ഡീക്രിപ്റ്റ് ചെയ്യാതെ എൻക്രിപ്റ്റ് ചെയ്ത ട്രാഫിക്കിന്റെ വിശകലനം

ഡീക്രിപ്റ്റ് ചെയ്യാതെ ട്രാഫിക് വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു സംവിധാനം. ഈ രീതിയെ "മെഷീൻ ലേണിംഗ്" എന്ന് വിളിക്കുന്നു. ഒരു പ്രത്യേക ക്ലാസിഫയറിൻ്റെ ഇൻപുട്ടിലേക്ക് വിവിധ ട്രാഫിക്കിൻ്റെ വളരെ വലിയ അളവ് നൽകുകയാണെങ്കിൽ, എൻക്രിപ്റ്റുചെയ്‌ത ട്രാഫിക്കിനുള്ളിലെ ക്ഷുദ്ര കോഡിൻ്റെ പ്രവർത്തനങ്ങൾ വളരെ ഉയർന്ന സംഭാവ്യതയോടെ സിസ്റ്റത്തിന് കണ്ടെത്താനാകും.

ഓൺലൈൻ ഭീഷണികൾ മാറി സ്മാർട്ടായി. സമീപകാലത്ത്, ആക്രമണത്തിൻ്റെയും പ്രതിരോധത്തിൻ്റെയും സങ്കൽപ്പം തന്നെ മാറി. നെറ്റ്‌വർക്കിലെ ഇവൻ്റുകളുടെ എണ്ണം ഗണ്യമായി വർദ്ധിച്ചു. ആക്രമണങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമായിരിക്കുന്നു, ഹാക്കർമാർക്ക് വിശാലമായ വ്യാപ്തിയുണ്ട്.

Cisco സ്ഥിതിവിവരക്കണക്കുകൾ പ്രകാരം, കഴിഞ്ഞ വർഷം, ആക്രമണകാരികൾ അവരുടെ പ്രവർത്തനങ്ങൾക്കായി ഉപയോഗിക്കുന്ന ക്ഷുദ്രവെയറിൻ്റെ എണ്ണം മൂന്നിരട്ടിയാക്കി, അല്ലെങ്കിൽ അവയെ മറയ്ക്കാൻ എൻക്രിപ്ഷൻ. "ശരിയായ" എൻക്രിപ്ഷൻ അൽഗോരിതം തകർക്കാൻ കഴിയില്ലെന്ന് സിദ്ധാന്തത്തിൽ നിന്ന് അറിയാം. എൻക്രിപ്റ്റ് ചെയ്ത ട്രാഫിക്കിനുള്ളിൽ എന്താണ് മറഞ്ഞിരിക്കുന്നതെന്ന് മനസിലാക്കാൻ, ഒന്നുകിൽ അത് കീ അറിഞ്ഞുകൊണ്ട് ഡീക്രിപ്റ്റ് ചെയ്യുക, അല്ലെങ്കിൽ വിവിധ തന്ത്രങ്ങൾ ഉപയോഗിച്ച് ഡീക്രിപ്റ്റ് ചെയ്യാൻ ശ്രമിക്കുക, അല്ലെങ്കിൽ നേരിട്ട് ഹാക്ക് ചെയ്യുക, അല്ലെങ്കിൽ ക്രിപ്റ്റോഗ്രാഫിക് പ്രോട്ടോക്കോളുകളിലെ ഏതെങ്കിലും തരത്തിലുള്ള കേടുപാടുകൾ ഉപയോഗിക്കുക.

നമ്മുടെ കാലത്തെ നെറ്റ്‌വർക്ക് ഭീഷണികളുടെ ചിത്രം

യന്ത്ര പഠനം

സാങ്കേതികവിദ്യ നേരിട്ട് അറിയുക! മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ഡീക്രിപ്ഷൻ സാങ്കേതികവിദ്യ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് സംസാരിക്കുന്നതിന് മുമ്പ്, ന്യൂറൽ നെറ്റ്‌വർക്ക് സാങ്കേതികവിദ്യ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് മനസിലാക്കേണ്ടത് ആവശ്യമാണ്.

മെഷീൻ ലേണിംഗ് എന്നത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ വിശാലമായ ഉപവിഭാഗമാണ്, അത് പഠിക്കാൻ കഴിയുന്ന അൽഗോരിതങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള രീതികൾ പഠിക്കുന്നു. ഒരു കമ്പ്യൂട്ടറിനെ "പരിശീലിപ്പിക്കുന്നതിന്" ഗണിതശാസ്ത്ര മാതൃകകൾ സൃഷ്ടിക്കുന്നതിനാണ് ഈ ശാസ്ത്രം ലക്ഷ്യമിടുന്നത്. എന്തെങ്കിലും പ്രവചിക്കുക എന്നതാണ് പഠനത്തിൻ്റെ ലക്ഷ്യം. മനുഷ്യ ധാരണയിൽ, ഈ പ്രക്രിയയെ നമ്മൾ വാക്ക് എന്ന് വിളിക്കുന്നു "ജ്ഞാനം". വളരെക്കാലം ജീവിച്ചിരിക്കുന്ന ആളുകളിൽ ജ്ഞാനം പ്രകടമാകുന്നു (2 വയസ്സുള്ള കുട്ടിക്ക് ജ്ഞാനിയാകാൻ കഴിയില്ല). ഉപദേശത്തിനായി മുതിർന്ന സഖാക്കളിലേക്ക് തിരിയുമ്പോൾ, ഞങ്ങൾ അവർക്ക് ഇവൻ്റിനെക്കുറിച്ചുള്ള ചില വിവരങ്ങൾ (ഇൻപുട്ട് ഡാറ്റ) നൽകുകയും അവരോട് സഹായം ആവശ്യപ്പെടുകയും ചെയ്യുന്നു. നിങ്ങളുടെ പ്രശ്‌നവുമായി (വിജ്ഞാന അടിത്തറ) എങ്ങനെയെങ്കിലും ബന്ധപ്പെട്ടിരിക്കുന്ന ജീവിതത്തിൽ നിന്നുള്ള എല്ലാ സാഹചര്യങ്ങളും അവർ ഓർക്കുന്നു, ഈ അറിവിനെ (ഡാറ്റ) അടിസ്ഥാനമാക്കി, ഞങ്ങൾക്ക് ഒരുതരം പ്രവചനം (ഉപദേശം) നൽകുന്നു. ഇത്തരത്തിലുള്ള ഉപദേശത്തെ പ്രവചനം എന്ന് വിളിക്കാൻ തുടങ്ങി, കാരണം ഉപദേശം നൽകുന്ന വ്യക്തിക്ക് എന്ത് സംഭവിക്കുമെന്ന് കൃത്യമായി അറിയില്ല, പക്ഷേ അനുമാനിക്കുക മാത്രമാണ് ചെയ്യുന്നത്. ഒരു വ്യക്തി ശരിയാകാം, അല്ലെങ്കിൽ അയാൾ തെറ്റാകാം എന്ന് ജീവിതാനുഭവം കാണിക്കുന്നു.

നിങ്ങൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ ബ്രാഞ്ചിംഗ് അൽഗോരിതവുമായി താരതമ്യം ചെയ്യരുത് (ഇല്ലെങ്കിൽ). ഇവ വ്യത്യസ്ത കാര്യങ്ങളാണ്, പ്രധാന വ്യത്യാസങ്ങളുണ്ട്. എന്താണ് ചെയ്യേണ്ടതെന്ന് ബ്രാഞ്ചിംഗ് അൽഗോരിതത്തിന് വ്യക്തമായ "ധാരണ" ഉണ്ട്. ഞാൻ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് തെളിയിക്കും.

ടാസ്ക്. ഒരു കാറിൻ്റെ ബ്രേക്കിംഗ് ദൂരം അതിൻ്റെ നിർമ്മാണത്തെയും നിർമ്മാണ വർഷത്തെയും അടിസ്ഥാനമാക്കി നിർണ്ണയിക്കുക.

