Un modello integrato control-flow e data-flow per il rilevamento ...

Recommendations

Info

iv Ringraziamenti scoperto nuovi mondi. Spero che il futuro mi riservi una strada che mi consenta di non smettere di studiare.
Indice 1 Introduzione 1 1.1 Anomaly detection e system call . . . . . . . . . . . . . . . . . . . . 3 1.2 Obiettivo del lavoro . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Struttura della tesi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2 Modelli per l’anomaly detection 9 2.1 Modelli control flow . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1.1 Automi a stati finiti . . . . . . . . . . . . . . . . . . . . . . . 10 2.1.2 VtPath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.1.3 Execution graphs . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.1.4 Abstract stack, un modello costruito staticamente . . . . . . 16 2.2 Modelli data flow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.1 Un modello data flow . . . . . . . . . . . . . . . . . . . . . . 19 2.3 Discussione dei modelli studiati . . . . . . . . . . . . . . . . . . . . . 21 3 Un modello che integra control flow e data flow 25 3.1 Debolezze dei modelli esistenti . . . . . . . . . . . . . . . . . . . . . 25 3.1.1 Primo scenario: vulnerabilità nel codice . . . . . . . . . . . . 26 3.1.2 Secondo scenario: errore di configurazione di un server . . . . 31 3.1.3 Terzo scenario: debolezza delle relazioni binarie . . . . . . . . 34 3.2 Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Costruzione del modello . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.3.1 Algoritmo di apprendimento delle relazioni unarie . . . . . . 37 3.3.2 Algoritmo di apprendimento delle relazioni binarie . . . . . . 38 3.3.3 Descrizione dell’algoritmo . . . . . . . . . . . . . . . . . . . . 44 3.4 L’algoritmo completo per la costruzione del modello . . . . . . . . . 46 3.4.1 Relazione con l’algoritmo originale rispetto ai falsi positivi . . 46 3.4.2 Una possibile variante . . . . . . . . . . . . . . . . . . . . . . 47
Page 1: Università degli Studi di Udine Fa
Page 5: Ringraziamenti In questo percorso m
Page 9 and 10: Elenco delle figure 1.1 Codice sema
Page 11 and 12: 1 Introduzione Dai tempi della “d
Page 13 and 14: 1.1. Anomaly detection e system cal
Page 15 and 16: 1.2. Obiettivo del lavoro 5 informa
Page 17 and 18: 1.3. Struttura della tesi 7 seconda
Page 19 and 20: 2 Modelli per l’anomaly detection
Page 21 and 22: 2.1. Modelli control flow 11 con un
Page 23 and 24: 2.1. Modelli control flow 13 • Vi
Page 25 and 26: 2.1. Modelli control flow 15 1 int
Page 27 and 28: 2.2. Modelli data flow 17 • se v
Page 29 and 30: 2.2. Modelli data flow 19 suo scopo
Page 31 and 32: 2.3. Discussione dei modelli studia
Page 33 and 34: 2.3. Discussione dei modelli studia
Page 35 and 36: 3 Un modello che integra control fl
Page 37 and 38: 3.1. Debolezze dei modelli esistent
Page 45 and 46: 3.2. Proposta 35 1 int main(void) 2
Page 47 and 48: 3.3. Costruzione del modello 37 mai
Page 49 and 50: 3.3. Costruzione del modello 39 Un
Page 51 and 52: 3.3. Costruzione del modello 41 Tra
Page 53 and 54: 3.3. Costruzione del modello 43 Par
Page 55 and 56: 3.3. Costruzione del modello 45 Tut
Page 57 and 58:
3.5. L’algoritmo per la verifica
Page 59 and 60:
3.5. L’algoritmo per la verifica
Page 61 and 62:
4 L’implementazione L’implement
Page 63 and 64:
4.2. Introduzione a DTrace 53 un ce
Page 65 and 66:
4.2. Introduzione a DTrace 55 1 sta
Page 67 and 68:
4.3. Implementazione del sistema 57
Page 69 and 70:
4.4. Costo computazionale del model
Page 71 and 72:
4.4. Costo computazionale del model
Page 73 and 74:
5 Conclusioni e sviluppi futuri La
Page 75 and 76:
5.2. Sviluppi futuri 65 5.2.1 L’u
Page 77 and 78:
5.2. Sviluppi futuri 67 sistemi. In
Page 79 and 80:
Bibliografia [1] System V Applicati
show all

Un modello integrato control-flow e data-flow per il rilevamento ...

Create successful ePaper yourself

Delete template?

Save as template?