大数据之安全漫谈
大数据(big data)、数据科学(data science)、数据挖掘(data mining)、机器学习(machine learning)、深度学习(deep learning)、模式识别(pattern recognition)、可视化(visualization)、自然语言处理(natural language processing)、推荐系统(recommendation system)、数据分析(data analysis 相较而言,这个是最不潮最实在的词了)、人工智能(Artificial Intelligence)、NoSQL 是2014年的IT潮词,他们从传统的金融、科研行业席卷到IT的各个角落,甚至是比较边缘的安全行业了,催生了一些诸如安全数据分析师(专家)的岗位,为了在和同事们聊天的过程不显得那么白痴,于是查阅了一些资料,来写写"大数据"在安全行业的应用。
大数据的发展,让我们看到了更好的数据收集、数据处理、数据存储、数据计算、数据检索与数据可视化方案,我们有了hadoop、spark、storm等优秀的计算框架,我们有了thrift、avro、Protocol Buffer数据序列化方案,我们有了flume、scribe、chukwa来完成分布式日志收集,我们有了kafka来完成消息队列调度,我们有了mongoDB、redis、cassandra、neo4j来完成数据的存储,我们有了elasticsearch、sphinx来完成数据检索,我们有了Gephi、D3、Graphviz来完成漂亮的图表。我们甚至有了日志分析领域的三剑客kibana-logstash-elasticsearch套装,然而我们在如此优秀的支撑环境下我们常看到的输出结果是什么呢?TopN攻击报表、攻击可视化地图(单指国内产品)。
我想或许是因为最关键的阶段-数据分析阶段缺失了。缺失或许是因为门槛较高吧,它综合了高等数学、线性代数、概率统计、机器学习等知识,而且必须与计算机基础知识(编程、数据存储)、行业领域知识(例如安全领域知识)与反复的模型修正才能发挥作用,而作用是否显著则取决于所解决问题的重要程度。大家在平衡了付出与收益后,就倾向于选择用代价更小的方法来解决问题(例如基本使用静态攻击签名特征,而很少使用动态行为分析未知攻击),但互联网支付行业的发展,云平台的发展,让我们看到市场还是巨大的,特别是在金融行业(电商、支付、理财)、云服务方面。
应用场景
场景1、仿冒站点的检测
计算网页相似度,包括内容(文本)相似性、结构(DOM)相似性与视觉相似性。 其中文本挖掘(Text Mining)/自然语言处理(Nature Language Process)已经单独成为一个分支了。
场景2、垃圾邮件检测
基于朴素贝叶斯分类算法
场景3、订单欺诈检测
基于神经网络算法来实现交易数据欺诈检测
场景4、攻击源识别
基于CART来区分访问源,然后细化机器行为,扫描器?爬虫?搜索引擎?采集器?CC攻击,产出攻击源信誉库(匿名代理,Tor,扫描器,恶意爬虫,僵尸网络,URL黑库)
区分对待大规模自动化攻击,精细定位人工攻击才能有效的减少冗余数据
场景5、web攻击中的异常请求检测
基于HMM来识别异常请求;基于随机森林来分类区分异常请求
场景6、webshell检测
包括通过计算信息熵来检测文件内容异常、图论来检测访问异常
场景7、恶意网站识别
场景8、广告欺诈检测
场景9、恶意软件(家族)识别
场景10、色情图片/验证码识别
场景11、反网站抓取(盗取网站原创内容)
场景12、流量型攻击检测
CC、精准洪泛攻击(我自己编的术语,意思是对API接口的海量调用、例如短信接口、验证码接口)、垃圾信息注入
产品化道路
1、集成到IDS/IPS/Firewall/WAF/SIEM/审计/风控/取证/AV等单独或综合性的安全产品中
几乎每个安全产商都会用“大数据"、“机器学习”、“安全智能”、“基于业务的动态行为建模”当成卖点,来标明自己是“下一代”安全产品
已有成功案例:Imperva
2、综合到日志分析产品中来支撑安全功能的实现
将web服务器日志、数据库日志、操作系统日志、邮件日志等进行关联分析,实现风险控制、审计管理、监控、SIEM(攻击事件响应与取证)。
已有的成功案例:sumologic、splunk
对安全产品而言,宣传标语和奥运会类似
更快——不要滞后,发现与响应都要快,滞后的安全不是健康预防,甚至不是医生急救,而是法医验尸
更全——不要遗漏, 0day、未公开的漏洞,捕获他们,识别他们,评估他们
更准——不要误伤,预警狼来了运维人员很伤,访问阻塞用户很伤
瓶颈
“因为数据量巨大,会造成性能瓶颈,因此以处理的数据量为指标或宣传点”这是个误区,我们最最缺少的是有效的数据分析模型来发现“未知”。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14