ബ്രാഞ്ചിംഗ് അൽഗോരിതത്തിൻ്റെ ഒരു ഉദാഹരണം. ഒരു കാർ ബ്രാൻഡ് 1 ആണെങ്കിൽ 2012-ൽ പുറത്തിറങ്ങി, അതിൻ്റെ ബ്രേക്കിംഗ് ദൂരം 10 മീറ്ററാണ്, അല്ലാത്തപക്ഷം, കാർ ബ്രാൻഡ് 2 ആണെങ്കിൽ, 2011-ൽ പുറത്തിറങ്ങി.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഉദാഹരണം. കഴിഞ്ഞ 20 വർഷമായി കാർ ബ്രേക്കിംഗ് ദൂരത്തെക്കുറിച്ചുള്ള ഡാറ്റ ഞങ്ങൾ ശേഖരിക്കുന്നു. നിർമ്മാണവും വർഷവും അനുസരിച്ച്, "നിർമ്മാണ-ബ്രേക്കിംഗ് ദൂരത്തിൻ്റെ നിർമ്മാണ-വർഷം" എന്ന ഫോമിൻ്റെ ഒരു പട്ടിക ഞങ്ങൾ സമാഹരിക്കുന്നു. ഞങ്ങൾ ഈ പട്ടിക ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് നൽകുകയും അത് പഠിപ്പിക്കാൻ തുടങ്ങുകയും ചെയ്യുന്നു. പരിശീലനം ഇനിപ്പറയുന്ന രീതിയിൽ നടത്തുന്നു: ഞങ്ങൾ ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് ഡാറ്റ നൽകുന്നു, പക്ഷേ ബ്രേക്കിംഗ് പാത്ത് ഇല്ലാതെ. അതിൽ ലോഡ് ചെയ്തിരിക്കുന്ന മേശയെ അടിസ്ഥാനമാക്കി ബ്രേക്കിംഗ് ദൂരം എന്തായിരിക്കുമെന്ന് പ്രവചിക്കാൻ ന്യൂറോൺ ശ്രമിക്കുന്നു. എന്തെങ്കിലും പ്രവചിക്കുകയും ഉപയോക്താവിനോട് “ഞാൻ ശരിയാണോ?” എന്ന് ചോദിക്കുകയും ചെയ്യുന്നു ചോദ്യത്തിന് മുമ്പ്, അവൾ നാലാമത്തെ കോളം സൃഷ്ടിക്കുന്നു, ഊഹിക്കുന്ന കോളം. അവൾ ശരിയാണെങ്കിൽ, അവൾ നാലാമത്തെ കോളത്തിൽ 1 എഴുതുന്നു, അവൾ തെറ്റാണെങ്കിൽ, അവൾ 0 എഴുതുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്ക് അടുത്ത സംഭവത്തിലേക്ക് നീങ്ങുന്നു (അത് തെറ്റ് ചെയ്താലും). ഇങ്ങനെയാണ് നെറ്റ്‌വർക്ക് പഠിക്കുന്നത്, പരിശീലനം പൂർത്തിയാകുമ്പോൾ (ഒരു നിശ്ചിത ഒത്തുചേരൽ മാനദണ്ഡം എത്തിയിരിക്കുന്നു), ഞങ്ങൾക്ക് താൽപ്പര്യമുള്ള കാറിനെക്കുറിച്ചുള്ള ഡാറ്റ ഞങ്ങൾ സമർപ്പിക്കുകയും ഒടുവിൽ ഉത്തരം നേടുകയും ചെയ്യുന്നു.

ഒത്തുചേരൽ മാനദണ്ഡത്തെക്കുറിച്ചുള്ള ചോദ്യം നീക്കംചെയ്യുന്നതിന്, ഇത് സ്ഥിതിവിവരക്കണക്കുകൾക്കായി ഗണിതശാസ്ത്രപരമായി ഉരുത്തിരിഞ്ഞ സൂത്രവാക്യമാണെന്ന് ഞാൻ വിശദീകരിക്കും. രണ്ട് വ്യത്യസ്ത കൺവേർജൻസ് ഫോർമുലകളുടെ ശ്രദ്ധേയമായ ഉദാഹരണം. ചുവപ്പ് - ബൈനറി ഒത്തുചേരൽ, നീല - സാധാരണ ഒത്തുചേരൽ.

ബൈനോമിയൽ, നോർമൽ പ്രോബബിലിറ്റി ഡിസ്‌ട്രിബ്യൂഷനുകൾ

ഇത് വ്യക്തമാക്കുന്നതിന്, "ഒരു ദിനോസറിനെ കണ്ടുമുട്ടാനുള്ള സാധ്യത എന്താണ്?" എന്ന ചോദ്യം ചോദിക്കുക. സാധ്യമായ 2 ഉത്തരങ്ങൾ ഇവിടെയുണ്ട്. ഓപ്ഷൻ 1 - വളരെ ചെറുത് (നീല ഗ്രാഫ്). ഓപ്ഷൻ 2 - ഒന്നുകിൽ മീറ്റിംഗ് അല്ലെങ്കിൽ അല്ല (ചുവന്ന ഗ്രാഫ്).

തീർച്ചയായും, ഒരു കമ്പ്യൂട്ടർ ഒരു വ്യക്തിയല്ല, അത് വ്യത്യസ്തമായി പഠിക്കുന്നു. ഇരുമ്പ് കുതിര പരിശീലനത്തിന് 2 തരം ഉണ്ട്: കേസ് അടിസ്ഥാനമാക്കിയുള്ള പഠനം и കിഴിവ് പഠനം.

ഗണിതശാസ്ത്ര നിയമങ്ങൾ ഉപയോഗിച്ച് പഠിപ്പിക്കുന്ന ഒരു മാർഗമാണ് മുൻകൂർ പഠിപ്പിക്കൽ. ഗണിതശാസ്ത്രജ്ഞർ സ്ഥിതിവിവര പട്ടികകൾ ശേഖരിക്കുകയും നിഗമനങ്ങളിൽ എത്തിച്ചേരുകയും ഫലം ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് ലോഡ് ചെയ്യുകയും ചെയ്യുന്നു - കണക്കുകൂട്ടുന്നതിനുള്ള ഒരു സൂത്രവാക്യം.

ഡിഡക്റ്റീവ് ലേണിംഗ് - പഠനം പൂർണ്ണമായും ന്യൂറോണിൽ സംഭവിക്കുന്നു (ഡാറ്റ ശേഖരണം മുതൽ അതിൻ്റെ വിശകലനം വരെ). ഇവിടെ ഒരു സൂത്രവാക്യം ഇല്ലാതെ ഒരു പട്ടിക രൂപം കൊള്ളുന്നു, പക്ഷേ സ്ഥിതിവിവരക്കണക്കുകൾ ഉപയോഗിച്ച്.

സാങ്കേതികവിദ്യയുടെ ഒരു വിശാലമായ അവലോകനം മറ്റൊരു ഡസൻ ലേഖനങ്ങൾ എടുക്കും. തൽക്കാലം, നമ്മുടെ പൊതുവായ ധാരണയ്ക്ക് ഇത് മതിയാകും.

ന്യൂറോപ്ലാസ്റ്റിറ്റി

ജീവശാസ്ത്രത്തിൽ അത്തരമൊരു ആശയം ഉണ്ട് - ന്യൂറോപ്ലാസ്റ്റിറ്റി. "സാഹചര്യം അനുസരിച്ച്" പ്രവർത്തിക്കാനുള്ള ന്യൂറോണുകളുടെ (മസ്തിഷ്ക കോശങ്ങൾ) കഴിവാണ് ന്യൂറോപ്ലാസ്റ്റിറ്റി. ഉദാഹരണത്തിന്, കാഴ്ച നഷ്ടപ്പെട്ട ഒരാൾ ശബ്ദങ്ങൾ കേൾക്കുന്നു, മണം പിടിക്കുന്നു, വസ്തുക്കളെ നന്നായി മനസ്സിലാക്കുന്നു. കാഴ്ചയ്ക്ക് ഉത്തരവാദികളായ തലച്ചോറിൻ്റെ ഭാഗം (ന്യൂറോണുകളുടെ ഭാഗം) അതിൻ്റെ പ്രവർത്തനം മറ്റ് പ്രവർത്തനങ്ങളിലേക്ക് പുനർവിതരണം ചെയ്യുന്നു എന്ന വസ്തുത മൂലമാണ് ഇത് സംഭവിക്കുന്നത്.

ജീവിതത്തിലെ ന്യൂറോപ്ലാസ്റ്റിറ്റിയുടെ ശ്രദ്ധേയമായ ഉദാഹരണമാണ് ബ്രെയിൻപോർട്ട് ലോലിപോപ്പ്.

2009-ൽ, മാഡിസണിലെ വിസ്കോൺസിൻ സർവ്വകലാശാല ഒരു "ഭാഷാ പ്രദർശനം" എന്ന ആശയങ്ങൾ വികസിപ്പിച്ചെടുത്ത ഒരു പുതിയ ഉപകരണത്തിൻ്റെ പ്രകാശനം പ്രഖ്യാപിച്ചു - അതിനെ ബ്രെയിൻപോർട്ട് എന്ന് വിളിച്ചിരുന്നു. ബ്രെയിൻപോർട്ട് ഇനിപ്പറയുന്ന അൽഗോരിതം അനുസരിച്ച് പ്രവർത്തിക്കുന്നു: ക്യാമറയിൽ നിന്ന് പ്രോസസറിലേക്ക് വീഡിയോ സിഗ്നൽ അയയ്ക്കുന്നു, അത് സൂം, തെളിച്ചം, മറ്റ് ചിത്ര പാരാമീറ്ററുകൾ എന്നിവ നിയന്ത്രിക്കുന്നു. ഇത് ഡിജിറ്റൽ സിഗ്നലുകളെ വൈദ്യുത പ്രേരണകളാക്കി മാറ്റുന്നു, പ്രധാനമായും റെറ്റിനയുടെ പ്രവർത്തനങ്ങൾ ഏറ്റെടുക്കുന്നു.

