Anomaly Detection as a Service: Challenges, Advances, and Opportunities

تشخیص ناهنجاری یک رویکرد امنیتی طولانی مدت با برنامه های همه کاره بوده است، از ایمن سازی برنامه های سرور در محیط های حیاتی گرفته تا شناسایی تهدیدات داخلی در شرکت ها و شناسایی ضد سوء استفاده برای شبکه های اجتماعی آنلاین. علی‌رغم دامنه‌های کاربردی به ظاهر متنوع، راه‌حل‌های تشخیص ناهنجاری چالش‌های فنی مشابهی مانند نحوه تشخیص دقیق الگوهای عادی مختلف، نحوه کاهش آلارم‌های کاذب، نحوه انطباق با دریفت‌های مفهومی، و نحوه به حداقل رساندن تأثیر عملکرد مشترک دارند. آنها همچنین رویکردهای تشخیص و روش‌های ارزیابی مشابهی مانند استخراج ویژگی، کاهش ابعاد، و ارزیابی تجربی را به اشتراک می‌گذارند.

هدف اصلی این کتاب کمک به پیشرفت فناوری‌های تشخیص ناهنجاری در دنیای واقعی و استقرار است. با سیستم‌بندی مجموعه دانش موجود در مورد تشخیص ناهنجاری. این کتاب بر روی تشخیص ناهنجاری مبتنی بر داده‌ها برای نرم‌افزار، سیستم‌ها و شبکه‌ها در برابر سوء استفاده‌ها و حملات پیشرفته متمرکز است، اما تعدادی از برنامه‌ها، از جمله تشخیص تقلب و تهدیدات داخلی را نیز لمس می‌کند. ما مولفه‌های فنی کلیدی در جریان‌های کاری تشخیص ناهنجاری را توضیح می‌دهیم، توصیف عمیقی از پیشرفته‌ترین راه‌حل‌های امنیتی مبتنی بر ناهنجاری مبتنی بر داده‌ها ارائه می‌کنیم، و مهم‌تر، به جهت‌های تحقیقاتی نویدبخش اشاره می‌کنیم. این کتاب بر نیاز و چالش‌های به کارگیری تشخیص ناهنجاری سرویس‌محور در عمل تأکید می‌کند، جایی که مشتریان می‌توانند تشخیص را به ارائه‌دهندگان امنیتی اختصاصی برون سپاری کنند و از محافظت بدون توجه به جزئیات پیچیده لذت ببرند.

Anomaly detection has been a long-standing security approach with versatile applications, ranging from securing server programs in critical environments, to detecting insider threats in enterprises, to anti-abuse detection for online social networks. Despite the seemingly diverse application domains, anomaly detection solutions share similar technical challenges, such as how to accurately recognize various normal patterns, how to reduce false alarms, how to adapt to concept drifts, and how to minimize performance impact. They also share similar detection approaches and evaluation methods, such as feature extraction, dimension reduction, and experimental evaluation.

The main purpose of this book is to help advance the real-world adoption and deployment anomaly detection technologies, by systematizing the body of existing knowledge on anomaly detection. This book is focused on data-driven anomaly detection for software, systems, and networks against advanced exploits and attacks, but also touches on a number of applications, including fraud detection and insider threats. We explain the key technical components in anomaly detection workflows, give in-depth description of the state-of-the-art data-driven anomaly-based security solutions, and more importantly, point out promising new research directions. This book emphasizes on the need and challenges for deploying service-oriented anomaly detection in practice, where clients can outsource the detection to dedicated security providers and enjoy the protection without tending to the intricate details.