注册有好礼基于最小二乘法的系统登录异常访问分析
2021-01-06 09:51:57 阅读（168）
本文简要描述了异常访问的现状和问题。在此基础上，提出了基于一元线性回归的最小二乘法异常访问分析模型，解决了异常访问中时间与访问之间的相关性。异常访问是指网络行为偏离正常范围的访问。异常访问包括Web访问、数据库访问、操作系统访问、终端交互等多种场景。网络信息安全一直困扰着异常访问。问题主要体现在以下几个方面。模型缺乏明确的使用条件，导致结果不明确，模型计算量大，计算时间长。基于上述情况，本文仅分析了系统登录的异常访问，并通过对系统登录事件和时间的回归统计筛选了异常访问时间段。下图为异常登录事件检测时序图：异常登录时序图异常登录事件模型的活动图流程如下：1）用户登录并输入相应的用户名和密码。2)系统登录验证，判断是否为合法用户登录。3)登录成功或失败将记录登录行为。4)日志自动发送到分析系统。5)分析系统采用最小二乘法对收到的日志进行分析。6)如发现异常登录事件，则触发报警事件。7)最后，工作人员可以收到报警提示，并检查相应的报警。触发报警后，工作人员需要在量化分析中进一步分配工作。可以通过日志登录事件找到何时登录哪个系统。在进行后续的时间处理工作之前，详细记录这些信息。异常登录模型是分析系统的重要分析模型。本分析模型采用最小二乘法对登录事件进行异常判断。异常判断包括成功登录的异常判断和未成功登录的异常判断。以下成功登录事件为例进行详细说明：登录统计列表上的表格描述了系统在5分钟内成功登录的事件统计。在这个时候，我们看不出哪个时间单位有异常登录。如下图所示：登录次数散点图首先采用“最小二乘法”来求解。最小二乘法解决了直线和散点图的叠加，如下所示：登录次数最小二乘法拟合图返回模型逐一计算每个点的残差如下：通过上表可以看到登录次数残差结果表，序列号为5、9、三点残差值偏差相对较大。同时，根据经验，正常登录事件的残余值通常为-10～ 10之间。而且这三点的残差值偏差范围明显。残差分别为“15.23967”，“16.4549”，“15.098”。我们对此登录事件采用的置信区间为-10～ 10.可以根据不同的场景调整信心区间。采用最小二乘法查询异常登录事件，可以很好地解决传统统计表中难以发现的问题。传统的方法是简单地列出登录成功和登录失败的事件。但在众多的登录事件中，哪些值得工作人员*却难以体现。最小二乘法的引用可以从众多登录事件中分离出最明显的异常行为，通过系统的初步筛选可以为员工提供量化分析能力。工作人员可以通过量化分析模块分析相应的事件。同时，残差值可以定义为灵活应对分析需求提供便利。
推荐阅读
猜你喜欢
Copyright © 2004-2022 万商云集（成都）科技股份有限公司 版权所有
蜀ICP备12001963号-2
川公网安备 51010402000322号
快速找产品
扫码下载APP
全方位服务一触即达
关注万商云集
和10万中小企共成长
400-0033-166
8:30-18:00