കണ്ണടയും ക്യാമറയും ഉള്ള ബ്രെയിൻപോർട്ട് ലോലിപോപ്പ്

ജോലിസ്ഥലത്ത് ബ്രെയിൻ പോർട്ട്

കമ്പ്യൂട്ടറിൻ്റെ കാര്യവും അങ്ങനെ തന്നെ. ന്യൂറൽ നെറ്റ്‌വർക്ക് പ്രക്രിയയിൽ ഒരു മാറ്റം അനുഭവപ്പെടുകയാണെങ്കിൽ, അത് അതിനോട് പൊരുത്തപ്പെടുന്നു. മറ്റ് അൽഗോരിതങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രധാന നേട്ടമാണിത് - സ്വയംഭരണം. ഒരുതരം മനുഷ്യത്വം.

എൻക്രിപ്റ്റ് ചെയ്ത ട്രാഫിക് അനലിറ്റിക്സ്

എൻക്രിപ്റ്റഡ് ട്രാഫിക് അനലിറ്റിക്സ് സ്റ്റെൽത്ത് വാച്ച് സിസ്റ്റത്തിൻ്റെ ഭാഗമാണ്. നിലവിലുള്ള നെറ്റ്‌വർക്ക് ഇൻഫ്രാസ്ട്രക്ചറിൽ നിന്ന് എൻ്റർപ്രൈസ് ടെലിമെട്രി ഡാറ്റയെ പ്രയോജനപ്പെടുത്തുന്ന സുരക്ഷാ നിരീക്ഷണത്തിലേക്കും അനലിറ്റിക്‌സ് സൊല്യൂഷനുകളിലേക്കും സിസ്‌കോയുടെ കടന്നുവരവാണ് സ്റ്റെൽത്ത് വാച്ച്.

ഫ്ലോ റേറ്റ് ലൈസൻസ്, ഫ്ലോ കളക്ടർ, മാനേജ്‌മെൻ്റ് കൺസോൾ, ഫ്ലോ സെൻസർ ടൂളുകൾ എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് സ്റ്റെൽത്ത് വാച്ച് എൻ്റർപ്രൈസ്.

Cisco Stealthwatch ഇൻ്റർഫേസ്

കൂടുതൽ ട്രാഫിക് എൻക്രിപ്റ്റ് ചെയ്യാൻ തുടങ്ങിയതിനാൽ എൻക്രിപ്ഷൻ പ്രശ്നം വളരെ രൂക്ഷമായി. മുമ്പ്, കോഡ് മാത്രമേ എൻക്രിപ്റ്റ് ചെയ്തിട്ടുള്ളൂ (മിക്കവാറും), എന്നാൽ ഇപ്പോൾ എല്ലാ ട്രാഫിക്കും എൻക്രിപ്റ്റ് ചെയ്യുകയും വൈറസുകളിൽ നിന്ന് "വൃത്തിയുള്ള" ഡാറ്റ വേർതിരിക്കുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. ശ്രദ്ധേയമായ ഒരു ഉദാഹരണം WannaCry ആണ്, അത് അതിൻ്റെ ഓൺലൈൻ സാന്നിധ്യം മറയ്ക്കാൻ Tor ഉപയോഗിച്ചു.

നെറ്റ്‌വർക്കിലെ ട്രാഫിക് എൻക്രിപ്ഷനിലെ വളർച്ചയുടെ ദൃശ്യവൽക്കരണം

മാക്രോ ഇക്കണോമിക്സിലെ എൻക്രിപ്ഷൻ

എൻക്രിപ്റ്റഡ് ട്രാഫിക്ക് അനലിറ്റിക്സ് (ETA) സിസ്റ്റം ഡീക്രിപ്റ്റ് ചെയ്യാതെ തന്നെ എൻക്രിപ്റ്റ് ചെയ്ത ട്രാഫിക്കിൽ പ്രവർത്തിക്കാൻ അത്യാവശ്യമാണ്. ആക്രമണകാരികൾ മിടുക്കരാണ്, ക്രിപ്‌റ്റോ-റെസിസ്റ്റൻ്റ് എൻക്രിപ്ഷൻ അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു, അവ തകർക്കുന്നത് ഒരു പ്രശ്‌നം മാത്രമല്ല, ഓർഗനൈസേഷനുകൾക്ക് വളരെ ചെലവേറിയതുമാണ്.

സിസ്റ്റം ഇനിപ്പറയുന്ന രീതിയിൽ പ്രവർത്തിക്കുന്നു. കുറച്ച് ട്രാഫിക് കമ്പനിയിലേക്ക് വരുന്നു. ഇത് TLS (ട്രാൻസ്‌പോർട്ട് ലെയർ സെക്യൂരിറ്റി) യിൽ ഉൾപ്പെടുന്നു. ട്രാഫിക് എൻക്രിപ്റ്റ് ചെയ്തിട്ടുണ്ടെന്ന് പറയാം. ഏത് തരത്തിലുള്ള ബന്ധമാണ് ഉണ്ടാക്കിയതെന്നതിനെക്കുറിച്ചുള്ള നിരവധി ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു.

എൻക്രിപ്റ്റഡ് ട്രാഫിക് അനലിറ്റിക്സ് (ETA) സിസ്റ്റം എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഈ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഞങ്ങൾ ഈ സിസ്റ്റത്തിൽ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു. സിസ്‌കോയിൽ നിന്നുള്ള ഗവേഷണം നടത്തുകയും ഈ പഠനങ്ങളെ അടിസ്ഥാനമാക്കി 2 ഫലങ്ങളിൽ നിന്ന് ഒരു പട്ടിക സൃഷ്‌ടിക്കുകയും ചെയ്യുന്നു - ക്ഷുദ്രകരവും “നല്ലതുമായ” ട്രാഫിക്. തീർച്ചയായും, നിലവിൽ ഏത് തരത്തിലുള്ള ട്രാഫിക് സിസ്റ്റത്തിലേക്ക് നേരിട്ട് പ്രവേശിച്ചുവെന്ന് ഞങ്ങൾക്ക് ഉറപ്പില്ല, എന്നാൽ ലോക ഘട്ടത്തിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് കമ്പനിക്ക് അകത്തും പുറത്തുമുള്ള ട്രാഫിക്കിൻ്റെ ചരിത്രം നമുക്ക് കണ്ടെത്താനാകും. ഈ ഘട്ടത്തിൻ്റെ അവസാനം, ഞങ്ങൾക്ക് ഡാറ്റയുള്ള ഒരു വലിയ പട്ടിക ലഭിക്കും.

പഠന ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, സ്വഭാവ സവിശേഷതകൾ തിരിച്ചറിയുന്നു - ഗണിതശാസ്ത്ര രൂപത്തിൽ എഴുതാൻ കഴിയുന്ന ചില നിയമങ്ങൾ. വ്യത്യസ്ത മാനദണ്ഡങ്ങളെ ആശ്രയിച്ച് ഈ നിയമങ്ങൾ വളരെയധികം വ്യത്യാസപ്പെടും - കൈമാറ്റം ചെയ്ത ഫയലുകളുടെ വലുപ്പം, കണക്ഷൻ്റെ തരം, ഈ ട്രാഫിക് വരുന്ന രാജ്യം മുതലായവ. ജോലിയുടെ ഫലമായി, കൂറ്റൻ മേശ സൂത്രവാക്യങ്ങളുടെ ഒരു കൂട്ടമായി മാറി. അവയിൽ കുറവാണ്, പക്ഷേ സുഖപ്രദമായ ജോലിക്ക് ഇത് പര്യാപ്തമല്ല.

അടുത്തതായി, മെഷീൻ ലേണിംഗ് ടെക്നോളജി പ്രയോഗിക്കുന്നു - ഫോർമുല കൺവേർജൻസ്, കൺവേർജൻസിൻ്റെ ഫലത്തെ അടിസ്ഥാനമാക്കി നമുക്ക് ഒരു ട്രിഗർ ലഭിക്കും - ഒരു സ്വിച്ച്, ഡാറ്റ ഔട്ട്പുട്ട് ചെയ്യുമ്പോൾ നമുക്ക് ഉയർത്തിയതോ താഴ്ത്തിയതോ ആയ സ്ഥാനത്ത് ഒരു സ്വിച്ച് (ഫ്ലാഗ്) ലഭിക്കും.

