|
|
| (6 intermediate revisions by the same user not shown) |
| Line 1: |
Line 1: |
| ==개요==
| | #넘겨주기 [[침입탐지시스템]] |
| * Intrusion Detection System
| |
| * 네트워크 또는 호스트로의 비정상적인 접근을 탐지하는 시스템
| |
| | |
| ==긍정오류와 부정오류==
| |
| IDS와 같이 탐지만을 하는 시스템이 있는 오류는 탐지란 것이 완벽할 수 없기 때문이다.
| |
| * 긍정오류(False Positive) : 정상적인 접근을 비정상적인 접근이라고 잘못 판단
| |
| * 부정오류(False Negative) : 비정상적인 접근을 정상적인 접근이라고 잘못 판단
| |
| | |
| ==실행 4단계==
| |
| # 데이터 수집(Raw Data Collection) | |
| # 데이터 가공 및 축약(Data Reduction and Filtering)
| |
| # 침입 분석 및 탐지(Intrusion Analysis and Detection)
| |
| # 보고 및 대응(Reporting and Response)
| |
| | |
| | |
| ==탐지방법에 의한 분류==
| |
| ===규칙기반 침입탐지===
| |
| *비정상 행위에 대한 패턴을 입력하여 일치하는 패턴을 탐지한다.
| |
| **전문가 시스템(Knowledge-based Detection)
| |
| **상태전이 모델
| |
| **패턴 매칭(Signature-based Detection)
| |
| *장단점
| |
| **오탐률이 낮다.
| |
| **새로운 패턴은 탐지 불가
| |
| **속도 느림
| |
| | |
| ===통계적 침입탐지===
| |
| *정상 행위와 비정상 행위를 프로파일링 하여 통계 및 AI를 이용하여 정상/비정상을 구분한다.
| |
| **통계적 분석
| |
| **예측 가능한 패턴 생성
| |
| **신경망 모델
| |
| *장단점
| |
| **패턴 자동 업데이트
| |
| **새로운 패턴 탐지 가능
| |
| **오탐률이 높음
| |
| **정상/비정상 기준 수립이 힘듦
| |
| | |
| | |
| ==데이터 수집원에 의한 분류==
| |
| ===네트워크 기반 IDS===
| |
| IDS장비를 네트워크 앞단에 설치해 두고 네트워크에서 오가는 트래픽들을 분석
| |
| * '''특징'''
| |
| **네트워크 전체를 몇개의 감지기를 통해 커버하므로 비용이 저렴하다.
| |
| **운영체제에 독립적이다.
| |
| **흘러가는 트래픽을 수집하여 분석하므로 해커가 임으로 지우기 어렵다.
| |
| **암호화된 트래픽은 분석이 불가능하다.
| |
| **고속 네트워크에선 패킷 손실이 많다.
| |
| **호스트 내부에서 벌어지는 비정상적인 행위에 대해선 감지가 불가능하다.
| |
| | |
| ===호스트 기반 IDS===
| |
| 특정 호스트시스템에서 수집된 감사자료를 분석하고 비정상 행위를 탐지
| |
| *'''특징'''
| |
| **탐지가 정확하다. NIDS와 다르게 모두 복호화된 데이터를 분석하고 패킷의 손실도 없다.
| |
| **추가적인 장비가 필요하지 않다.
| |
| **운영체제에 종속적이다. (리눅스 전용 IDS면 윈도우 서버에선 못 쓴다.)
| |
| **시스템에 부하가 발생한다.
| |
| **구현이 어렵다.
| |
