Press "Enter" to skip to content

基于 SOC 机器学习检测平台的时间序列建模:可疑登录检测

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

导语  基于Spark的SOC ML检测平台是为企业安全运营人员打造的一站式机器学习检测服务平台,为用户提供从 数据预处理、特征转换、特征提取、模型训练、模型预测、异常结果可视化到用户实时反馈 的全流程可配置(无需编写代码)可直接运用于生产环境的智能威胁检测服务。本篇主要介绍基于SOC机器学习检测平台的时间序列建模的一个场景: 可疑登录检测 。

 

一、SOC机器学习检测框架及时间序列建模简述

 

企业里的威胁检测主要针对细分安全场景进行检测,场景多且不同企业关注场景可能不同。我们针对于企业威胁检测的特点构建了统一的SOC机器学习检测框架,框架的目的有两个:

 

是支撑SOC内置场景检测,丰富UEBA模块,增强SOC安全检测能力。

 

提供客户自定义场景功能,以满足客户自定义场景发现未知威胁的能力。

 

基于SOC机器学习检测框架的内置检测场景:

 

 

时间序列异常检测:

 

时间序列分析是将历史数据在时间维度上按先后顺序构建时间序列,并通过一系列相关模型进行建模识别潜在模式,以便对后续数据进行预测或者异常检测。

 

根据时间序列本身的特点,我们将时间序列分为 周期性的时间序列 和 非周期性的时间序列 。对不同类型的时间序列应用不同的算法建模。例如: 周期性的时间序列应用STL, Holt-Winters等算法建模;非周期性的时间序列应用小波变换等算法建模。

 

根据时间序列异常类型不同,我们将 时间序列异常区分为离群点异常、拐点异常、子序列异常。

 

本文将介绍SOC机器学习框架支撑的一个内置场景检测: 可疑登录检测 。用户登录历史受白天晚上,周末工作日等影响一般有周期性规律,我们关注周期性所产生的影响,并期望将异常的点检出来,所以我们主要基于 周期性建模+离群点异常检测识别可疑登录场景 。

 

二、可疑登录检测

 

可疑登录检测是横向移动阶段的一个场景 。横向移动是APT攻击中的一个重要的阶段,当攻击者了解目标网络环境之后,将会在内网中横向移动以便扩散到更多的关键资产。

 

例如:通过某些方式盗取登录凭证或者关键资产的权限,然后将多个关键资产上的数据拉取到同一个资产,以便进一步进行数据窃取。

 

而登录到受害资产将是攻击者在横向移动中的第一步,所以我们 检测用户的可疑登录行为 ,以期在登录阶段识别发现攻击者行为,以便运营人员快速反应及阻断。

 

可疑登录是指用户登录行为出现异常 ,根据具体异常情况我们将可疑登录又分为两类细分场景: 可疑失败登录、 可疑首次登录(时间/位置) 。

 

本文主要介绍从 流量数据中识别检测可疑登录中的可疑失败登录 。

 

三、检测方法

 

业界相关场景检测方法:

 

业界和可疑登录相关场景比如暴力破解的 检测方法主要是基于规则 :x时间段内(例如1min)登录失败次数达到N次被识别为暴力破解(例如:100次)。

 

基于上述规则检测可疑登录的优点: 规则检测不需要训练、检测快。

 

基于上述规则检测可疑登录的缺点:

 

1.强依赖人工指定的阈值,容易漏检。阈值指定100次,99次就会被识别为正常登陆。

 

2.只通过单点检测,不结合用户历史行为,在客户环境下可能会因为业务配置等一些原因导致登录失败,并且不停尝试会造成大量的误报告警。

 

基于socML检测框架的方法:

 

 

基于SOC ML异常检测平台WEB画布配置如下:

 

 

我们基于soc ml检测框架检测可疑登录的流程如下:

 

a.流量数据预处理

 

过滤到内对内流量,只保留内对外流量。既源IP为内网IP,目的IP为内网IP。

 

协议过滤:按不同协议分别检测,比如只过滤出mysql等 login流量日志。

 

b.特征提取

 

每个用户历史时间序列数据构建

 

X周登录数据:1min 为时间间隔,统计每个用户历史X周登录失败次数,并按时间进行排序,对缺失值进行填充处理。

 

同类用户数据构建

 

最新一段时间内同类数据:每个用户,在这y时间段内失败登录次数统计。

 

c.算法

 

我们从两个思路检测异常,两种思路的检测结果进行ensemble,得到最终的结果。

 

基于历史的行为异常检测:

 

我们打破规则单点检测的局限,对用户的过去一段时间的行为数据进建模,当用户的行为偏离正常行为时,识别为异常。

 

基于同类的行为异常检测:

 

将用户在一段时间里的行为和他同类行为比较,若用户此时的行为异于同类,识别为异常。

 

异常检测算法:时间序列异常检测算法使用STL + ESD, 行为分析异常检测算法使用HBOS。 首先通过STL对时间序列进行建模分解,将时间序列分解为周期部分、趋势部分、残差部分,然后对残差数据用ESD进行检测异常。

 

STL:将时间序列分解为周期部分、趋势部分、残差部分。

 

 

四个变量分别代表时间序列、周期部分、趋势部分、残差部分。

 

Twitter 的SHESD算法对STL做了优化将趋势部分用中值代替。本框架中算法采用twitter的实现方式。

 

具体示例如下图所示:

 

 

原时间序列

 

 

分解后部分曲线

 

(从上到下依次为周期部分,趋势部分,残差部分)

 

ESD:ESD是对Grubbs’ Test的扩展,ESD可以检测上限k个异常值。假设定义如下:

 

H0: 数据集中没有异常值

 

H1: 数据集中有一个异常值

 

算法流程如下:

 

1). 计算与均值偏离最远的残差;

 

 

2). 计算临界值(critical value);

 

 

3). 检验原假设,比较检验统计量与临界值:若第1)步中计算得到的残差大于第2)步得到的临界值 ,则原假设H0不成立,该样本点为异常点, 将异常点从序列中删除;

 

4). 重复以上步骤k次至算法结束。

 

d.策略

 

模型结果ensemble: 基于同类的异常检测和基于历史的异常检测的结果取交集。

 

白名单: 正常服务器过滤。

 

e.归一化

 

将结果进行归一化,既是拉取原始数据,统一可视化数据。将归一化后的数据写回到ES,kafka,mysql等,以便产品展示。

 

四、检测效果

 

我们基于客户mysql/ssh等流量数据,检测可疑登录。结果显示: 基于soc ml框架实现的可疑登录检测,能识别出数十次登录失败异常 (算法根据历史建模自动识别异常,不受人工经验阈值影响)。同时对于业务配置引起的登录失败情况能较好的控制误报。

 

可疑登录示例:

 

Username: **_rental_**   Host: **.13*.10*.**  Port: 3306  Time:2019-07-07 12:31

 

同类对比:(异常)

 

 

历史对比: (异常)

 

 

 

Username: **iv**  Host: **.6*.*2.**   Port : 3306   Time : 2019-06-29 07:58:00

 

同类对比: (异常)

 

 

历史对比: (异常)

 

 

 

业务配置导致登录失败示例:

 

从下示例可以看出,算法根据用户历史建模,仅识别少数异常点,避免了大量误报。

 

Username: **sta**    Host: **.1*5.1*8.**    Port: 22

 

 

 

Username: **oot**   Host: **.14*.13*.**   Port: 22

 

 

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注