തത്ഫലമായുണ്ടാകുന്ന ഘട്ടം ട്രാഫിക്കിൻ്റെ 99% ഉൾക്കൊള്ളുന്ന ഒരു കൂട്ടം ട്രിഗറുകൾ നേടുന്നു.

ETA-യിലെ ട്രാഫിക് പരിശോധന ഘട്ടങ്ങൾ

ജോലിയുടെ ഫലമായി, മറ്റൊരു പ്രശ്നം പരിഹരിച്ചു - ഉള്ളിൽ നിന്നുള്ള ആക്രമണം. മധ്യത്തിലുള്ള ആളുകൾ ട്രാഫിക്ക് സ്വമേധയാ ഫിൽട്ടർ ചെയ്യേണ്ട ആവശ്യമില്ല (ഇപ്പോൾ ഞാൻ സ്വയം മുങ്ങുകയാണ്). ഒന്നാമതായി, കഴിവുള്ള ഒരു സിസ്റ്റം അഡ്മിനിസ്ട്രേറ്റർക്കായി നിങ്ങൾ മേലിൽ ധാരാളം പണം ചെലവഴിക്കേണ്ടതില്ല (ഞാൻ സ്വയം മുങ്ങുന്നത് തുടരുന്നു). രണ്ടാമതായി, ഉള്ളിൽ നിന്ന് (കുറഞ്ഞത് ഭാഗികമായെങ്കിലും) ഹാക്ക് ചെയ്യാനുള്ള അപകടമില്ല.

കാലഹരണപ്പെട്ട മാൻ-ഇൻ-ദി-മിഡിൽ ആശയം

ഇപ്പോൾ, സിസ്റ്റം എന്തിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് നമുക്ക് നോക്കാം.

ഈ സിസ്റ്റം 4 ആശയവിനിമയ പ്രോട്ടോക്കോളുകളിൽ പ്രവർത്തിക്കുന്നു: TCP/IP – ഇന്റർനെറ്റ് ഡാറ്റ ട്രാൻസ്ഫർ പ്രോട്ടോക്കോൾ, DNS – ഡൊമെയ്ൻ നെയിം സെർവർ, TLS – ട്രാൻസ്പോർട്ട് ലെയർ സെക്യൂരിറ്റി പ്രോട്ടോക്കോൾ, SPLT (സ്പേസ് വയർ ഫിസിക്കൽ ലെയർ ടെസ്റ്റർ) – ഫിസിക്കൽ ലെയർ കമ്മ്യൂണിക്കേഷൻ ടെസ്റ്റർ.

ETA-യിൽ പ്രവർത്തിക്കുന്ന പ്രോട്ടോക്കോളുകൾ

ഡാറ്റ താരതമ്യം ചെയ്താണ് താരതമ്യം നടത്തുന്നത്. പ്രോട്ടോക്കോളുകൾ അനുസരിച്ച് TCP/IP വെബ്‌സൈറ്റുകളുടെ പ്രശസ്തി (ബ്രൗസിംഗ് ചരിത്രം, സൃഷ്ടിയുടെ ഉദ്ദേശ്യം മുതലായവ) പരിശോധിക്കുന്നു. DNS പ്രോട്ടോക്കോളിന് നന്ദി, നമുക്ക് "മോശമായ" വെബ്‌സൈറ്റ് വിലാസങ്ങൾ നിരസിക്കാൻ കഴിയും. TLS പ്രോട്ടോക്കോൾ വെബ്‌സൈറ്റ് വിരലടയാളങ്ങൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കുകയും കമ്പ്യൂട്ടർ എമർജൻസി റെസ്‌പോൺസ് ടീം (CERT) ഡാറ്റാബേസിനെതിരെ വെബ്‌സൈറ്റ് പരിശോധിക്കുകയും ചെയ്യുന്നു. കണക്ഷൻ സ്ഥിരീകരണത്തിന്റെ അവസാന ഘട്ടം ഫിസിക്കൽ ലെയർ സ്ഥിരീകരണമാണ്. ഈ ഘട്ടത്തിന്റെ വിശദാംശങ്ങൾ വ്യക്തമാക്കിയിട്ടില്ല, പക്ഷേ സാരാംശം ഇപ്രകാരമാണ്: ഓസിലോസ്കോപ്പുകൾ ഉപയോഗിച്ച് സൈൻ, കോസൈൻ വേവ് ഡാറ്റ ട്രാൻസ്മിഷൻ കർവുകളുടെ സ്ഥിരീകരണം. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, കണക്ഷന്റെ ഉദ്ദേശ്യം ഫിസിക്കൽ ലെയറിലെ അഭ്യർത്ഥന ഘടനയാണ് നിർണ്ണയിക്കുന്നത്.

സിസ്റ്റത്തിൻ്റെ പ്രവർത്തനത്തിൻ്റെ ഫലമായി, എൻക്രിപ്റ്റ് ചെയ്ത ട്രാഫിക്കിൽ നിന്ന് ഞങ്ങൾക്ക് ഡാറ്റ ലഭിക്കും. പാക്കറ്റുകൾ പരിശോധിക്കുന്നതിലൂടെ, പാക്കറ്റിലെ തന്നെ എൻക്രിപ്റ്റ് ചെയ്യാത്ത ഫീൽഡുകളിൽ നിന്ന് നമുക്ക് കഴിയുന്നത്ര വിവരങ്ങൾ വായിക്കാൻ കഴിയും. ഫിസിക്കൽ ലെയറിൽ പാക്കറ്റ് പരിശോധിക്കുന്നതിലൂടെ, പാക്കറ്റിൻ്റെ സവിശേഷതകൾ (ഭാഗികമായോ പൂർണ്ണമായോ) ഞങ്ങൾ കണ്ടെത്തുന്നു. കൂടാതെ, സൈറ്റുകളുടെ പ്രശസ്തിയെക്കുറിച്ച് മറക്കരുത്. ഏതെങ്കിലും .ഉള്ളി ഉറവിടത്തിൽ നിന്നാണ് അഭ്യർത്ഥന വന്നതെങ്കിൽ, നിങ്ങൾ അത് വിശ്വസിക്കരുത്. ഇത്തരത്തിലുള്ള ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നത് എളുപ്പമാക്കുന്നതിന്, ഒരു റിസ്ക് മാപ്പ് സൃഷ്ടിച്ചു.

ETA യുടെ പ്രവൃത്തിയുടെ ഫലം

എല്ലാം ശരിയാണെന്ന് തോന്നുന്നു, പക്ഷേ നമുക്ക് നെറ്റ്‌വർക്ക് വിന്യാസത്തെക്കുറിച്ച് സംസാരിക്കാം.

ETA യുടെ ഭൗതിക നിർവ്വഹണം

നിരവധി സൂക്ഷ്മതകളും സൂക്ഷ്മതകളും ഇവിടെ ഉയർന്നുവരുന്നു. ഒന്നാമതായി, ഇത്തരത്തിലുള്ള സൃഷ്ടിക്കുമ്പോൾ
ഉയർന്ന തലത്തിലുള്ള സോഫ്റ്റ്‌വെയർ ഉള്ള നെറ്റ്‌വർക്കുകൾ, ഡാറ്റ ശേഖരണം ആവശ്യമാണ്. പൂർണ്ണമായും സ്വമേധയാ ഡാറ്റ ശേഖരിക്കുക
വന്യമായ, എന്നാൽ ഒരു പ്രതികരണ സംവിധാനം നടപ്പിലാക്കുന്നത് ഇതിനകം കൂടുതൽ രസകരമാണ്. രണ്ടാമതായി, ഡാറ്റ
ധാരാളം ഉണ്ടായിരിക്കണം, അതിനർത്ഥം ഇൻസ്റ്റാൾ ചെയ്ത നെറ്റ്‌വർക്ക് സെൻസറുകൾ പ്രവർത്തിക്കണം എന്നാണ്
സ്വയംഭരണപരമായി മാത്രമല്ല, നന്നായി ട്യൂൺ ചെയ്ത മോഡിലും, ഇത് നിരവധി ബുദ്ധിമുട്ടുകൾ സൃഷ്ടിക്കുന്നു.

