Модель обнаружения фишинговых атак на основе гибридного подхода для защиты автоматизированных систем управления производством

Евгений Алексеевич Митюков
Пермский национальный исследовательский политехнический университет

Андрей Владимирович Затонский
Пермский национальный исследовательский политехнический университет, Березниковский филиал


Аннотация


Введение. В связи с ежегодным развитием фишинговых техник злоумышленников, которые направленны на автоматизированные системы управления производством с целью компрометации конфиденциальной информации, актуальной задачей является разработка новых методов определения фишинговых атак, направленных на промышленный сектор. Цель исследования: разработка метода защиты от фишинговых атак на пользователей и сервисы автоматизированных систем управления производством. Материалы и методы. Для анализа предметной области проанализированы возможные источники литературы. Основываясь на собранной информации из предыдущих исследований, продолжена работа над улучшением архитектуры системы защиты от фишинга. В архитектуру системы добавлены восемь эвристик, направленных на улучшение точности детектирования фишинговых URL (Uniform Resource Locator). Ряд эвристик направлен на семантическую проверку URL в части использования специальных символов, точек, слешей, порта, протокола URL и в том числе длины самого URL. Другие же проверяют валидность SSL/TLS (Secure Sockets Layer/Transport Layer Security) сертификата, ищут фишинговые ключевые слова в URL и сравнивают страну хостинг-провайдера со страной домена верхнего уровня. Результаты. Проведены практические исследования новой архитектуры с различными комбинациями эвристик. Приводятся количественные данные, показывающие улучшение ключевых показателей детектирования фишинговых ресурсов системой, которые, в свою очередь, помогают офицеру безопасности принимать решение о фишинговости или легитимности URL. Заключение. Представленная система показывает следующие показатели: TPR (True Positive Rate) – 97,85 % и FPR (False positive Rate) – 2,09 %. Также улучшена точность метода до 98,16 %.


Ключевые слова


кибербезопасность; кибератака; автоматизированные системы управления; анти-фишинг; свойства URL

Полный текст:

PDF

Литература


Список угроз ФСТЭК. – http://bdu.fstec.ru/threat (дата обращения: 15.02.2020).

Что такое «фишинг» (2019). – https://encyclopedia.kaspersky.ru/knowledge/what-is-phishing/ (дата обращения: 15.12.2019).

Митюков, Е.А. Жизненный цикл фишинговых атак и техники их реализации / Е.А. Митюков // Решение. – 2019. – Т. 1. – С. 140–142.

Митюков, Е.А. Аудит безопасности SCADA-систем / Е.А. Митюков, А.В. Затонский, П.В. Плехов // Защита информации. Инсайд. – 2016. – № 4. – С. 72–77.

Митюков, Е.А. Уязвимости MS SQL SERVER, или использование хранимых процедур в своих целях / Е.А. Митюков // Защита информации. Инсайд. – 2017. – № 6 (78). – С. 44–47.

Спам и фишинг (2018). – https://securelist.ru/spam-and-phishing-in-2018/93453/ (дата обращения: 30.12.2018).

Radiflow Reveals First Documented Cryptocurrency Malware Attack on a SCADA Network (2020). – https://radiflow.com/news/radiflow-reveals-first-documented-cryptocurrency-malware-attackon-a-scada-network/ (дата обращения: 20.01.2020).

Mityukov, E.A. Phishing detection model using the hybrid approach to data protection in industrial control system / E.A. Mityukov, A.V. Zatonsky, P.V. Plekhov, N.V. Bilfeld // IOP Conference Series: Materials Science and Engineering. – 2019. – Vol. 537. DOI: 10.1088/1757-899X/537/5/052014

Gastellier-Prevost Sophie. Decisive heuristics to differentiate legitimate from phishing sites. La Rochelle, France / Gastellier-Prevost Sophie, Granadillo Gustavo Gonzalez, Laurent Maryline // Proc. of conference on network and information systems security (SAR-SSI). – May 2011. – P. 1–9. DOI: 10.1109/SAR-SSI.2011.5931389

Jeeva, S.C. Intelligent phishing URL detection using association rule mining / S.C. Jeeva, E.B. Rajsingh // Human-Centric Comput. Inf. Sci. – 2016. – 6, 10. DOI: 10.1186/s13673-016-0064-3

Sonowal, G. PhiDMA – A phishing detection model with multi-filter approach / G. Sonowal, K.S. Kuppusamy // Journal of King Saud University – Computer and Information Sciences. – Jule 2017. – Vol. 32 (1). – P. 99–112.

Teaching Johnny not to fall for phish / Kumaraguru Ponnurangam, Sheng Steve, Acquisti Alessandro et al. // Article 7 ACM Transactions on Internet Technology. – May 2010. – 10 (2): 31. DOI: 10.1145/1754393.1754396

Затонский, А.В. Информационные технологии: Разработка информационных моделей и систем / А.В. Затонский. – М.: ИЦ Риор, 2014. – 344 с.

A framework for detection and measurement of phishing attacks / S. Garera, N. Provos, M. Chew, A.D. Rubin // Proceedings of the 2007 ACM Workshop On Recurring Malcode. – Alexandria, Virginia, USA, ACM, 2007. – P. 1–8. DOI: 10.1145/1314389.1314391

Zhang Jian. Highly predictive blacklisting / Zhang Jian, Porras Phillip, Ullrich Johannes // Proc. of the 17th conference on security symposium. – CA, USA: USENIX Association Berkeley; 2008. – P. 107–122.




DOI: http://dx.doi.org/10.14529/ctcr200206

Ссылки

  • На текущий момент ссылки отсутствуют.