CC BY
85
Уфа : УГАТУ, 2010
'Be&тн,и,к,
Т. 14, № 5 (40). С. 198-204
УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
УДК 681.5:004.45
С. С. Валеев, М. Ю. Дьяконов
НЕЙРОСЕТЕВАЯ СИСТЕМА АНАЛИЗА АНОМАЛЬНОГО ПОВЕДЕНИЯ ВЫЧИСЛИТЕЛЬНЫХ ПРОЦЕССОВ В МИКРОЯДЕРНОЙ ОПЕРАЦИОННОЙ СИСТЕМЕ
Предлагается архитектура нейросетевой системы анализа поведения процессов операционной системы реального времени, используемых в специализированных встраиваемых системах. Распознавание аномального поведения процессов производится на базе нейросетевого классификатора. Информационная безопасность; аномальное поведение; микроядерная операционная система; нейросетевой классификатор; встраиваемые системы; вредоносный код
Бортовые компьютеры в системах управления динамическими объектами, коммуникаторы и смартфоны, платежные терминалы и банкоматы, вычислительные интегрированные комплексы технических средств охраны обеспечивают свою функциональность на основе операционных систем реального времени (ОСРВ). В качестве ОСРВ широко используются операционные системы на основе микроядерной архитектуры -микроядерные операционные системы (МОС). Широко известными примерами МОС являются ОСРВ LynxOS, QNX, VxWorks, Symbian, PalmOS, Windows CE [1-6]. МОС обладают рядом преимуществ по сравнению с монолитными ОС, к которым относится, например, ОС UNIX [7]. К этим преимуществам можно отнести высокую надежность, невысокие требования к объему памяти, а модульная структура этих ОС позволяет легко масштабировать и конфигурировать их с учетом особенностей решаемой задачи.
Требования к ОСРВ регламентируются различными стандартами, в том числе и стандартами по защите информации, так как в настоящее время активно используются распределенные системы обработки информации с применением сетевых технологий [8-11]. Основные угрозы безопасности для автоматизированных систем (АС), в том числе и для встраиваемых систем реального времени представлены на рис. 1 [12]. Для подобных систем характерно, что известен состав программного обеспечения (ПО) и круг решаемых задач.
Для противодействия этим угрозам применяются различные методы повышения защищенности встраиваемых систем: использование верифицированных компонентов ПО [8-10]; разграничение доступа процессов к ресурсам [9], сертификация компонентов системного ПО
Контактная информация: (347) 273-78-76
ОС в соответствии с требованиями стандартов [8-10]; во многих случаях применяются средства защиты, характерные для ОС общего назначения (антивирусы, межсетевые экраны и др.) [14]. Решается задача разработки интеллектуальной системы защиты информации на основе анализа вычислительных процессов в ходе решения ОСРВ известного набора задач. Предлагается система обнаружения аномального поведения процессов в МОС на основе классификации процессов на нормальные и аномальные с применением нейросетевого классификатора.
1. СОСТОЯНИЕ ВОПРОСА
Как показал анализ, в известных подходах обеспечения информационной безопасности ОСРВ не учитывается поведение вычислительных процессов в ходе решения известного набора задач. Если известны направления реализации угроз, например, при заражении компьютерным вирусом, переполнении буфера в результате ошибки в коде программы и др., то в некоторых случаях это позволяет достаточно точно определять отклонения в работе ОСРВ.
При использовании известных подходов обнаружения, например, вредоносного кода, средства защиты оперируют информацией, содержащейся в базе данных сигнатур вредоносного кода. В других случаях используется определенный набор запрещающих или разрешающих правил, так называемые эвристики. Эвристики позволяют ограничить воздействие вредоносного кода на вычислительную систему, а также во многих случаях обнаружить такое воздействие. Недостатком известных подходов является то, что в случае несвоевременного обновления базы данных сигнатур возрастает количество уязвимостей в системе и, следовательно, вероятность успешной атаки. При большом числе эвристических правил возрастает количество ошибок второго рода.
