Masterforedrag 2006 Mats Erik Smestad
Masteroppgave Use of Kernighan-Lin in an IDS
Stikkord IDS Clustering Kernighan-Lin Resultat
Oppgava Forbedring av IDS Bruk av Kernighan-Lin i en IDS Sammenligne med K-means
IDS IDS = Intrusion Detection System Inntrenger alarm Ved mistanke om innbrudd genereres en alarm Signatur eller Uregelmessighet
Uregelmessighet - Anomaly Ser etter unormalt mønster En teknikk som har vært preget av mange falske alarmer Kan oppdage ukjente angrep Læring / Uten læring
Uten Læring Clustering Klassifiserer noder utifra bestemte kriterier K-means Heuristic / Kernighan – Lin Heuristic
Clustering
Heuristic ”En algoritme som vanligvis, men ikke alltid, gir et tilnærmet riktig svar” Istedet for uttømmende søk ’Prøv og feile’-metode
Kernighan - Lin Ekstern kostnad er høyere enn intern kostnad Redusere kostnad (intern og ekstern) ved å flytte noder mellom A og B
Kernighan - Lin Tidkrevende algoritme Presis til å finne nær kostnads optimum Uprøvd i en IDS
Eksperiment Kernighan – Lin ble kodet i C Implementert i en IDS Resultatene ble sammenlignet med K-means
Resultat Kernighan – Lin var veldig presis Identifiserte angrepene korrekt Kernighan – Lin var også raskere enn forventet
Resultat Eksperimentet viste at Kernighan – Lin ga mer presise resultat enn K-means Kernigan – Lin var også noe tregere
Oppsummering IDS Kernighan – Lin Heuristic Resultatet av Kernighan – Lin mot K- means
Opponent & Spørsmål