സെൻസറുകളും സ്റ്റെൽത്ത് വാച്ച് സിസ്റ്റവും

ഒരു സെൻസർ ഇൻസ്റ്റാൾ ചെയ്യുന്നത് ഒരു കാര്യമാണ്, എന്നാൽ അത് സജ്ജീകരിക്കുന്നത് തികച്ചും വ്യത്യസ്തമായ ഒരു ജോലിയാണ്. സെൻസറുകൾ ക്രമീകരിക്കുന്നതിന്, ഇനിപ്പറയുന്ന ടോപ്പോളജി അനുസരിച്ച് പ്രവർത്തിക്കുന്ന ഒരു സമുച്ചയം ഉണ്ട് - ISR = Cisco ഇൻ്റഗ്രേറ്റഡ് സർവീസസ് റൂട്ടർ; ASR = സിസ്‌കോ അഗ്രഗേഷൻ സർവീസസ് റൂട്ടർ; CSR = Cisco Cloud Services Router; WLC = Cisco Wireless LAN കൺട്രോളർ; IE = Cisco Industrial Ethernet Switch; ASA = Cisco Adaptive Security Appliance; FTD = Cisco Firepower Threat Defense Solution; WSA = വെബ് സെക്യൂരിറ്റി അപ്ലയൻസ്; ISE = ഐഡൻ്റിറ്റി സർവീസസ് എഞ്ചിൻ

ഏതെങ്കിലും ടെലിമെട്രിക് ഡാറ്റ കണക്കിലെടുത്ത് സമഗ്രമായ നിരീക്ഷണം

മുമ്പത്തെ ഖണ്ഡികയിലെ "സിസ്‌കോ" എന്ന പദങ്ങളുടെ എണ്ണത്തിൽ നിന്ന് നെറ്റ്‌വർക്ക് അഡ്മിനിസ്ട്രേറ്റർമാർ ആർറിഥ്മിയ അനുഭവിക്കാൻ തുടങ്ങുന്നു. ഈ അത്ഭുതത്തിൻ്റെ വില ചെറുതല്ല, എന്നാൽ നമ്മൾ ഇന്ന് സംസാരിക്കുന്നത് അതല്ല...

ഹാക്കറുടെ പെരുമാറ്റം ഇനിപ്പറയുന്ന രീതിയിൽ രൂപപ്പെടുത്തും. നെറ്റ്‌വർക്കിലെ എല്ലാ ഉപകരണങ്ങളുടെയും പ്രവർത്തനം സ്റ്റെൽത്ത് വാച്ച് ശ്രദ്ധാപൂർവ്വം നിരീക്ഷിക്കുകയും സാധാരണ സ്വഭാവത്തിൻ്റെ ഒരു പാറ്റേൺ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. കൂടാതെ, ഈ പരിഹാരം അറിയപ്പെടുന്ന അനുചിതമായ പെരുമാറ്റത്തെക്കുറിച്ച് ആഴത്തിലുള്ള ഉൾക്കാഴ്ച നൽകുന്നു. സ്‌കാനിംഗ്, ഹോസ്റ്റ് അലാറം ഫ്രെയിമുകൾ, ബ്രൂട്ട്-ഫോഴ്‌സ് ലോഗിനുകൾ, സംശയാസ്പദമായ ഡാറ്റ ക്യാപ്‌ചർ, സംശയാസ്പദമായ ഡാറ്റ ചോർച്ച മുതലായവ പോലുള്ള വിവിധ തരം ട്രാഫിക് സ്വഭാവങ്ങളെ അഭിസംബോധന ചെയ്യുന്ന ഏകദേശം 100 വ്യത്യസ്ത വിശകലന അൽഗോരിതങ്ങൾ അല്ലെങ്കിൽ ഹ്യൂറിസ്റ്റിക്‌സ് പരിഹാരം ഉപയോഗിക്കുന്നു. ലിസ്റ്റുചെയ്തിരിക്കുന്ന സുരക്ഷാ ഇവൻ്റുകൾ ഉയർന്ന തലത്തിലുള്ള ലോജിക്കൽ അലാറങ്ങളുടെ വിഭാഗത്തിൽ പെടുന്നു. ചില സുരക്ഷാ ഇവൻ്റുകൾക്ക് സ്വന്തമായി ഒരു അലാറം ട്രിഗർ ചെയ്യാനും കഴിയും. അങ്ങനെ, ഒറ്റപ്പെട്ട ഒന്നിലധികം അസാധാരണ സംഭവങ്ങൾ പരസ്പരം ബന്ധപ്പെടുത്താനും സാധ്യമായ ആക്രമണ തരം നിർണ്ണയിക്കാനും അവയെ ഒരു പ്രത്യേക ഉപകരണത്തിലേക്കും ഉപയോക്താവിലേക്കും ബന്ധിപ്പിക്കാനും സിസ്റ്റത്തിന് കഴിയും (ചിത്രം 2). ഭാവിയിൽ, സംഭവം കാലക്രമേണ പഠിക്കുകയും അനുബന്ധ ടെലിമെട്രി ഡാറ്റ കണക്കിലെടുക്കുകയും ചെയ്യാം. ഇത് സന്ദർഭോചിതമായ വിവരങ്ങൾ ഏറ്റവും മികച്ച രീതിയിൽ ഉൾക്കൊള്ളുന്നു. എന്താണ് കുഴപ്പമെന്ന് മനസ്സിലാക്കാൻ രോഗിയെ പരിശോധിക്കുന്ന ഡോക്ടർമാർ രോഗലക്ഷണങ്ങൾ ഒറ്റപ്പെട്ട് നോക്കുന്നില്ല. രോഗനിർണയം നടത്താൻ അവർ വലിയ ചിത്രം നോക്കുന്നു. അതുപോലെ, Stealthwatch നെറ്റ്‌വർക്കിലെ എല്ലാ അസാധാരണ പ്രവർത്തനങ്ങളും ക്യാപ്‌ചർ ചെയ്യുകയും സന്ദർഭ-അവബോധ അലാറങ്ങൾ അയയ്‌ക്കാൻ അത് സമഗ്രമായി പരിശോധിക്കുകയും അതുവഴി അപകടസാധ്യതകൾക്ക് മുൻഗണന നൽകാൻ സുരക്ഷാ പ്രൊഫഷണലുകളെ സഹായിക്കുകയും ചെയ്യുന്നു.

പെരുമാറ്റ മോഡലിംഗ് ഉപയോഗിച്ച് അപാകത കണ്ടെത്തൽ

നെറ്റ്‌വർക്കിൻ്റെ ഭൗതിക വിന്യാസം ഇതുപോലെ കാണപ്പെടുന്നു:

ബ്രാഞ്ച് നെറ്റ്‌വർക്ക് വിന്യാസ ഓപ്ഷൻ (ലളിതമാക്കിയത്)

ബ്രാഞ്ച് നെറ്റ്‌വർക്ക് വിന്യാസ ഓപ്ഷൻ

നെറ്റ്‌വർക്ക് വിന്യസിച്ചു, പക്ഷേ ന്യൂറോണിനെക്കുറിച്ചുള്ള ചോദ്യം തുറന്നിരിക്കുന്നു. അവർ ഒരു ഡാറ്റാ ട്രാൻസ്മിഷൻ നെറ്റ്‌വർക്ക് സംഘടിപ്പിച്ചു, പരിധിയിൽ സെൻസറുകൾ സ്ഥാപിക്കുകയും ഒരു വിവര ശേഖരണ സംവിധാനം ആരംഭിക്കുകയും ചെയ്തു, പക്ഷേ ന്യൂറോൺ വിഷയത്തിൽ പങ്കെടുത്തില്ല. ബൈ.

മൾട്ടി ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്ക്

ക്ഷുദ്രകരമായ അണുബാധകൾ, കമാൻഡ് ആൻഡ് കൺട്രോൾ സെർവറുകളുമായുള്ള ആശയവിനിമയങ്ങൾ, ഡാറ്റ ചോർച്ചകൾ, ഓർഗനൈസേഷൻ്റെ ഇൻഫ്രാസ്ട്രക്ചറിൽ പ്രവർത്തിക്കുന്ന അനാവശ്യ ആപ്ലിക്കേഷനുകൾ എന്നിവ കണ്ടെത്തുന്നതിന് സിസ്റ്റം ഉപയോക്താവിൻ്റെയും ഉപകരണത്തിൻ്റെയും പെരുമാറ്റം വിശകലനം ചെയ്യുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്, മെഷീൻ ലേണിംഗ്, മാത്തമാറ്റിക്കൽ സ്റ്റാറ്റിസ്റ്റിക്സ് ടെക്നിക്കുകൾ എന്നിവയുടെ സംയോജനം നെറ്റ്‌വർക്കിനെ അതിൻ്റെ സാധാരണ പ്രവർത്തനം സ്വയം പഠിക്കാൻ സഹായിക്കുന്ന ഒന്നിലധികം ലെയറുകൾ ഡാറ്റ പ്രോസസ്സിംഗ് ഉണ്ട്, അതുവഴി ക്ഷുദ്രകരമായ പ്രവർത്തനം കണ്ടെത്താനാകും.