Рис. 1. Основные угрозы безопасности АС
При использовании предлагаемого подхода используются не фиксированные уникальные последовательности байтов вредоносного кода и наборы правил, а предположение о том, что статистика последовательности системных вызовов процессов и их частотные характеристики остаются в среднем постоянными и любые отклонения от нее могут быть расценены как аномальное поведение. В дополнение к существующим методам, данный подход, например, может использоваться для уведомления о принудительной дополнительной проверке кода процесса на наличие вредоносного кода.
2. ПОСТАНОВКА ЗАДАЧИ
Рассмотрим далее задачу распознавания состояний процессов ОСРВ. В табл. 1 представлены основные характеристики модели вычислительной системы ОСРВ, требуемые для решения задачи распознавания состояний процессов.
Рассмотрим обобщенную модель вычислительной системы, которую представим в виде множества вычислительных процессов Р. Для реализации определенной функциональности системы каждый вычислительный процесс использует системные вызовы ОСРВ из S. Предполагается, что в зависимости от типа вычислительного процесса системные вызовы совершаются с характерной для них частотой, образуя множество V. Предполагается, что множество системных вызовов S, а также соответствующее множество частот системных вызовов V вычислительного процесса остаются постоянными
при многократном запуске системного процесса.
Таблица 1 Основные характеристики модели вычислительного процесса ОСРВ
Хар актер истика модели Описание
Р = {Рк \к = 1 + у] Множество пользовательских процессов, где у - число процессов
£=к |/ = 1 + п} Множество системных вызовов, где п - число системных вызовов
V=к! Множество частот системных вызовов пользовательских процессов, где т е N
О: Р х £ х £ ®V Функция формирования матрицы смежности системных вызовов
Н: Р х £ х £ ® V Функция формирования матрицы частот последовательных системных вызовов
1 = \Ут1 Ут1 еV; т,| 1 = 1 + п Матрица смежности системных вызовов пользовательского процесса рк, где Утт - частота совершения вызова 8т
-1 = \^т 1 vm 1 еV; т,| 1 = 1 ^ п Матрица частот системных вызовов пользовательского процесса рк, где у'т! - частота совершения вызова после ^
Поставим задачу сбора статистики совершения системных вызовов вычислительного процесса £ и соответствующих частот системных вызовов V, а также последующего анализа состояния процессов ОСРВ на базе данной статистики.
Пусть Р, £, V, I, J - множества, характеризующие нормальное состояние ОСРВ, полученные при многократном запуске вычислительных процессов в системе до момента времени I, а множества Р, £, V, I, J отражают новое состояние системы в момент времени > t. Таким образом, предполагается, что для анализа состояния процессов ОСРВ может оказаться достаточным сравнение множеств I, J с множествами I, J.
В итоге, задача анализа состояний процессов ОСРВ по совокупности системных вызовов и их частотных характеристик соответствующих вычислительных процессов сводится к задаче распознавания образов. Задача может быть эффективно решена на базе нейросетевого классификатора.
3. МЕТОДИКА ИССЛЕДОВАНИЯ
Системная организация микроядерной ОС может быть представлена в виде иерархической структуры, в которой можно выделить три функциональных уровня: уровень исполнения, уровень координации и уровень планирования. К исполнительному уровню отнесены устройства ПК и микроядро ОС (рис. 2), взаимодействующие на данном уровне посредством команд прерывания внешних устройств, команд ввода/вывода, команд обмена информацией между компонентами микроядра. Взаимодействие микроядра с вышестоящим уровнем координации обеспечивается посредством системных
вызовов; к уровню координации отнесены системные библиотеки, драйверы устройств, менеджеры файловой системы и процессов (см. рис. 2), взаимодействующих с вышестоящим уровнем планирования с использованием интерфейса прикладного программирования; к уровню планирования отнесено прикладное ПО пользователя (см. рис. 2), которое получает команды и данные для обработки от пользователя.
