Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2024-9-4-0-2

3664

АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ

О ПОВЕДЕНЧЕСКОЙ АНАЛИТИКЕ ДЛЯ СИСТЕМЫ ЗАЩИТЫ ОТ ЦЕЛЕНАПРАВЛЕННЫХ АТАК И ЕЕ ПРИМЕНЕНИЕ ДЛЯ ОПЕРАЦИОННЫХ СИСТЕМ СЕМЕЙСТВА ASTRA LINUX

ABOUT BEHAVIORAL ANALYTICS FOR THE SYSTEM FOR PROTECTION AGAINST TARGETED ATTACKS AND ITS APPLICATION FOR OPERATING SYSTEMS OF THE ASTRA LINUX FAMILY

Лазарев

Сергей Александрович

Lazarev

Sergey Alexandrovich

lazarev_s@bsu.edu.ru

Рубцов

Константин Анатольевич

Rubtsov

Konstantin Anatolievich

2024

9400

В статье рассмотрена задача разработки подсистемы поведенческой аналитики для системы защиты от целенаправленных атак и применение ее работы на операционных системах семейства Astra Linux. Произведен обзор возможных видов целенаправленных атак и типовых действий, подлежащих оценке при построении системы защиты от целенаправленных атак. Рассмотрены различные виды систем безопасности и их ранжирование по технологиям защиты. Предложено использование многомерной модели распределения Гаусса (GMM) для анализа поведения объектов информационного взаимодействия совместно с отечественной системой защиты от целенаправленных атак AVSOFT ATHENA под управлением операционной системы Astra Linux, осуществляющей анализ сетевой активности, анализ использования ресурсов.

The article discusses the task of developing a behavioral analytics subsystem for a system of protection against targeted attacks and the application of its work on operating systems of the Astra Linux family. A review of possible types of targeted attacks and typical actions to be assessed when building a protection system against targeted attacks is provided. Various types of security systems and their ranking according to protection technologies are considered. It is proposed to use a multidimensional Gaussian distribution model (GMM) to analyze the behavior of objects of information interaction together with the domestic system of protection against targeted attacks AVSOFT ATHENA running the Astra Linux operating system, which analyzes network activity and analyzes the use of resources.

системы защиты от целенаправленных атакповеденческая аналитикаотечественные операционные системымногомерная модель распределения Гаусса

protection systems against targeted attacksbehavioral analyticsdomestic operating systemsmultivariate Gaussian distribution model

Список литературы

Осипов В.Ю., Юсупов Р.М. Информационный вандализм, криминал и терроризм как современные угрозы обществу // Тр. СПИИРАН, 8 (2009). – С. 34-45.

Фалеев М.И., Черных Г.С. Угрозы национальной безопасности государства в информационной сфере. – 2014. – Т. 4. – № 1(6). – URL: https://iee.unn.ru/wp-content/uploads/sites/9/2018/02/2.Inf.ugrozy-vred.programmykomp.prestupleniya.pdf (дата обращения: 10.07.2024).

Семененко В.А. Информационная безопасность // М.: МГИУ, 2011. – 277 c.

Шаньгин В.Ф. Информационная безопасность и защита информации // М.: ДМК, 2014. – 702 c.

Five styles of advanced threat defense. – Gartner Research, 2013. URL: https://www.gartner.com/en/documents/2576720 (дата обращения: 04.07.2024).

Системы поведенческой аналитики пользователей и сущностей (UEBA). URL: https://www.anti-malware.ru/security/user-and-entity-behavior-analytics (дата обращения: 06.02.2024).

Как системы безопасности анализируют поведение пользователей: «подводные камни» и специфика решений UBA. – Tadviser, 2019. URL: https://www.tadviser.ru/index.php/Статья:UBA_(User_Behavior_Analytics,_Анализ_поведения_в_сфере_

систем_обеспечения_безопасности) (дата обращения: 12.02.2024).

Обзор рынка систем поведенческого анализа – User and Entity Behavioral Analytics (UBA/UEBA). – Anti-Malware, 2017. URL: https://www.anti-malware.ru/analytics/Market_Analysis/user-and-entity-behavioral-analytics-ubaueba (дата обращения: 19.07.2024).

Методический документ. Методика оценки угроз безопасности информации. – М.: ФСТЭК России, 2021. URL: https://fstec.ru/dokumenty/vse-dokumenty/spetsialnye-normativnye-dokumenty/metodicheskij-dokument-ot-5-fevralya-2021-g (дата обращения: 03.07.2024).

ГОСТ Р 50922-96. Защита информации. Основные термины и определения. – М.: Госстандарт России, 1996. URL: https://docs.cntd.ru/document/1200004674 (дата обращения: 22.07.2024)

ГОСТ Р ИСО/МЭК 27005-2010. Информационная технология. Методы и средства обеспечения безопасности. Менеджмент риска информационной безопасности. URL: https://docs.cntd.ru/document/1200084141 (дата обращения: 22.07.2024)

Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features. Yandex, Moscow, 2019.

Siris V.A., Papagalou F. Application of anomaly detection algorithms for detecting SYN flooding attacks. Computer Communications. – 2006. – 29.

Ahmed T., Oreshkin B., Coates M. Machine Learning Approaches to Network Anomaly Detection. Second Workshop on Tackling Computer Systems Problems with Machine Learning Techniques. 2007, Cambridge

Shabtai A., Kanonov U., Elovici Yu., Glezer Ch., Weiss Ya. Andromaly: a behavioral malware detection framework for android devices. Journal of Intelligent Information Systems, 2010.

Kou Yu., Lu Ch.-T., Sinvongwattana S., Huang Yo.-P. Survey of Fraud Detection Techniques. International Conference on Networking, 2004.

Mishra A., Nadkarni K., Patcha A. Intrusion detection in wireless ad hoc networks. IEEE Wireless Communications, 2004.

Song Y., Salem M.B., Hershkop S. System Level User Behavior Biometrics using Fisher Features and Gaussian Mixture Models // IEEE Security and Privacy Workshops. - New York, USA: IEEE, 2013. – P. 52-59.