિધ આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે. આ એકંદર સ્કોર પછી સામાન્ય અને અસંગત ટ્રાફિકને અલગ કરવા માટે વપરાય છે.

મોડેલિંગ ટ્રસ્ટ. આગળ, સમાન વિનંતીઓને જૂથબદ્ધ કરવામાં આવે છે, અને આવા જૂથો માટે એકંદર વિસંગતતા સ્કોર લાંબા ગાળાની સરેરાશ તરીકે નક્કી કરવામાં આવે છે. સમય જતાં, લાંબા ગાળાની સરેરાશ નક્કી કરવા માટે વધુ પ્રશ્નોનું વિશ્લેષણ કરવામાં આવે છે, જેનાથી ખોટા હકારાત્મક અને ખોટા નકારાત્મકમાં ઘટાડો થાય છે. ટ્રસ્ટ મોડેલિંગ પરિણામોનો ઉપયોગ ટ્રાફિકના સબસેટને પસંદ કરવા માટે થાય છે જેનો અસંગતતા સ્કોર આગલા પ્રોસેસિંગ સ્તર પર જવા માટે અમુક ગતિશીલ રીતે નિર્ધારિત થ્રેશોલ્ડ કરતાં વધી જાય છે.

સ્તર 2. ઇવેન્ટ વર્ગીકરણ અને ઑબ્જેક્ટ મોડેલિંગ

આ સ્તરે, અગાઉના તબક્કામાં મેળવેલા પરિણામોનું વર્ગીકરણ કરવામાં આવે છે અને ચોક્કસ દૂષિત ઘટનાઓને સોંપવામાં આવે છે. 90% થી ઉપર સતત સચોટતા દર સુનિશ્ચિત કરવા માટે મશીન લર્નિંગ ક્લાસિફાયર દ્વારા સોંપેલ મૂલ્યના આધારે ઇવેન્ટ્સનું વર્ગીકરણ કરવામાં આવે છે. તેમની વચ્ચે:

• નેમેન-પિયર્સન લેમ્મા પર આધારિત રેખીય મોડલ (લેખની શરૂઆતમાં ગ્રાફમાંથી સામાન્ય વિતરણનો કાયદો)
• મલ્ટિવેરિયેટ લર્નિંગનો ઉપયોગ કરીને વેક્ટર મશીનોને સપોર્ટ કરે છે
• ન્યુરલ નેટવર્ક્સ અને રેન્ડમ ફોરેસ્ટ એલ્ગોરિધમ.

આ અલગ સુરક્ષા ઘટનાઓ પછી સમય જતાં એક જ અંતિમ બિંદુ સાથે સંકળાયેલ છે. તે આ તબક્કે છે કે ધમકીનું વર્ણન રચાય છે, જેના આધારે સંબંધિત હુમલાખોર ચોક્કસ પરિણામો પ્રાપ્ત કરવામાં કેવી રીતે વ્યવસ્થાપિત થયો તેનું સંપૂર્ણ ચિત્ર બનાવવામાં આવે છે.

ઘટનાઓનું વર્ગીકરણ. અગાઉના સ્તરના આંકડાકીય રીતે વિસંગત સબસેટ વર્ગીકૃતનો ઉપયોગ કરીને 100 અથવા વધુ શ્રેણીઓમાં વિતરિત કરવામાં આવે છે. મોટાભાગના વર્ગીકરણ વ્યક્તિગત વર્તન, જૂથ સંબંધો અથવા વૈશ્વિક અથવા સ્થાનિક ધોરણે વર્તન પર આધારિત હોય છે, જ્યારે અન્ય તદ્દન ચોક્કસ હોઈ શકે છે. ઉદાહરણ તરીકે, ક્લાસિફાયર C&C ટ્રાફિક, શંકાસ્પદ એક્સ્ટેંશન અથવા અનધિકૃત સોફ્ટવેર અપડેટ સૂચવી શકે છે. આ તબક્કાના પરિણામોના આધારે, સુરક્ષા પ્રણાલીમાં વિસંગત ઘટનાઓનો સમૂહ, અમુક વર્ગોમાં વર્ગીકૃત કરવામાં આવે છે, રચાય છે.

