绘制网络机器人的行为:了解蜜蜂交通中的有效负载模式

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 网络机器人普遍存在,需要对有效的威胁情报进行行为理解.
• 由于混合流量有效负载和不断发展的技术,分析机器人行为具有挑战性.
• 蜜蜂传感器对于捕获和分析机器人流量至关重要,但现有的方法在规模和多样性方面扎.

研究的目的:

• 通过在 honeypot 流量中进行有效负载模式分析来绘制网络机器人的行为.
• 开发一个可适应的框架来分析多样化和大规模的机器人有效负载.
• 从尸网络通信模式中提取可操作的威胁情报.

主要方法:

• 通过 honeypot 流量对网络机器人行为进行了为期 11 个月的测量研究.
• 开发了TrafficPrint,这是一个模式提取框架,结合了表示学习和集群.
• 在没有协议特定专业知识的情况下,自动提取人类可以理解的有效载荷模式.

主要成果:

• 从全球分布的蜂巢传感器收集了2150万个应用层有效负载.
• TrafficPrint提取了296个模式,自动标记83.57%的未知有效载荷从一个小的标记数据集.
• 确定了82%的机器人模式使用半定制结构,13%包含归属标记,机器人使用逃避技术.

结论:

• TrafficPrint提供了一种可适应和有效的方法来分析各种蜂实用载荷.
• 有效负载模式分析产生可操作的威胁情报,包括机器人定制,归因标记和逃避策略.
• 这些发现提高了对网络机器人生态系统的理解,并为网络安全防御提供了信息.