Large values for S indicate abnorma

Large values for S indicate abnormal behavior. The original approach monitored individual system behavior. In [Porras and Neumann 1997] the EMERALD system expanded the capability to include monitoring of the entire enterprise and allowed for detection of Internet worms and DDoS attacks. [Sargor 1998] also extended this subsystem to perform anomaly detection in link-state routing protocols. [Kruegel et al 2002] used the basic histogram approach to perform service specific anomaly detection. The ASCII characters in network payloads are sorted by frequency. Anomaly scores were calculated by monitoring request type, request length, and payload distribution. [Mahoney et al 2001] also used a simple technique to learn normal ranges of packet header fields. It then compared the observed frequency of header values with the expected probability distribution of header values to identify anomalous behavior. In [Yeung and Chow 2002] a Parzen Window probability density frequency classifier was used to not only identify anomalies, but also perform basic classification. [Himura et a1 2009] propose a dynamic model based on Sketch [Dewaele et al 2007] where parameters are tuned on-line. [Callegari et a1 2008] proposed a model based on high-order Markov chains.

Kết quả (Việt) 1:

Các giá trị lớn cho S chỉ ra hành vi bất thường. Các phương pháp ban đầu theo dõi hành vi cá nhân hệ thống. [Porras và Neumann 1997] Hệ thống Ngọc mở rộng khả năng bao gồm giám sát các doanh nghiệp toàn bộ và cho phép cho các phát hiện của Internet sâu và cuộc tấn công DDoS. [Sargor 1998] cũng mở rộng hệ thống phụ này để thực hiện phát hiện bất thường trong giao thức định tuyến liên kết nhà nước. [Kruegel et al 2002] sử dụng phương pháp tiếp cận cơ bản biểu đồ để thực hiện các dịch vụ cụ thể bất thường phát hiện. Các ký tự ASCII trong mạng dữ liệu được sắp xếp theo tần số. Điểm bất thường được tính theo giám sát yêu cầu loại, chiều dài yêu cầu, và phân phối tải trọng chiến đấu. [Mahoney et al 2001] cũng sử dụng một kỹ thuật đơn giản để tìm hiểu các phạm vi bình thường của trường tiêu đề gói. Nó sau đó so sánh tần số quan sát các giá trị tiêu đề với sự phân bố xác suất dự kiến của tiêu đề giá trị để xác định các hành vi bất thường. [Yeung và Chow 2002] một loại cửa sổ Parzen mật độ xác suất tần số được sử dụng để không chỉ xác định bất thường, nhưng cũng thực hiện phân loại cơ bản. [Himura et a1 2009] đề xuất một mô hình động dựa trên ký họa [Dewaele et al 2007] nơi tham số được điều chỉnh trên mạng. [Callegari et a1 2008] đề xuất một mô hình dựa trên thứ tự cao Markov dây chuyền.

Kết quả (Việt) 2:

Giá trị lớn cho S chỉ ra hành vi bất thường. Các cách tiếp cận ban đầu theo dõi hành vi của từng hệ thống. Trong [Porras và Neumann 1997] hệ thống EMERALD mở rộng khả năng bao gồm giám sát của toàn bộ doanh nghiệp và cho phép phát hiện của sâu Internet và các cuộc tấn công DDoS. [Sargor 1998] cũng mở rộng thêm hệ thống phụ này để thực hiện phát hiện bất thường trong các giao thức định tuyến link-state. [Kruegel et al 2002] sử dụng phương pháp biểu đồ cơ bản để thực hiện các dịch vụ phát hiện bất thường cụ thể. Các ký tự ASCII trong trọng tải mạng được sắp xếp theo tần số. Điểm bất thường đã được tính toán bằng cách giám sát loại yêu cầu, yêu cầu chiều dài, và phân phối tải trọng. [Mahoney et al 2001] cũng sử dụng một kỹ thuật đơn giản để tìm hiểu phạm vi bình thường của các trường trong header gói tin. Sau đó so sánh tần suất quan sát các giá trị tiêu đề với các phân bố xác suất dự kiến ​​của các giá trị tiêu đề để xác định hành vi bất thường. Trong [Yeung và Chow 2002] một Parzen Window tần số mật độ xác suất phân loại được sử dụng để không chỉ xác định dị thường, nhưng cũng thực hiện phân loại cơ bản. [Himura et a1 2009] đề xuất một mô hình năng động dựa trên phác thảo [Dewaele et al 2007], nơi các thông số được điều chỉnh trên mạng. [Callegari et a1 2008] đề xuất một mô hình dựa trên chuỗi Markov bậc cao.