ઑબ્જેક્ટ મોડેલિંગ. જો કોઈ ચોક્કસ ઑબ્જેક્ટ હાનિકારક છે તેવી પૂર્વધારણાને સમર્થન આપતા પુરાવાઓની માત્રા ભૌતિકતાના થ્રેશોલ્ડને ઓળંગે છે, તો જોખમ નક્કી કરવામાં આવે છે. ખતરાની વ્યાખ્યાને પ્રભાવિત કરતી સંબંધિત ઘટનાઓ આવા ધમકી સાથે સંકળાયેલી હોય છે અને ઑબ્જેક્ટના લાંબા ગાળાના સ્વતંત્ર મોડેલનો ભાગ બની જાય છે. સમય જતાં પુરાવા એકઠા થાય છે, જ્યારે ભૌતિકતાના થ્રેશોલ્ડ પર પહોંચી જાય છે ત્યારે સિસ્ટમ નવા જોખમોને ઓળખે છે. આ થ્રેશોલ્ડ મૂલ્ય ગતિશીલ છે અને જોખમના જોખમના સ્તર અને અન્ય પરિબળોના આધારે બુદ્ધિપૂર્વક ગોઠવવામાં આવે છે. આ પછી, ધમકી વેબ ઇન્ટરફેસની માહિતી પેનલ પર દેખાય છે અને આગલા સ્તર પર સ્થાનાંતરિત થાય છે.

સ્તર 3. રિલેશનશિપ મોડેલિંગ

સંબંધ મોડેલિંગનો હેતુ વૈશ્વિક પરિપ્રેક્ષ્યમાં અગાઉના સ્તરે મેળવેલા પરિણામોને સંશ્લેષણ કરવાનો છે, માત્ર સ્થાનિક જ નહીં પરંતુ સંબંધિત ઘટનાના વૈશ્વિક સંદર્ભને પણ ધ્યાનમાં રાખીને. તે આ તબક્કે છે કે તમે નિર્ધારિત કરી શકો છો કે કેટલી સંસ્થાઓએ આવા હુમલાનો સામનો કર્યો છે તે સમજવા માટે કે શું તે ખાસ કરીને તમારા માટે હતું અથવા વૈશ્વિક ઝુંબેશનો ભાગ છે, અને તમે હમણાં જ પકડાઈ ગયા છો.

ઘટનાઓની પુષ્ટિ અથવા શોધ કરવામાં આવે છે. ચકાસાયેલ ઘટના 99 થી 100% આત્મવિશ્વાસ સૂચવે છે કારણ કે સંકળાયેલ તકનીકો અને સાધનો અગાઉ મોટા (વૈશ્વિક) સ્કેલ પર ક્રિયામાં જોવા મળ્યા છે. શોધાયેલ ઘટનાઓ તમારા માટે અનન્ય છે અને અત્યંત લક્ષિત ઝુંબેશનો ભાગ બનાવે છે. ભૂતકાળના તારણો જાણીતી કાર્યવાહી સાથે શેર કરવામાં આવે છે, પ્રતિભાવમાં તમારો સમય અને સંસાધનોની બચત થાય છે. તમારા પર કોણે હુમલો કર્યો અને ઝુંબેશ તમારા ડિજિટલ વ્યવસાયને કેટલી હદે લક્ષ્યાંકિત કરી રહી હતી તે સમજવા માટે તમારે જરૂરી તપાસ સાધનો સાથે તેઓ આવે છે. જેમ તમે કલ્પના કરી શકો છો, પુષ્ટિ થયેલ ઘટનાઓની સંખ્યા શોધાયેલ ઘટનાઓની સંખ્યા કરતાં ઘણી વધારે છે કારણ કે પુષ્ટિ થયેલ ઘટનાઓમાં હુમલાખોરોને વધુ ખર્ચ થતો નથી, જ્યારે શોધાયેલ ઘટનાઓ થાય છે.
ખર્ચાળ કારણ કે તેઓ નવા અને કસ્ટમાઇઝ્ડ હોવા જોઈએ. પુષ્ટિ થયેલ ઘટનાઓને ઓળખવાની ક્ષમતા બનાવીને, રમતનું અર્થશાસ્ત્ર આખરે ડિફેન્ડર્સની તરફેણમાં બદલાઈ ગયું છે, અને તેમને એક અલગ ફાયદો આપ્યો છે.

