A new statistical, semantics-indepe

A new statistical, semantics-independent, efficient content-based anomaly detector based on 1-gram analysis that is shown to be effective at detecting abnormal content and attacks. The sensor does not rely upon a specification or
semantic analysis of the target applications. The sensor learns a model of normal content in a completely automated fashion.
– A “binary” based model representation of a mixture of high order n-grams detects abnormal content surprisingly well. Such modeling in the Anagram sensor
can capture the sequential information between bytes and is resistant against existing mimicry attacks; the technique is particularly efficient in space and computational costs, and does not incur infeasible amounts of computation, unlike
building the full frequency distribution of higher order n-grams.
– The implementation of Anagram models using Bloom filters provides fast and
effective correlation while also preserving the privacy of shared content.
– Development of a run-time measurement of the “stability” of a network’s content flow, providing an automatic and reasonable estimate of when the sensor
has been sufficiently trained and is ready for deployment.
– A “bad content model” created from known old attack signatures and collected
virus samples that can be used to perform semi-supervised learning that improves accuracy of the anomaly detector. This information was acquired from
publicly available sources such as Snort rules and online malware collections.
– Identify the data diversity of network payload across sites, which can be used to
thwart large-scale attacks. The so-called Monoculture Problem (a large population of hosts sharing the same vulnerability exploited by a single attack) is the
fundamental reason why worm attacks spread broadly with great efficiency and
speed. Even though each potential target may still have the exact same vulner

Kết quả (Việt) 1:

Một thống kê, ngữ nghĩa, độc lập, hiệu quả bất thường dựa trên nội dung mới phát hiện dựa trên phân tích 1-gam chứng minh là có hiệu quả phát hiện nội dung bất thường và tấn công. Các cảm biến không dựa vào một đặc điểm kỹ thuật hoặcphân tích ngữ nghĩa của các ứng dụng mục tiêu. Bộ cảm biến học một mô hình của các nội dung bình thường trong một thời trang hoàn toàn tự động.-Một đại diện "nhị phân" dựa trên mẫu của một hỗn hợp của trật tự cao n-gam phát hiện bất thường nội dung đáng ngạc nhiên tốt. Mô hình cảm biến Anagramcó thể nắm bắt thông tin tuần tự giữa byte và có khả năng chống chống lại sẵn có mimicry tấn công; kỹ thuật này là đặc biệt hiệu quả trong không gian và tính toán chi phí, và không phải chịu một lượng infeasible tính toán, không giống nhưxây dựng phân phối tần số đầy đủ cao để n-gam.-Thực hiện mô hình đảo chữ cái bằng cách sử dụng bộ lọc Bloom cung cấp nhanh chóng vàhiệu quả tương quan trong khi cũng bảo vệ sự riêng tư của nội dung được chia sẻ.-Phát triển của một thước đo thời gian chạy của "ổn định" của một mạng lưới nội dung chảy, cung cấp một ước tính tự động và hợp lý trong khi bộ cảm biếnđã được đào tạo đầy đủ và sẵn sàng cho việc triển khai.-Một mô hình"nội dung xấu" tạo ra từ chữ ký tấn công được biết đến cũ và thu thậpvirus mẫu có thể được sử dụng để thực hiện bán giám sát học tập để cải thiện tính chính xác của các máy dò bất thường. Thông tin này đã được mua lại từcông khai nguồn chẳng hạn như quy tắc Snort và các bộ sưu tập trực tuyến phần mềm độc hại.-Xác định sự đa dạng dữ liệu của mạng trọng tải trên trang web, mà có thể được sử dụng đểngăn chặn cuộc tấn công quy mô lớn. Canh cái gọi là vấn đề (một dân số lớn của máy chủ chia sẻ cùng một lỗ hổng được khai thác bởi một cuộc tấn công duy nhất) là cáclý do cơ bản tại sao sâu tấn công lây lan rộng rãi với hiệu quả tuyệt vời vàtốc độ. Mặc dù mỗi mục tiêu tiềm năng có thể vẫn còn có chính xác cùng một vulner

Kết quả (Việt) 2:

Một thống kê, ngữ nghĩa độc lập, hiệu quả dựa trên nội dung phát hiện bất thường mới dựa trên phân tích 1-gram được chứng minh là có hiệu quả trong việc phát hiện các nội dung bất thường và các cuộc tấn công. Các cảm biến không dựa trên một đặc điểm kỹ thuật hay
phân tích ngữ nghĩa của các ứng dụng mục tiêu. Các cảm biến học được một mô hình của nội dung bình thường trong một thời trang hoàn toàn tự động.
- A "nhị phân" dựa trên mô hình đại diện của một hỗn hợp của các bậc cao n-gram phát hiện nội dung bất thường cũng đáng ngạc nhiên. Mô hình hóa như trong các bộ cảm biến từ đảo
có thể nắm bắt được thông tin tuần tự giữa byte và có khả năng chống lại các cuộc tấn công bắt chước hiện tại; Kỹ thuật này đặc biệt hiệu quả trong không gian và chi phí tính toán, và không phải trả tiền khả thi của việc tính toán, không giống như
việc xây dựng các phân bố tần số đầy đủ các bậc cao n-gram.
- Việc thực hiện các mô hình đảo chữ sử dụng bộ lọc Bloom cung cấp nhanh chóng và
hiệu quả tương quan trong khi cũng bảo quản sự riêng tư của nội dung chia sẻ.
- Phát triển của một phép đo thời gian chạy của các "ổn định" của dòng nội dung của một mạng lưới, cung cấp một ước tính tự động và hợp lý khi các cảm biến
đã được đào tạo đầy đủ và sẵn sàng để triển khai.
- Một "nội dung xấu mô hình "được tạo ra từ các dấu hiệu tấn công cũ được biết đến và thu thập
các mẫu virus có thể được sử dụng để thực hiện bán giám sát học tập để cải thiện độ chính xác của máy dò bất thường. Thông tin này đã được mua lại từ
các nguồn công khai như quy tắc Snort và các bộ sưu tập phần mềm độc hại trực tuyến.
- Xác định các dữ liệu đa dạng của tải trọng mạng trên các trang web, trong đó có thể được sử dụng để
ngăn chặn các cuộc tấn công quy mô lớn. Cái gọi là độc canh Vấn đề (một dân số lớn các máy chủ chia sẻ các lỗ hổng tương tự khai thác bởi một cuộc tấn công duy nhất) là những
lý do cơ bản tại sao tấn công của sâu lây lan rộng rãi với hiệu quả tuyệt vời và
tốc độ. Mặc dù mỗi mục tiêu tiềm năng vẫn có thể có cùng một vulner chính xác