എൻക്രിപ്റ്റഡ് ട്രാഫിക് ഉൾപ്പെടെയുള്ള വിപുലീകൃത നെറ്റ്‌വർക്കിൻ്റെ എല്ലാ ഭാഗങ്ങളിൽ നിന്നും ടെലിമെട്രി ഡാറ്റ ശേഖരിക്കുന്ന നെറ്റ്‌വർക്ക് സുരക്ഷാ വിശകലന പൈപ്പ്‌ലൈൻ, സ്റ്റെൽത്ത്വാച്ചിൻ്റെ സവിശേഷ സവിശേഷതയാണ്. ഇത് "അനോമലസ്" എന്താണെന്നതിനെക്കുറിച്ചുള്ള ഒരു ധാരണ വർദ്ധിപ്പിക്കുന്നു, തുടർന്ന് "ഭീഷണി പ്രവർത്തനത്തിൻ്റെ" യഥാർത്ഥ വ്യക്തിഗത ഘടകങ്ങളെ വർഗ്ഗീകരിക്കുകയും ഉപകരണമോ ഉപയോക്താവോ യഥാർത്ഥത്തിൽ വിട്ടുവീഴ്ച ചെയ്തിട്ടുണ്ടോ എന്നതിനെക്കുറിച്ചുള്ള അന്തിമ തീരുമാനം എടുക്കുകയും ചെയ്യുന്നു. ഒരു അസറ്റ് വിട്ടുവീഴ്ച ചെയ്തിട്ടുണ്ടോ എന്നതിനെക്കുറിച്ചുള്ള അന്തിമ തീരുമാനം എടുക്കുന്നതിനുള്ള തെളിവുകൾ രൂപപ്പെടുത്തുന്ന ചെറിയ കഷണങ്ങൾ ഒരുമിച്ച് ചേർക്കാനുള്ള കഴിവ് വളരെ സൂക്ഷ്മമായ വിശകലനത്തിലൂടെയും പരസ്പര ബന്ധത്തിലൂടെയും വരുന്നു.

ഈ കഴിവ് പ്രധാനമാണ്, കാരണം ഒരു സാധാരണ ബിസിനസ്സിന് എല്ലാ ദിവസവും ധാരാളം അലാറങ്ങൾ ലഭിച്ചേക്കാം, കൂടാതെ സുരക്ഷാ പ്രൊഫഷണലുകൾക്ക് പരിമിതമായ ഉറവിടങ്ങൾ ഉള്ളതിനാൽ ഓരോന്നും അന്വേഷിക്കുന്നത് അസാധ്യമാണ്. മെഷീൻ ലേണിംഗ് മൊഡ്യൂൾ ഉയർന്ന തലത്തിലുള്ള ആത്മവിശ്വാസത്തോടെ നിർണായക സംഭവങ്ങൾ തിരിച്ചറിയുന്നതിനായി തത്സമയം വലിയ അളവിലുള്ള വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു, കൂടാതെ ദ്രുത പരിഹാരത്തിനായി വ്യക്തമായ പ്രവർത്തന കോഴ്സുകൾ നൽകാനും കഴിയും.

സ്റ്റെൽത്ത് വാച്ച് ഉപയോഗിക്കുന്ന നിരവധി മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളിലേക്ക് നമുക്ക് അടുത്തറിയാം. സ്റ്റെൽത്ത്വാച്ചിൻ്റെ മെഷീൻ ലേണിംഗ് എഞ്ചിനിൽ ഒരു സംഭവം സമർപ്പിക്കുമ്പോൾ, അത് സൂപ്പർവൈസുചെയ്‌തതും മേൽനോട്ടമില്ലാത്തതുമായ മെഷീൻ ലേണിംഗ് ടെക്‌നിക്കുകളുടെ സംയോജനം ഉപയോഗിക്കുന്ന ഒരു സുരക്ഷാ വിശകലന ഫണലിലൂടെ കടന്നുപോകുന്നു.

മൾട്ടി ലെവൽ മെഷീൻ ലേണിംഗ് കഴിവുകൾ

നില 1. അനോമലി ഡിറ്റക്ഷനും ട്രസ്റ്റ് മോഡലിംഗും

ഈ തലത്തിൽ, 99% ട്രാഫിക്കും സ്റ്റാറ്റിസ്റ്റിക്കൽ അനോമലി ഡിറ്റക്ടറുകൾ ഉപയോഗിച്ച് നിരസിക്കുന്നു. ഈ സെൻസറുകൾ ചേർന്ന് സാധാരണമായതിൻ്റെ സങ്കീർണ്ണ മാതൃകകൾ രൂപപ്പെടുത്തുന്നു, നേരെമറിച്ച് അസാധാരണമായത്. എന്നിരുന്നാലും, അസാധാരണമായത് ഹാനികരമാകണമെന്നില്ല. നിങ്ങളുടെ നെറ്റ്‌വർക്കിൽ നടക്കുന്ന പല കാര്യങ്ങൾക്കും ഭീഷണിയുമായി യാതൊരു ബന്ധവുമില്ല-ഇത് വിചിത്രമാണ്. ഭീഷണിപ്പെടുത്തുന്ന സ്വഭാവം കണക്കിലെടുക്കാതെ അത്തരം പ്രക്രിയകളെ തരംതിരിക്കുന്നത് പ്രധാനമാണ്. ഇക്കാരണത്താൽ, വിശദീകരിക്കാനും വിശ്വസിക്കാനും കഴിയുന്ന വിചിത്രമായ പെരുമാറ്റം ക്യാപ്‌ചർ ചെയ്യുന്നതിനായി അത്തരം ഡിറ്റക്ടറുകളുടെ ഫലങ്ങൾ കൂടുതൽ വിശകലനം ചെയ്യുന്നു. ആത്യന്തികമായി, ഏറ്റവും പ്രധാനപ്പെട്ട ത്രെഡുകളുടെയും അഭ്യർത്ഥനകളുടെയും ഒരു ചെറിയ ഭാഗം മാത്രമേ 2, 3 ലെയറുകളിൽ എത്തിക്കൂ. അത്തരം മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിക്കാതെ, ശബ്ദത്തിൽ നിന്ന് സിഗ്നലിനെ വേർതിരിക്കുന്നതിനുള്ള പ്രവർത്തന ചെലവ് വളരെ കൂടുതലായിരിക്കും.

അപാകത കണ്ടെത്തൽ. അനോമലി ഡിറ്റക്ഷനിലെ ആദ്യപടി സ്റ്റാറ്റിസ്റ്റിക്കൽ മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിച്ച് സ്റ്റാറ്റിസ്റ്റിക്കൽ നോർമൽ ട്രാഫിക്കിനെ അനോമലസ് ട്രാഫിക്കിൽ നിന്ന് വേർതിരിക്കുന്നു. 70-ലധികം വ്യക്തിഗത ഡിറ്റക്ടറുകൾ നിങ്ങളുടെ നെറ്റ്‌വർക്ക് പരിധിയിലൂടെ കടന്നുപോകുന്ന ട്രാഫിക്കിൽ ശേഖരിക്കുന്ന ടെലിമെട്രി ഡാറ്റ പ്രോക്‌സി സെർവർ ഡാറ്റയിൽ നിന്ന് ഇൻ്റേണൽ ഡൊമെയ്ൻ നെയിം സിസ്റ്റം (ഡിഎൻഎസ്) ട്രാഫിക്ക് വേർതിരിക്കുന്നു. ഓരോ അഭ്യർത്ഥനയും 70-ലധികം ഡിറ്റക്ടറുകൾ പ്രോസസ്സ് ചെയ്യുന്നു, ഓരോ ഡിറ്റക്ടറും അവരുടേതായ സ്റ്റാറ്റിസ്റ്റിക്കൽ അൽഗോരിതം ഉപയോഗിച്ച് കണ്ടെത്തിയ അപാകതകൾ വിലയിരുത്തുന്നു. ഈ സ്കോറുകൾ സംയോജിപ്പിച്ച് ഓരോ വ്യക്തിഗത അന്വേഷണത്തിനും ഒരൊറ്റ സ്കോർ നിർമ്മിക്കാൻ ഒന്നിലധികം സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിക്കുന്നു. ഈ മൊത്തം സ്കോർ പിന്നീട് സാധാരണവും അസാധാരണവുമായ ട്രാഫിക്കിനെ വേർതിരിക്കാൻ ഉപയോഗിക്കുന്നു.

മോഡലിംഗ് ട്രസ്റ്റ്. അടുത്തതായി, സമാന അഭ്യർത്ഥനകൾ ഗ്രൂപ്പുചെയ്‌തു, അത്തരം ഗ്രൂപ്പുകളുടെ മൊത്തത്തിലുള്ള അനോമലി സ്‌കോർ ദീർഘകാല ശരാശരിയായി നിർണ്ണയിക്കപ്പെടുന്നു. കാലക്രമേണ, ദീർഘകാല ശരാശരി നിർണ്ണയിക്കാൻ കൂടുതൽ അന്വേഷണങ്ങൾ വിശകലനം ചെയ്യുന്നു, അതുവഴി തെറ്റായ പോസിറ്റീവുകളും തെറ്റായ നെഗറ്റീവുകളും കുറയ്ക്കുന്നു. ട്രസ്റ്റ് മോഡലിംഗ് ഫലങ്ങൾ ട്രാഫിക്കിൻ്റെ ഒരു ഉപവിഭാഗം തിരഞ്ഞെടുക്കാൻ ഉപയോഗിക്കുന്നു, അതിൻ്റെ അനോമലി സ്കോർ അടുത്ത പ്രോസസ്സിംഗ് ലെവലിലേക്ക് നീങ്ങുന്നതിന് ചലനാത്മകമായി നിർണ്ണയിക്കപ്പെട്ട പരിധി കവിയുന്നു.

