نظارت بر ترافیک شبکه برای شناسایی تهدیدات امنیتی بالقوه ضروری است. Anomalies در الگوهای ترافیکی می تواند فعالیت های مخرب یا مسائل سیستم را نشان دهد. درک تکنیک ها و محاسبات مورد استفاده در تشخیص ناهنجاری کمک می کند تا متخصصان امنیتی به طور موثر پاسخ دهند.

درک ترافیک شبکه Anomalies

ناهنجاری های ترافیک شبکه انحراف از رفتار عادی است.این انحرافات می تواند به طور ناگهانی در انتقال داده ها، الگوهای دسترسی غیر معمول یا استفاده از پروتکل غیر منتظره افزایش یابد.

تکنیک های تشخیص ناهنجاری های آن

چندین تکنیک برای شناسایی ناهنجاری در ترافیک شبکه استفاده می شود:

  • [FLT 1] تجزیه و تحلیل آماری: [FLT 1] از معیارهایی مانند انحراف به معنای و استاندارد برای پیدا کردن غیر رسمی استفاده می کند.
  • ] یادگیری ماشین: الگوریتم های آموزش دیده در ترافیک عادی برای تشخیص انحراف.
  • [در این باره] [مشرکان]: [[۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۵] [۹] [۱] [۱] [۵] [۹] [۱] [۱] [۱] [۱] [۱] [۵] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۹] [۳] [۳] [۳] [۱] [۱] [۱] [
  • تجزیه و تحلیل آهسته: بررسی داده ها برای بی نظمی.

محاسبه برای Anomaly detection

محاسبه شامل ایجاد الگوهای ترافیکی پایه و اندازه گیری انحرافات مشترک است:

  • محاسبه (Z-Score Calculation) : تعیین می کند که چه تعداد انحراف های استاندارد از معنای آن است.
  • تنظیم: محدوده قابل قبول را بر اساس داده های تاریخی تعریف می کند.
  • [در این باره] تغییر می کند؛ [[۱] سرعت ترافیک افزایش می یابد یا کاهش می یابد.

به عنوان مثال، یک Z-score بیش از یک آستانه خاص ممکن است نشان دهنده ناهنجاری باشد. ترکیب محاسبات متعدد دقت تشخیص را بهبود می بخشد و مثبت کاذب را کاهش می دهد.