تشخیص فازی حمله های مخرب به برنامه های تحت وب مبتنی بر مدلهای مخفی مارکوف گروهی

در این مقاله برای تشخیص درخواست های HTTP که با هدف خرابکاری یا نفوذ به برنامه های تحت وب ارسال می شوند، سیستم تشخیص نفوذی ارائه می شود که با نظارت بر آنها، با داشتن نرخ کشف حمله بالا، به پایین ترین نرخ مثبت کاذب دست یابد. به این منظور هر ویژگی استخراج شده از یک درخواست HTTP به وسیله تعدادی HMM، تحت عنوان یک گروه دسته بندی کننده، مدلسازی می شود. سپس با ادغام خروجی های حاصل از HMM های درون یک گروه، مقدار احتمالی تولید می شود که نشان دهنده میزان نرمال بودن ویژگی مربوطه می باشد. این سیستم از استنتاج فازی برای برقراری مرز تصمیم گیری انعطاف پذیربین درخواست های HTTP نرمال و غیرنرمال استفاده می کند. به این منظور، ابتدا مجموعه ها و قوانین فازی ماژول تصمیم گیری به صورت دستی و بر اساس برنامه کاربردی و ارزش امنیتی هر ویژگی شکل می گیرند؛ سپس خروجی احتمالی هر یک از گروه های HMM با توجه به مجموعه های فازی تولید شده، فازی می شود. این مقادیر فازی توسط موتور استنتاج فازی به کار گرفته می شود و به خروجی که حاکی از نرمال و یا غیر نرمال بودن درخواست HTTP می باشد، تبدیل می گردد. آزمایش ها نشان می دهد که این در تشخیص درخواست هایی که نزدیک به مرز تصمیم گیری قرار گرفته اند، از دقت خوبی برخوردار است و برای مجموعه آزمایشی 550 درخواست HTTP با نرخ کشف حمله 100٪، دارای نرخ مثبت کاذب 0.79٪ می باشد.