ലെവൽ 2. ഇവൻ്റ് വർഗ്ഗീകരണവും ഒബ്ജക്റ്റ് മോഡലിംഗും

ഈ തലത്തിൽ, മുൻ ഘട്ടങ്ങളിൽ ലഭിച്ച ഫലങ്ങൾ തരംതിരിക്കുകയും നിർദ്ദിഷ്ട ക്ഷുദ്ര സംഭവങ്ങൾക്ക് നിയുക്തമാക്കുകയും ചെയ്യുന്നു. 90%-ന് മുകളിലുള്ള സ്ഥിരതയുള്ള കൃത്യതാ നിരക്ക് ഉറപ്പാക്കാൻ മെഷീൻ ലേണിംഗ് ക്ലാസിഫയറുകൾ നിയുക്തമാക്കിയ മൂല്യത്തെ അടിസ്ഥാനമാക്കിയാണ് ഇവൻ്റുകൾ തരംതിരിക്കുന്നത്. അവർക്കിടയിൽ:

• നെയ്മാൻ-പിയേഴ്സൺ ലെമ്മയെ അടിസ്ഥാനമാക്കിയുള്ള രേഖീയ മോഡലുകൾ (ലേഖനത്തിൻ്റെ തുടക്കത്തിലെ ഗ്രാഫിൽ നിന്നുള്ള സാധാരണ വിതരണ നിയമം)
• മൾട്ടിവേരിയേറ്റ് ലേണിംഗ് ഉപയോഗിച്ച് വെക്റ്റർ മെഷീനുകളെ പിന്തുണയ്ക്കുക
• ന്യൂറൽ നെറ്റ്‌വർക്കുകളും റാൻഡം ഫോറസ്റ്റ് അൽഗോരിതവും.

ഈ ഒറ്റപ്പെട്ട സുരക്ഷാ ഇവൻ്റുകൾ പിന്നീട് കാലക്രമേണ ഒരൊറ്റ എൻഡ് പോയിൻ്റുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ഈ ഘട്ടത്തിലാണ് ഒരു ഭീഷണി വിവരണം രൂപപ്പെടുന്നത്, അതിനെ അടിസ്ഥാനമാക്കിയാണ് പ്രസക്തമായ ആക്രമണകാരിക്ക് ചില ഫലങ്ങൾ നേടാൻ കഴിഞ്ഞത് എന്നതിൻ്റെ പൂർണ്ണമായ ചിത്രം സൃഷ്ടിക്കപ്പെടുന്നു.

സംഭവങ്ങളുടെ വർഗ്ഗീകരണം. മുമ്പത്തെ ലെവലിൽ നിന്നുള്ള സ്ഥിതിവിവരക്കണക്കിലെ അപാകതയുള്ള ഉപവിഭാഗം ക്ലാസിഫയറുകൾ ഉപയോഗിച്ച് 100-ഓ അതിലധികമോ വിഭാഗങ്ങളായി വിതരണം ചെയ്യുന്നു. മിക്ക ക്ലാസിഫയറുകളും വ്യക്തിഗത പെരുമാറ്റം, ഗ്രൂപ്പ് ബന്ധങ്ങൾ, അല്ലെങ്കിൽ ആഗോള അല്ലെങ്കിൽ പ്രാദേശിക തലത്തിലുള്ള പെരുമാറ്റം എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, മറ്റുള്ളവ തികച്ചും നിർദ്ദിഷ്ടമായിരിക്കും. ഉദാഹരണത്തിന്, ക്ലാസിഫയർ C&C ട്രാഫിക്, സംശയാസ്പദമായ ഒരു വിപുലീകരണം അല്ലെങ്കിൽ ഒരു അനധികൃത സോഫ്‌റ്റ്‌വെയർ അപ്‌ഡേറ്റ് എന്നിവ സൂചിപ്പിക്കാം. ഈ ഘട്ടത്തിൻ്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, സുരക്ഷാ സംവിധാനത്തിലെ അസാധാരണ സംഭവങ്ങളുടെ ഒരു കൂട്ടം, ചില വിഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു.

ഒബ്ജക്റ്റ് മോഡലിംഗ്. ഒരു പ്രത്യേക വസ്തു ദോഷകരമാണെന്ന അനുമാനത്തെ പിന്തുണയ്ക്കുന്ന തെളിവുകളുടെ അളവ് ഭൗതികതയുടെ പരിധി കവിയുന്നുവെങ്കിൽ, ഒരു ഭീഷണി നിർണ്ണയിക്കപ്പെടുന്നു. ഒരു ഭീഷണിയുടെ നിർവചനത്തെ സ്വാധീനിച്ച പ്രസക്തമായ സംഭവങ്ങൾ അത്തരമൊരു ഭീഷണിയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, കൂടാതെ വസ്തുവിൻ്റെ ഒരു പ്രത്യേക ദീർഘകാല മാതൃകയുടെ ഭാഗമായിത്തീരുകയും ചെയ്യുന്നു. കാലക്രമേണ തെളിവുകൾ ശേഖരിക്കപ്പെടുമ്പോൾ, ഭൗതികതയുടെ പരിധിയിലെത്തുമ്പോൾ സിസ്റ്റം പുതിയ ഭീഷണികളെ തിരിച്ചറിയുന്നു. ഈ ത്രെഷോൾഡ് മൂല്യം ചലനാത്മകവും അപകടസാധ്യതയുടെ തോതും മറ്റ് ഘടകങ്ങളും അടിസ്ഥാനമാക്കി ബുദ്ധിപരമായി ക്രമീകരിക്കപ്പെട്ടതുമാണ്. ഇതിനുശേഷം, വെബ് ഇൻ്റർഫേസിൻ്റെ വിവര പാനലിൽ ഭീഷണി ദൃശ്യമാകുകയും അടുത്ത ഘട്ടത്തിലേക്ക് മാറ്റുകയും ചെയ്യുന്നു.

ലെവൽ 3. റിലേഷൻഷിപ്പ് മോഡലിംഗ്

റിലേഷൻഷിപ്പ് മോഡലിംഗിൻ്റെ ഉദ്ദേശ്യം, മുൻ തലങ്ങളിൽ ലഭിച്ച ഫലങ്ങൾ ആഗോള വീക്ഷണകോണിൽ നിന്ന് സമന്വയിപ്പിക്കുക എന്നതാണ്, പ്രാദേശിക മാത്രമല്ല, പ്രസക്തമായ സംഭവത്തിൻ്റെ ആഗോള സന്ദർഭവും കണക്കിലെടുക്കുന്നു. ഈ ഘട്ടത്തിലാണ് ഇത് നിങ്ങളെ പ്രത്യേകമായി ലക്ഷ്യം വച്ചതാണോ അതോ ആഗോള കാമ്പെയ്‌നിൻ്റെ ഭാഗമാണോ എന്ന് മനസിലാക്കാൻ എത്ര സംഘടനകൾ ഇത്തരമൊരു ആക്രമണം നേരിട്ടുവെന്ന് നിങ്ങൾക്ക് നിർണ്ണയിക്കാനാകും, നിങ്ങൾ ഇപ്പോൾ പിടിക്കപ്പെട്ടു.

