Материалы всероссийской научно-технической конференции Автоматизир

Проект системы. Проектировку (рис. 2) будем реализовывать в программе GRIN. Для этого построим граф, удовлетворяющий тре­ бованиям задачи о максимальном потоке [6].

Цифры 1, 2, 3 обозначают объекты, 4-12 обозначают камеры, 13, 14, 15 - маршрутизаторы. Технологии передачи данных обозначены цифрами от 16 до 20, вычислительные центры - 21, 22 и пользователь обозначен как 23, а 24 - общий исток, имеющий большую пропуск­ ную способность.

Пропускная способность в нашем случае является весом ребра. Задаем вес и вычисляем максимальный поток. Максимальный поток получился равен 169. Это не удовлетворяет заданию, поэтому далее будем оптимизировать сеть.

Оптимизация проекта. Для оптимизации работы сети мы мо­ жем изменять вручную вес ребер, т.е. на практике пропускную спо­ собность элементов сети.

В программе GRIN можно наглядно увидеть, в каких местах на­ гружена сеть. Если ребра окрашены в красный цвет, то поток равен пропускной способности сети, т.е. нагрузка максимальная. Синие ребра обозначают, что величина потока меньше пропускной способ­ ности сети, зеленые ребра - поток не больше половины пропускной способности, а серые - поток равен нулю, и, следовательно, он не используется. Таким образом, меняя в программе вес ребра (пропу­ скную способность), можно определить на самом объекте места за­ мены оборудования.

На модели сети видно, что поток с камер на объект «1» поступа­ ет большой, часть от этого потока направляется к маршрутизатору «13» и далее по техническим каналам напрямую к пользователю, а другая часть сначала направляется к объекту «3», где пропускная способность так же не способна направить весь поток напрямую к пользователю. В итоге поток переходит на объект «2», оттуда - уже на маршрутизатор «14». Таким образом, можно сделать вывод, что в случае фиксации камерой какого-либо важного момента информа­ ция до пользователя будет доходить не так быстро, как напрямую, а это влияет на такой аспект информационной безопасности, как дос­ тупность (возможность за разумное время получить требуемую ин­ формационную услугу).

В связи с этим изменяем вес ребер. В нашей ситуации изменим пропускную способность от объекта «1» до маршрутизатора «13» в 2,5 раза, будет видно, что максимальный поток будет удовлетворять заданию, а пропускной способности все равно будет не хватать, что­ бы всю информацию от камер передать на маршрутизатор. Зато будет видно, что часть информации отправится на объект «3», а далее к пользователю.

Рис. 3. Вариант проекта системы

Если увеличить поток в 3 раза, то увидим, что максимальный по­ ток так же соответствует заданию, а весь поток информации от пер­ вого объекта идет сразу же к маршрутизатору. На примере потока от объекта «1» до маршрутизатора «13» можно также проанализировать потоки для других объектов. Кроме того, по данному материалу можно проанализировать пропускную способность с учетом отказов, что тоже важно для целостности информации.

Библиографический список

1. Тюрин С.Ф., Ланцов В.М. Дискретная математика & матема­ тическая логика: учеб, пособие. - Пермь: Изд-во Перм. над. исслед. политехи, ун-та, 2013.-271 с.

2.Стрельцов Д. Надежность систем видеонаблюдения // Алго­ ритм безопасности. - 2010. - № 1.

3.Алгоритмы: построение и анализ = Introduction to Algorithms

/Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн; под ред. И.В. Кра­ сикова. - 2-е изд. - М.: Вильямс, 2005. - 1296 с (глава 26. Макси­ мальный поток).

4.ГОСТ Р 50922-2006. Национальный стандарт Российской Фе­ дерации. Защита информации. Основные термины и определения (утв. и введен в действие Приказом Ростехрегулирования от 27.12.2006 N 373-ст) // Доступ из справ.-правовой системы КонсультантПлюс.

5.Тюрин С.Ф. Надежность систем автоматизации: учеб, пособие.

-Пермь: Изд-во Перм. нац. исслед. политехи, ун-та, 2012. - 262 с.

6.Тюрин С.Ф., Ланцов В.М. 3.3. Транспортная сеть и задача на­ хождения максимального потока // Дискретная математика & матема­ тическая логика: учеб, пособие. - Пермь: Изд-во Перм. нац. исслед. политехи, ун-та, 2013.-271 с.

