امنيت سامانه‌هاي فرماندهي نظامي تحت وب با استفاده از تركيب دسته‌بندهاي تك‌كلاسي

Web-based Military Management Systems Security Using Combination of One-class Classifiers

فعاليتهاي نفوذگرانه تحت وب به شبكه‌هاي اطلاعاتي فرماندهي نيروهاي نظامي به منظور تخريب، غيرعملياتي كردن يا سرقت زيرساخت‌هاي اطلاعات راهبردي؛ از ترفندهاي رايج دشمن در عصر جنگ‌هاي الكترونيك است. تامين امنيت سامانه‌هاي فرماندهي و كنترل تحت وب از ملاحظات دفاعي ضروري در سطح فرماندهي نوين نظامي است. در اين مقاله سيستمي براي تشخيص نفوذ به سامانه‌هاي حساس و محرمانه نظامي تحت وب با استفاده از تركيب دسته‌بندهاي تك‌كلاسي پيشنهاد شده است. در مرحله آموزش بردارهاي ويژگي استخراج شده مرتبط با هر درخواست HTTP، وارد سيستم شده و مدل درخواست عادي توسط هر دسته‌بند يادگيري مي‌شود؛ سپس با استفاده از روش‌هاي مختلف تركيب دسته‌بندهاي تك‌كلاسي؛ بار ديگر مدل درخواست عادي HTTP يادگيري مي‌شود. براي تركيب دسته‌بندها از استراتژي‌ تركيبي نويني، جهت تصميم‌گيري گروهي استفاده شده است. استفاده از تصميم‌گيري گروهي و استرات‍ژي S-OWA براي تركيب دستهبندهاي تككلاسي، قابليت اطمينان و دقت سيستم تشخيص نفوذ به سامانه‌هاي نظامي تحت وب را در حد قابل توجهي بهبود ‌بخشيده است.

Cyber attacks against the web-based military command systems is very common in the age of electronic warfare. Web application is one of the most widely used tools in the world wide web. Because of its dynamic nature, it is vulnerable to serious security risks. Web-based command and control systems security considerations are very important for the modern military managers. Anomaly based intrusion detection is an approach that focuses on new and unknown attacks. A method for anomaly detection in web applications using a combination of one-class classifiers, is proposed. First, in preprocessing phase, normal HTTP traffic is logged and Features vector is extracted from each HTTP request. The proposed method consists of two steps; In the training phase, the extracted features vectors associated with each request, enter the system and the model of normal requests , using combination of one-class classifiers, is learned. In the detection phase, anomaly detection operation is performed on the features vector of each each HTTP request using learned model of the training phase. S-OWA operator is used to combine the one-class classifiers. The data used for training and test are from CSIC2012 dataset. Detection rate and false alarm rate obtained from experiments, shows better results than other methods.