സംഭവങ്ങൾ സ്ഥിരീകരിക്കുകയോ കണ്ടെത്തുകയോ ചെയ്യുന്നു. ഒരു പരിശോധിച്ച സംഭവം 99 മുതൽ 100% വരെ ആത്മവിശ്വാസത്തെ സൂചിപ്പിക്കുന്നു, കാരണം അനുബന്ധ സാങ്കേതിക വിദ്യകളും ഉപകരണങ്ങളും മുമ്പ് വലിയ (ആഗോള) സ്കെയിലിൽ പ്രവർത്തനത്തിൽ നിരീക്ഷിക്കപ്പെട്ടിട്ടുണ്ട്. കണ്ടെത്തിയ സംഭവങ്ങൾ നിങ്ങൾക്ക് അദ്വിതീയമാണ്, മാത്രമല്ല വളരെ ടാർഗെറ്റുചെയ്‌ത കാമ്പെയ്‌നിൻ്റെ ഭാഗവുമാണ്. മുൻകാല കണ്ടെത്തലുകൾ അറിയപ്പെടുന്ന പ്രവർത്തനരീതിയുമായി പങ്കിടുന്നു, പ്രതികരണമായി നിങ്ങളുടെ സമയവും വിഭവങ്ങളും ലാഭിക്കുന്നു. ആരാണ് നിങ്ങളെ ആക്രമിച്ചതെന്നും കാമ്പെയ്ൻ നിങ്ങളുടെ ഡിജിറ്റൽ ബിസിനസിനെ എത്രത്തോളം ലക്ഷ്യമാക്കിയുള്ളതാണെന്നും മനസ്സിലാക്കാൻ ആവശ്യമായ അന്വേഷണ ഉപകരണങ്ങളുമായാണ് അവ വരുന്നത്. നിങ്ങൾക്ക് സങ്കൽപ്പിക്കാൻ കഴിയുന്നതുപോലെ, സ്ഥിരീകരിച്ച സംഭവങ്ങളുടെ എണ്ണം കണ്ടെത്തിയ സംഭവങ്ങളുടെ എണ്ണത്തേക്കാൾ വളരെ കൂടുതലാണ്, കാരണം സ്ഥിരീകരിച്ച സംഭവങ്ങളിൽ ആക്രമണകാരികൾക്ക് വലിയ ചിലവ് ഉണ്ടാകില്ല, അതേസമയം കണ്ടെത്തിയ സംഭവങ്ങൾ.
ചെലവേറിയത്, കാരണം അവ പുതിയതും ഇഷ്ടാനുസൃതമാക്കിയതുമായിരിക്കണം. സ്ഥിരീകരിച്ച സംഭവങ്ങൾ തിരിച്ചറിയാനുള്ള കഴിവ് സൃഷ്ടിക്കുന്നതിലൂടെ, ഗെയിമിൻ്റെ സാമ്പത്തികശാസ്ത്രം ഒടുവിൽ പ്രതിരോധക്കാർക്ക് അനുകൂലമായി മാറി, അവർക്ക് ഒരു പ്രത്യേക നേട്ടം നൽകുന്നു.

ETA അടിസ്ഥാനമാക്കിയുള്ള ഒരു ന്യൂറൽ കണക്ഷൻ സിസ്റ്റത്തിൻ്റെ മൾട്ടി-ലെവൽ പരിശീലനം

ഗ്ലോബൽ റിസ്ക് മാപ്പ്

വ്യവസായത്തിലെ ഇത്തരത്തിലുള്ള ഏറ്റവും വലിയ ഡാറ്റാസെറ്റുകളിൽ ഒന്നിലേക്ക് മെഷീൻ ലേണിംഗ് അൽഗോരിതം പ്രയോഗിച്ച വിശകലനത്തിലൂടെയാണ് ആഗോള റിസ്ക് മാപ്പ് സൃഷ്ടിക്കുന്നത്. ഇൻറർനെറ്റിലെ സെർവറുകളെക്കുറിച്ചുള്ള പെരുമാറ്റത്തെക്കുറിച്ചുള്ള വിപുലമായ സ്ഥിതിവിവരക്കണക്കുകൾ ഇത് നൽകുന്നു, അവ അജ്ഞാതമാണെങ്കിലും. അത്തരം സെർവറുകൾ ആക്രമണങ്ങളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, ഭാവിയിൽ ആക്രമണത്തിൻ്റെ ഭാഗമായി ഉൾപ്പെടുകയോ ഉപയോഗിക്കപ്പെടുകയോ ചെയ്യാം. ഇതൊരു "ബ്ലാക്ക്‌ലിസ്റ്റ്" അല്ല, സുരക്ഷാ വീക്ഷണകോണിൽ നിന്ന് സംശയാസ്പദമായ സെർവറിൻ്റെ സമഗ്രമായ ചിത്രമാണ്. ഈ സെർവറുകളുടെ പ്രവർത്തനത്തെക്കുറിച്ചുള്ള ഈ സാന്ദർഭിക വിവരങ്ങൾ അത്തരം സെർവറുകളുമായുള്ള ആശയവിനിമയവുമായി ബന്ധപ്പെട്ട അപകടസാധ്യതയുടെ തോത് കൃത്യമായി പ്രവചിക്കാൻ Stealthwatch-ൻ്റെ മെഷീൻ ലേണിംഗ് ഡിറ്റക്ടറുകളെയും ക്ലാസിഫയറുകളെയും അനുവദിക്കുന്നു.

നിങ്ങൾക്ക് ലഭ്യമായ കാർഡുകൾ കാണാൻ കഴിയും ഇവിടെ.

460 ദശലക്ഷം കാണിക്കുന്ന ലോക ഭൂപടം ഐപി വിലാസങ്ങൾ

ഇപ്പോൾ നെറ്റ്‌വർക്ക് പഠിക്കുകയും നിങ്ങളുടെ നെറ്റ്‌വർക്ക് പരിരക്ഷിക്കുന്നതിനായി നിലകൊള്ളുകയും ചെയ്യുന്നു.

ഒടുവിൽ, ഒരു പനേഷ്യ കണ്ടെത്തിയോ?

നിർഭാഗ്യവശാൽ, ഇല്ല. സിസ്റ്റത്തിൽ പ്രവർത്തിച്ച അനുഭവത്തിൽ നിന്ന്, 2 ആഗോള പ്രശ്നങ്ങളുണ്ടെന്ന് എനിക്ക് പറയാൻ കഴിയും.

പ്രശ്നം 1. വില. മുഴുവൻ ശൃംഖലയും ഒരു സിസ്കോ സിസ്റ്റത്തിൽ വിന്യസിച്ചിരിക്കുന്നു. ഇത് നല്ലതും ചീത്തയുമാണ്. D-Link, MikroTik മുതലായ ഒരു കൂട്ടം പ്ലഗുകൾ നിങ്ങൾ ബുദ്ധിമുട്ടിക്കുകയും ഇൻസ്റ്റാൾ ചെയ്യുകയും ചെയ്യേണ്ടതില്ല എന്നതാണ് നല്ല വശം. സിസ്റ്റത്തിൻ്റെ വലിയ വിലയാണ് പോരായ്മ. റഷ്യൻ ബിസിനസ്സിൻ്റെ സാമ്പത്തിക സ്ഥിതി കണക്കിലെടുക്കുമ്പോൾ, നിലവിൽ ഒരു വലിയ കമ്പനിയുടെയോ ബാങ്കിൻ്റെയോ സമ്പന്നനായ ഉടമയ്ക്ക് മാത്രമേ ഈ അത്ഭുതം താങ്ങാൻ കഴിയൂ.

പ്രശ്നം 2: പരിശീലനം. ന്യൂറൽ നെറ്റ്‌വർക്കിനുള്ള പരിശീലന കാലയളവ് ഞാൻ ലേഖനത്തിൽ എഴുതിയിട്ടില്ല, പക്ഷേ അത് നിലവിലില്ലാത്തതുകൊണ്ടല്ല, മറിച്ച് അത് എല്ലായ്‌പ്പോഴും പഠിക്കുന്നതിനാലും അത് എപ്പോൾ പഠിക്കുമെന്ന് നമുക്ക് പ്രവചിക്കാൻ കഴിയാത്തതിനാലും. തീർച്ചയായും, ഗണിതശാസ്ത്ര സ്ഥിതിവിവരക്കണക്കുകളുടെ ഉപകരണങ്ങളുണ്ട് (പിയേഴ്സൺ കൺവേർജൻസ് മാനദണ്ഡത്തിൻ്റെ അതേ രൂപീകരണം എടുക്കുക), എന്നാൽ ഇവ പകുതി അളവുകളാണ്. ട്രാഫിക് ഫിൽട്ടർ ചെയ്യാനുള്ള സാധ്യത ഞങ്ങൾക്ക് ലഭിക്കുന്നു, ആക്രമണം ഇതിനകം തന്നെ പ്രാവീണ്യം നേടുകയും അറിയുകയും ചെയ്തിട്ടുണ്ടെന്ന വ്യവസ്ഥയിൽ മാത്രം.

ഈ 2 പ്രശ്‌നങ്ങൾ ഉണ്ടായിരുന്നിട്ടും, പൊതുവെ വിവര സുരക്ഷയുടെ വികസനത്തിലും പ്രത്യേകിച്ച് നെറ്റ്‌വർക്ക് പരിരക്ഷണത്തിലും ഞങ്ങൾ ഒരു വലിയ കുതിച്ചുചാട്ടം നടത്തി. ഈ വസ്തുത നെറ്റ്‌വർക്ക് സാങ്കേതികവിദ്യകളുടെയും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെയും പഠനത്തിന് പ്രചോദനമാകും, അവ ഇപ്പോൾ വളരെ പ്രതീക്ഷ നൽകുന്ന ദിശയാണ്.

അവലംബം: www.habr.com