search query: @keyword tiedonlouhinta / total: 21
reference: 12 / 21
Author: | Halonen, Perttu |
Title: | Tiedonlouhinnan käyttö tietoturvan tarkkailussa |
Using data mining in information security monitoring | |
Publication type: | Master's thesis |
Publication year: | 2008 |
Pages: | iv + 63 Language: fin |
Department/School: | Informaatio- ja luonnontieteiden tiedekunta |
Main subject: | Tietojenkäsittelyteoria (T-119) |
Supervisor: | Niemelä, Ilkka |
Instructor: | Kari, Hannu H. |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto | Archive |
Keywords: | information security anomaly detection data mining frequent episodes tietoturva poikkeavan käyttäytymisen havainnointi tiedonlouhinta kattavat episodit |
Abstract (fin): | Tietoturvan valvonta on välttämätön osa tehokasta tietoturvan toteuttamista. Tietoturvan valvontaan on kaksi päätapaa: väärinkäytösten ja poikkeavan käytöksen havainnointi. Ne täydentävät toisiaan. Tämän työn tavoitteena on kehittää poikkeavan käyttäytymisen havainnointimenetelmiä, joiden avulla väärinkäytösten havainnointia saataisiin tarkemmaksi. Väärinkäytösten havainnointi on laskennallisesti tehokasta ja väärät positiiviset luokittelut ovat harvinaisia. Aiemmin tuntemattomia tietoturvan loukkaustapoja väärinkäytösten havainnointi ei kuitenkaan huomaa. Poikkeavan käyttäytymisen havainnoinnilla uudet loukkaustavat voidaan huomata, mutta paljon sallittuakin käytöstä luokitellaan poikkeavaksi. Tilastolliset poikkeavan käyttäytymisen havainnointimenetelmät eivät myöskään esitä tarkkaan, mitkä tarkkailtavan järjestelmän tapahtumat olivat poikkeavia. Tietokoneiden tapahtumaketjulokeista voidaan louhia esimerkiksi A priori -tyyppisellä algoritmilla kattavat rinnakkaiset tapahtumaepisodit. Kattavia episodeja tutkimalla tarkkailtavaa järjestelmää tunteva henkilö voi usein sanoa, mitkä tapahtumaketjut ovat sallittuja ja mitkä eivät. Kielletyiksi arvioiduista episodeista voidaan tehdä sääntöjä väärinkäytösten havainnoinnin tietokantaan ja sallituiksi arvioiduista koota tavanomaisen käyttäytymisen profiili. Episodien kattavuuden kynnysarvon on oltava matala, jotta löytyvät episodit kattaisivat mahdollisimman useita lokirivejä. Tällöin myös episodeja löytyy runsaasti. Episodeissa on paljon päällekkäisyyksiä ja niistä välittyvä järjestelmän kuva on sekava. Tässä työssä esitellään algoritmeja, joilla tuohon sekavuuteen voi saada järjestystä. Ne toimivat poikkeavan käyttäytymisen havainnoinnin periaatteella ja perustuvat episodien keskinäiseen joukko-opilliseen hierarkiaan sekä episodien esiintymisten tilastoihin. Alustavat kokeet työssä kehitetyillä algoritmeilla osoittavat, että ne toimivat oikein ja nostavat lokimassasta esiin mielenkiintoisia tapahtumajonoja ja suhteita eri tapahtumajonojen kesken, joiden keksiminen pelkkiä lokeja selailemalla olisi ollut vaikeaa. Algoritmit vaativat kuitenkin vielä lisää kehittelyä ja kokeilua. Lokitapahtumien tyypitys jäi datan lähteen huonon tuntemuksen vuoksi vaillinaiseksi ja algoritmien toteutuksissa oli virheitä. Algoritmien tuloksiin jäi sen vuoksi häiritsevän paljon hälyä. |
ED: | 2008-05-19 |
INSSI record number: 35606
+ add basket
INSSI