تشخیص ناهنجاری به عنوان یک سرویس ۲۰۲۲
Anomaly Detection as a Service 2022

تشخیص ناهنجاری مدت‌هاست که یک رویکرد امنیتی با کاربردهای متنوع بوده است؛ از ایمن‌سازی برنامه‌های سرور در محیط‌های حیاتی گرفته تا شناسایی تهدیدات داخلی در سازمان‌ها و تشخیص سوء استفاده در شبکه‌های اجتماعی آنلاین. علی‌رغم حوزه‌های کاربردی به‌ظاهر گوناگون، راهکارهای تشخیص ناهنجاری در چالش‌های فنی مشابهی مشترک هستند؛ چالش‌هایی از قبیل چگونگی تشخیص دقیق الگوهای نرمال مختلف، چگونگی کاهش هشدارهای نادرست، چگونگی انطباق با تغییرات مفهومی و چگونگی به حداقل رساندن تأثیر عملکرد. آن‌ها همچنین در رویکردهای تشخیص و روش‌های ارزیابی مشابهی مانند استخراج ویژگی، کاهش ابعاد و ارزیابی تجربی مشترک هستند.

هدف اصلی این کتاب کمک به پیشرفت پذیرش و استقرار فناوری‌های تشخیص ناهنجاری در دنیای واقعی از طریق نظام‌مند کردن پیکره دانش موجود در مورد تشخیص ناهنجاری است. این کتاب بر تشخیص ناهنجاری مبتنی بر داده برای نرم‌افزار، سیستم‌ها و شبکه‌ها در برابر سوء استفاده‌ها و حملات پیشرفته متمرکز است، اما به تعدادی از کاربردها از جمله تشخیص تقلب و تهدیدات داخلی نیز می‌پردازد. ما اجزای فنی کلیدی در گردش کار تشخیص ناهنجاری را توضیح می‌دهیم، شرح عمیقی از راهکارهای امنیتی مبتنی بر ناهنجاری مبتنی بر داده ارائه می‌دهیم و مهم‌تر از آن، به مسیرهای تحقیقاتی جدید و امیدوارکننده اشاره می‌کنیم. این کتاب بر نیاز و چالش‌های استقرار تشخیص ناهنجاری سرویس‌محور در عمل تأکید دارد؛ جایی که مشتریان می‌توانند تشخیص را به ارائه دهندگان امنیتی اختصاصی برون‌سپاری کنند و بدون نیاز به توجه به جزئیات پیچیده، از محافظت 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.