Каждый из иерархических уровней ОСРВ решает свои задачи:
• на уровне планирования (УП) прикладное ПО планируется к выполнению в зависимости от первоначальных установок пользователя;
• на уровне координации (УК) загруженное в память прикладное ПО определяет состояние ОСРВ с использованием прикладного программного интерфейса. Менеджеры управления ресурсами ОСРВ и драйверы устройств данного уровня обслуживают запросы прикладного ПО, получаемые с уровня планирования;
• на исполнительном уровне (ИУ) взаимодействие прикладных программ с уровнем координации обеспечивается благодаря выполнению низкоуровневых системных вызовов. Количество системных вызовов в микроядерных ОС может изменяться от 70 до 250, в зависимости от ее назначения и задач, решаемых разработчиком [15].
На уровне исполнения МОС за неделимую единицу вычислительного процесса примем процесс или поток. Информация о процессах и потоках представляется в МОС структурой данных в виде таблицы с набором полей, идентифицируемой МОС и хранящей информацию о текущем состоянии процесса или потока [16].
Рис. 2. Иерархические уровни микроядерной ОСРВ
Пользовательские прикладные программы, утилиты, библиотеки и т.п.
УП :
Запуск программ и утилит I в соответствии с требуемой ; ^--^функциональностью I
Процесс 1 Процесс 2 ... Процесс N
Совершение
системного
вызова
Совершение
системного
вызова
УК і
Совершение
системного
вызова
[Результат системного вызова]
PID
процесса + к-
[номер
ошибки]
ИУ
Oöpai передачи Аргументы системного вызова ?отчик сообщений [Результат систе много вызова]
Обработчики системных вызовов процессов
Модуль сбора статистики
Информация о состоянии процесса
[номер
ошибки]
Информация о корректном состоянии \ процесса
Модуль анализа состояния процесса
Вектор
СОСТОЯНИЯ
[Результат классификации]
База модуля статистики
Нейросвтевой модуль классификации
Микроядро ОСРВ
Рис. 3. Архитектура системы анализа состояния МОС на основе поведения процессов
Эти таблицы используются при планировании процессов на исполнение и при управлении процессорным временем, а также, например, переключении контекста [12].
В нашем случае предполагается, что последовательность системных вызовов в ходе выполнения вычислительных процессов, а также частота их использования остаются постоянными при повторном запуске той или иной задачи.
Предлагаемый метод анализа состояния МОС с применением нейронной сети был апробирован в МОС Minix 3 [13]. На рис.3 представлена архитектура разработанной системы анализа состояния МОС на основе нейросетевого классификатора процессов.
Функционирование системы анализа поведения процессов МОС описывается следующей последовательностью шагов:
Шаг 1. Некоторый процесс из множества P совершает системный вызов из S.
Шаг 2. Обработчик передачи сообщений (ОПС) блокирует прохождение сообщения к обработчику системных вызовов (ОСВ) и передает идентификатор процесса (PID) модулю сбора статистики (МСС).
Шаг 3. МСС осуществляет проверку наличия в базе статистики данных о процессе.
Шаг 3.1. В случае наличия данных МСС передает информацию о процессе в модуль анализа состояния процесса (МАСП) и переходит к шагу 4.
Шаг 3.2. В случае отсутствия данных МСС заводит новую запись о процессе и функционирует в режиме сбора статистики для процесса M и переходит к шагу 7.
Шаг 4. МАСП формирует входной вектор состояния процесса из данных, содержащихся в системных таблицах ОС, и передает на вход нейросетевого модуля классификации.
Шаг 5. Нейросетевой модуль передает результаты классификации в МАСП.
Шаг 6. МАСП формирует код ошибки и передает результат в МСС.
Шаг 7. МСС добавляет запись о состоянии процесса кодом ошибки и передает код ошибки ОПС.
Шаг 7.1. В случае возникновения ошибки ОПС пересылает код ошибки процессу Р, блокируя выполнение системного вызова из S и переходит к шагу 10.
Шаг 7.2. В случае, если код ошибки равен нулю (т.е. отсутствие ошибки), ОПС пересылает аргументы системного вызова ОСВ и переходит к следующему шагу.
Шаг 8. ОСВ исполняет системный вызов из £ и возвращает результаты обработки ОПС.
Шаг 9. ОПС возвращает результаты системного вызова из £ процессу из Р.