РАЗРАБОТКА МОДЕЛИ ОБНАРУЖЕНИЯ КОМПЬЮТЕРНЫХ

АТАК НА ОСНОВЕ ТЕОРИИ РАСПОЗНАВАНИЯ ОБРАЗОВ

Студентка гр. КЗИ-12-16 А.А. Миронова

Научный руководитель - канд. техн. наук, доцент АС. Шабуров Пермский национальный исследовательский политехнический университет

Развитие инфраструктуры современного общества в сфере госу­ дарственного управления, финансовой, банковской, транспортной от­ раслей, в сфере промышленного производства, энергетического, ре­ сурсного, коммунального и иных видов обеспечения в последнее время обострило проблему кибернетической безопасности. При этом, значи­ тельное количество инцидентов связано с осуществлением компью­ терных атак на информационные и телекоммуникационные системы, интенсивность которых в последнее время значительно возросла.

За последний год около 67 % компаний по всему миру столкну­ лись с подобной проблемой, при этом более трети (37 %) не обладают достаточными возможностями и ресурсами для борьбы с такими уг­ розами. Злоумышленники стали более изощренными, чем когда-либо. Они находятся в постоянном поиске уязвимостей во всей технологи­ ческой цепочке, включая людей и процессы [1].

Согласно данным индекса критичности утечек данных ВЫ (Breach Level Index) основной целью киберпреступников при осуще­ ствлении атак в 2014 г. стали персональные данные (ПДн). На долю подобных атак пришлось 54 % всех инцидентов, что больше, чем

в любой другой категории, в том числе больше числа инцидентов

скражей финансовых данных. Кроме того, на долю утечек, преследо­ вавших цель хищения ПДн, пришлось около трети наиболее значи­ мых взломов, которые были классифицированы в рамках индекса ВЫ как катастрофические [2].

Большая часть кибератак совершается в отношении финансового сектора и госструктур, отмечают в Group-IB. На 4 % российских бан­ ков за год были совершены успешные хакерские атаки. Жертвами ста­ ли сайты Центрального банка России, ВТБ24, Альфа-Банка, Бинбанка.

В отношении госсектора компьютерные атаки чаще всего совершаются

вцелях промышленного шпионажа, а самые масштабные за минувший год были связаны с конкретными событиями, такими как Олимпийские игры в Сочи, референдум в Крыму, с ситуацией в Украине.

2.Кластерный анализ. Методы данной группы основываются на разбиении множества наблюдаемых векторов - свойств системы на кластеры. А затем среди полученных кластеров выбирают те, кото­ рые описывают нормальное поведение исследуемой системы.

3.Нейронные сети. В течение некоторого периода времени про­ исходит обучение нейронной сети, когда поведение ИС считается нормальным. После процесса обучения происходит запуск нейронной сети в режим распознавания. Наличие атаки определяется отклонени­ ем в распознавании нормального поведения во входном потоке.

4.Иммунные сети. Аналогично с нейронной сетью иммунную сеть можно использовать для распознавания образов. В процессе применения данного метода формируются антитела, которые сопос­

тавляют свойства атак с характеристиками, заложенными в них,

ираспознают данное событие как атакующее воздействие.

5.Экспертные системы. В экспертных системах информация о нормальном поведении хранится в виде правил, а наблюдаемое пове­

дение представляется в виде фактов. На основании этих фактов и правил принимается решение о соответствии наблюдаемого пове­ дения «нормальному» либо о наличии аномалии.

6. Поведенческая биометрия. В основе данных методов лежит гипотеза о различии «почерка» работы с интерфейсами ввода-вывода для различных пользователей. На базе построенного профиля нор­ мального поведения для данного пользователя обнаруживаются от­ клонения от этого профиля, вызванные попытками других лиц рабо­ тать с клавиатурой или другими физическими устройствами ввода.

Методы анализа сигнатур используются для распознавания из­ вестных компьютерных атак. Основой данных методов является сравнение поведения информационной системы с описанием извест­ ной атаки. Если оно совпадает, то поведение объекта считается ата­ кой. К данной категории методов относятся:

1. Анализ состояний систем. Данный метод предполагает опи­ сание процесса функционирования исследуемой системы как ориен­ тированный граф, вершинами которого являются состояния системы, а ребрами - переходы между ними. Некоторые из путей в рассматри­ ваемом графе помечаются как недопустимые. В этом случае конечное состояние каждого из таких путей представляет собой потенциаль­ ную угрозу, а обнаружение подобного рода недопустимых путей оз­ начает успешное обнаружение атаки.