ETA પર આધારિત ન્યુરલ કનેક્શન સિસ્ટમની બહુ-સ્તરીય તાલીમ

વૈશ્વિક જોખમ નકશો

વૈશ્વિક જોખમનો નકશો મશીન લર્નિંગ અલ્ગોરિધમ્સ દ્વારા ઉદ્યોગમાં તેના પ્રકારનાં સૌથી મોટા ડેટાસેટ્સમાંના એક પર લાગુ વિશ્લેષણ દ્વારા બનાવવામાં આવે છે. તે ઇન્ટરનેટ પર સર્વરોને લગતા વ્યાપક વર્તણૂકીય આંકડા પ્રદાન કરે છે, ભલે તે અજાણ્યા હોય. આવા સર્વર હુમલાઓ સાથે સંકળાયેલા છે અને ભવિષ્યમાં હુમલાના ભાગ રૂપે સામેલ થઈ શકે છે અથવા તેનો ઉપયોગ થઈ શકે છે. આ "બ્લેકલિસ્ટ" નથી, પરંતુ સુરક્ષાના દૃષ્ટિકોણથી પ્રશ્નમાં સર્વરનું વ્યાપક ચિત્ર છે. આ સર્વર્સની પ્રવૃત્તિ વિશેની આ સંદર્ભિત માહિતી સ્ટેલ્થવોચના મશીન લર્નિંગ ડિટેક્ટર અને ક્લાસિફાયર્સને આવા સર્વર્સ સાથેના સંચાર સાથે સંકળાયેલા જોખમના સ્તરની ચોક્કસ આગાહી કરવાની મંજૂરી આપે છે.

તમે ઉપલબ્ધ કાર્ડ જોઈ શકો છો અહીં.

વિશ્વનો નકશો 460 મિલિયન IP સરનામાઓ દર્શાવે છે

હવે નેટવર્ક શીખે છે અને તમારા નેટવર્કને સુરક્ષિત રાખવા માટે ઉભા થાય છે.

આખરે એક રામબાણ ઉપાય મળી ગયો?

કમનસીબે કોઈ. સિસ્ટમ સાથે કામ કરવાના અનુભવથી, હું કહી શકું છું કે ત્યાં 2 વૈશ્વિક સમસ્યાઓ છે.

સમસ્યા 1. કિંમત. સમગ્ર નેટવર્ક સિસ્કો સિસ્ટમ પર જમાવવામાં આવે છે. આ સારું અને ખરાબ બંને છે. સારી બાજુ એ છે કે તમારે D-Link, MikroTik, વગેરે જેવા પ્લગના સમૂહને પરેશાન કરવાની અને ઇન્સ્ટોલ કરવાની જરૂર નથી. નુકસાન એ સિસ્ટમની વિશાળ કિંમત છે. રશિયન વ્યવસાયની આર્થિક સ્થિતિને ધ્યાનમાં લેતા, વર્તમાન સમયે ફક્ત મોટી કંપની અથવા બેંકના શ્રીમંત માલિક જ આ ચમત્કાર પરવડી શકે છે.

સમસ્યા 2: તાલીમ. મેં લેખમાં ન્યુરલ નેટવર્ક માટે તાલીમનો સમયગાળો લખ્યો નથી, પરંતુ એટલા માટે નહીં કે તે અસ્તિત્વમાં નથી, પરંતુ કારણ કે તે હંમેશાં શીખે છે અને તે ક્યારે શીખશે તે અમે આગાહી કરી શકતા નથી. અલબત્ત, ગાણિતિક આંકડાઓના સાધનો છે (પિયર્સન કન્વર્જન્સ માપદંડની સમાન રચના લો), પરંતુ આ અડધા પગલાં છે. અમને ટ્રાફિકને ફિલ્ટર કરવાની સંભાવના મળે છે, અને તે પછી પણ ફક્ત તે શરત હેઠળ કે હુમલો પહેલેથી જ માસ્ટર અને જાણીતો છે.

આ 2 સમસ્યાઓ હોવા છતાં, અમે સામાન્ય રીતે માહિતી સુરક્ષા અને ખાસ કરીને નેટવર્ક સુરક્ષાના વિકાસમાં મોટી છલાંગ લગાવી છે. આ હકીકત નેટવર્ક ટેક્નોલોજી અને ન્યુરલ નેટવર્કના અભ્યાસ માટે પ્રેરક બની શકે છે, જે હવે ખૂબ જ આશાસ્પદ દિશા છે.

સોર્સ: www.habr.com