Шаг 10. ОПС ожидает совершения следующего системного вызова.
На основе предложенного алгоритма анализа реализован исследовательский прототип для ОС М1тх 3. В качестве задач были выбраны наиболее часто используемые системные утилиты (см. табл. 2).
В табл. 3 представлены некоторые стандартные библиотечные функции, реализующие системные вызовы ОС М1тх 3.
Для каждой из выбранных утилит при обращении к ним был выполнен анализ частоты используемых системных вызовов. Результаты численного эксперимента представлены в табл. 4, а на рис. 4 представлены гистограммы частот использования системных вызовов для утилит §еИу, тй, гш.
Как следует из результатов численного эксперимента для ОС М1тх 3, при запуске системных утилит используется определенный набор системных вызовов. В ходе численного эксперимента также учитывалась взаимосвязь пар системных вызовов, то есть частота появления следующего системного вызова.
Таблица 3 Основные функции, реализующие системные вызовы [13]
Системный вызов Описание №
exit(status) Завершает выполнение процесса и возвращает статус 1
pid = fork( ) Создает дочерний процесс, идентичный родительскому 2
n = read(fd, buffer, nbytes) Читает данные из файла в буфер 3
n = write(fd, buffer, nbytes) Пишет данные из буфера в файл 4
fd=open(file, how,...) Открывает файл для чтения, записи или того и другого 5
s = close(fd) Закрывает открытый файл 6
s = sigaction (sig, &act, &oldact) Устанавливает реакцию на сигнал 71
s = sigsus- pend(sigmask) Устанавливает маску сигналов для процесса и приостанавливает его 72
s = sigpending(set) Определяет набор блокированных сигналов 73
s = sigprocmask(how, &set, &old) Определяет или устанавливает маску сигналов для процесса 74
s = sigreturn(&context) Возвращается из обработчика сигнала 75
Таблица 2 Список использованных утилит ОС Minix 3
Имя системной утилиты Краткое описание назначения утилиты
su Повышение пользовательских привилегий до уровня root (администратора)
init Начальная загрузка всех служб и процессов-демонов
rm Удаление файлов из файловой системы
getty Запуск терминала пользователя
login Аутентификация пользователя
more Просмотр содержимого файлов
cp Копирование файлов в файловой системе
ls Просмотр содержимого каталога файловой системы
mem Информация о свободном пространстве ОЗУ
getty
J I I
init
Рис. 4. Г истограммы частот использования системных вызовов
Полученные матрицы системных вызовов I представлены для наглядности в графическом виде (см. рис. 5). Как видно из рисунка, для каждого из рассмотренных заданий характерно уникальное множество используемых системных вызовов. Моделирование показало, что данное множество остается в среднем постоянным при многократном запуске соответствующих заданий, а влияние на значения элементов матрицы оказывает входной поток данных.
Т аблица 4 Частоты использования системных вызовов утилитами
№ Наименование утилиты
lo- ls
su init rm getty gin more cp
Частота совершения системного вызова
1 - 1 - - - - - -
2 — 6 - - 1 - - -
3 2 10 - 14 38 897 2 3
4 - 6 - 12 10 1178 1 2
5 2 16 - 2 10 2 2 1
6 2 38 - 2 15 2 2 1
7 — 1 - - - - - -
10 — - 1 - - - - -
11 - 4 - - 1 - - -
12 - - - - 1 - - -
13 — 5 - - 1 - - -
15 - - - 1 1 - - -
16 - - - 1 1 - - -
17 1 15 2 2 4 9 2 3
18 - - - 2 4 - 3 1
19 - 5 - - 2 1 - -
20 - 7 - - - - - -
23 1 - - - 1 - - -
24 1 - 1 - - - 1 1
27 - - - - 2 - - -
28 - 1 - 2 5 1 1 1
33 - - - - 1 - - 1
42 - 5 - - 1 - - -
46 1 - - - 1 - - -
47 1 - 1 - - - 1 1
50 - - 1 - - - - 1
54 - - 1 - - 300 1 3
55 4 27 - 2 11 1 - 2
59 - 10 - - - - - -
60 - - 1 - - - 1 -
62 - 5 - - - - - -
68
71 - 5 - 1 25 5 - -
74 - - - - - 1 - -
77 - 1 - - - - - -
79 - 1 - 1 - - - -
Решение задачи анализа состояния ОСРВ основано на обучении нейросетевого классификатора. В качестве нейросетевого классификатора использовалась многослойная нейронная сеть [17].