2.Графы сценариев атак. Для построения графа атак необходи­ мо формализовать понятие атаки, разработать формальный язык представления атак и ИС в целом. После этого необходимо построить

ипроанализировать граф атак и при наличии последовательности наблюдаемых в системе действий сигнализировать об атаке.

3.Нейронные сети. Нейронные сети могут быть использованы для обнаружения атак в ИС на основе метода анализа сигнатур. При этом сначала происходит обучение данной нейронной сети на приме­ рах существующих атак на защищаемую систему, а затем осуществ­ ляются сравнение и выявление принадлежности наблюдаемого пове­ дения к одному из классов изученных атак.

4.Иммунные сети. Анализ сигнатур может быть рассмотрен как один из возможных способов использования иммунных систем, как

ив случае с нейронными сетями.

5.Методы, основанные на спецификациях. Для функционирова­ ния данного метода необходимо сформировать множество всех воз­ можных атакующих воздействий в виде спецификаций атак. Совпа­ дение текущего события со спецификацией расценивается как атака.

6.Сигнатурные методы. Для данного метода необходимы фор­ мирование некоторого алфавита для описания наблюдаемых событий системы и построение множества правил - сигнатур с использовани­ ем сформированного алфавита. Совпадение характеристик события ИС с одной из сигнатур свидетельствует о наличие атаки.

Распознавание компьютерных атак в динамике функционирова­ ния информационной системы может быть представлено на основе системного анализа пространства параметров процессов в системе по установленным правилам и выявления тех параметров, которые ха­ рактеризуют действие атаки. Системное описание способов и средств защиты информации, направленных на противодействие компьютер­ ным атакам, рационально осуществить на основе теории распознава­ ния образов [4], в соответствии с которой объекты компьютерных атак могут быть интерпретированы распознаваемыми образами про­ странства их признаков (рис. 2).

Всоответствии с данной теорией компьютерная атака является образом, необходимо распознаваемым в ходе процесса сбора, хране­ ния, обработки и передачи информации в ИС, при попытках наруши­ теля воздействовать на ИС с целью вывода ее из строя или снижения эффективности ее применения.

Словарь признаков компьютерных атак может содержать коли­ чественные и качественные признаки, которые декомпозируются на детерминированные признаки атак, распознаваемые сигнатурными методами обнаружения атак, вероятностные признаки атак, распозна­ ваемые методами анализа аномальных отклонений в ИС, логические признаки атак, распознаваемые методами функционального анализа.

Рис. 2. Модель распознавания компьютерных атак

Пространство признаков атак формируется, декомпозируется и систематизируется на основе априорных знаний об опыте эксплуата­ ции самой ИС, классификации атак, а затем уточняется по апостериор­ ной информации. При этом ключевыми средствами и источниками информации для распознавания объектов компьютерных атак и диаг­ ностики потенциальных угроз их воздействия на ИС являются интел­ лектуальные датчики средств противодействия. Средства противодей­ ствия компьютерным атакам совместно со средствами мониторинга состояния информационной безопасности осуществляют сбор данных от датчиков для формирования пространства признаков атак и оценку возможного нарушения устойчивости функционирования ИС.

Таким образом, анализ проблемы увеличения компьютерных атак на информационные системы различного назначения требует поиска наиболее эффективных способов применения имеющегося арсенала средств защиты информации, а также поиска новых прие­ мов и методов обеспечения информационной безопасности. Разра­

ботанная модель распознавания компьютерных атак позволяет представить процесс защиты информации на основе теории распо­ знавания образов с целью дальнейшего формального описания осо­ бенностей функционирования данной модели.

Библиографический список

1. Абашев А.Н, Пазухин В.А, Слышкин А.С. На шаг впереди ки­ берпреступников // Information Security/Информационная безопас­ ность. - 2015. - № 1 .-С . 8-12.

2.Gemalto Releases Findings of 2014 Breach Level Index [Элек­ тронный ресурс]. - URL: http://www.gemalto.com/press/Pages/Gemalto- Releases-Findings-of-2014-Breach-Level-Index.aspx

3.Мазин A.B., Клочко O.C. Анализ методов противодействия угрозам и атакам на вычислительные системы // Наукоемкие техно­ логии в приборо- и машиностроении и развитие инновационной дея­ тельности в вузе: материалы всерос. науч.-техн. конф. - М., 2014. -

Т.З .-С . 71-75.

4.Климов С.М., Сычев М.П., Астрахов А.В. Противодействие компьютерным атакам. Методические основы // Электронное изда­ ние. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2013. - 108 с.