rm
login
Рис. 5. Графическое представление матриц системных вызовов
ВЫВОДЫ
В результате выполненных исследований показано, что поведение процессов в МОС характеризуется определенным уникальным набором системных вызовов с определенными частотными характеристиками их использования. Применение нейросетевого классификатора оказывается достаточно эффективным для задачи распознавания последовательности системных вызовов процессов и их частотных характеристик, ввиду простоты реализации и скорости работы. Архитектура нейросетевого классификатора является подходящей для его использования в МОС, используемых во встраиваемых системах для распознавания аномального поведения процессов в режиме реального времени.
СПИСОК ЛИТЕРАТУРЫ
1. The real-time operating system for complex embedded systems [Электронный ресурс] (http://www. lynuxworks.com/rtos/rtos.php).
2. QNX Neutrino RTOS Secure Kernel [Электронный ресурс] (http://www.qnx.com/products/neutri-no_rtos/ secure_kernel.html).
3. Introducing New Solutions for Critical Business
Needs from the World's Most Widely Adopted RTOS [Электронный ресурс] (http://www.windriver.com/
solutions/network-equipment/).
4. Symbian [Электронный ресурс] (http://www. symbian.com/).
5. Palm OS [Электронный ресурс] (http://ru. wikipedia. org/wiki/P almO S).
6. Windows CE [Электронный ресурс] (http://ru. wikipedia.org/wiki/Windows_CE).
7. Вахалия, Ю. UNIX изнутри. Классика CS. СПб.: Питер, 2003. 844 с.
8. DO-178B, Software Considerations in Airborne Systems and Equipment Certification.
9. ARINC 653 (Avionics Application Standard Software Interface).
10. Common Criteria for Information Technology Security Evaluation (Общие критерии оценки безо-
пасности информационных технологий) — международный стандарт (ISO/IEC 15408, ИСО/МЭК 15408-2002).
11. ГОСТ Р 51904-2002 «Программное обеспечение встроенных систем. Общие требования к разработке и документированию».
12. Гайдамакин Н. А. Теоретические основы компьютерной безопасности: учеб. пособие. Екатеринбург: изд-во Урал. ун-та, 2008. 212 с.
13. Таненбаум Э. Операционные системы. Разработка и реализация (+CD). Классика CS. СПб.: Питер, 2007. 704 с.
14. Warrender С., Forrest S., Pearlmutter B. Detecting Intrusion Using System Calls: Alternative Data Models // IEEE Symposium on Security and Privacy. 1999. P. 133-145.
15. Forrest S., Hofmeyr S. A., Longstaff T. A. A sense of self for UNIX processes // Proceedings of the 1996 IEEE Symposium on Security and Privacy. P. 120128, Los Alamos, CA, 1996. IEEE Computer Society Press.
16. Anomaly detection using call stack information / H. Feng [et al] // Proceedings of IEEE Symposium on Security and Privacy, Berkley, California, IEEE Computer Society, 2003.
17. Хайкин С. Нейронные сети: полный курс. М.: ООО «И.Д. Вильямс», 2006. 1104 с.
ОБ АВТОРАХ
Валеев Сагит Сабитович,
проф., зав. информатики. Дипл. инж.-электромех. (УАИ, 1970). Д-р техн. наук. по упр. в техн. системах (УГАТУ, 2005). Иссл. в обл. интеллект. упр. сложными объектами.
Дьяконов Максим Юрьевич,
асс., асп. каф. вычисл. техн. и защ. инф. Дипл. спец. по защите инф. (Уфа, 2007). Исс. в обл. интеллектуальн. систем защиты инф-ции в операц. системах.
