निम्नलिखित वे क्षेत्र हैं जिनमें डेटा माइनिंग तकनीक का उपयोग या निर्माण घुसपैठ पहचान के लिए किया जा सकता है -
घुसपैठ पहचान के लिए डेटा माइनिंग एल्गोरिदम का विकास
डेटा माइनिंग एल्गोरिदम का उपयोग दुरुपयोग पहचान और विसंगति पहचान के लिए किया जा सकता है। दुरुपयोग पहचान में, प्रशिक्षण जानकारी को या तो "सामान्य" या "घुसपैठ" के रूप में लेबल किया जाता है। एक क्लासिफायर को तब ज्ञात घुसपैठ का पता लगाने के लिए बदला जा सकता है।
इस क्षेत्र में कई शोध हुए हैं जिनमें वर्गीकरण एल्गोरिदम, एसोसिएशन नियम माइनिंग, और लागत-संवेदनशील मॉडलिंग का अनुप्रयोग शामिल है। विसंगति पहचान सामान्य व्यवहार के मॉडल बनाती है और स्वचालित रूप से इससे महत्वपूर्ण विचलन का पता लगाती है और पर्यवेक्षित या अनपर्यवेक्षित शिक्षा का उपयोग किया जा सकता है।
एक पर्यवेक्षित तकनीक में, मॉडल "सामान्य" के रूप में संदर्भित प्रशिक्षण डेटा पर आधारित बनाया जाता है। एक अनपर्यवेक्षित तकनीक में, प्रशिक्षण डेटा के बारे में कोई डेटा नहीं दिया जाता है। विसंगति पहचान शोध में वर्गीकरण एल्गोरिदम, सांख्यिकीय विधियों, क्लस्टरिंग, और आउटलेयर विश्लेषण का अनुप्रयोग शामिल है। तकनीकों को प्रभावी और स्केलेबल होना चाहिए, और बड़ी मात्रा, आयाम, और विषमता के नेटवर्क डेटा को संभालने में सक्षम होना चाहिए।
एसोसिएशन और सहसंबंध विश्लेषण, और भेदभावपूर्ण गुणों को चुनने और बनाने में मदद के लिए एकत्रीकरण
एसोसिएशन और सहसंबंध माइनिंग का उपयोग नेटवर्क डेटा को परिभाषित करने वाले सिस्टम गुणों के बीच संबंधों की खोज के लिए किया जा सकता है। ऐसा डेटा घुसपैठ पहचान के लिए उपयोगी गुणों के चयन के बारे में अंतर्दृष्टि का समर्थन कर सकता है। एकत्रित डेटा से बदले गए नए गुण भी सहायक हो सकते हैं, जिसमें एक विशिष्ट पैटर्न से मेल खाने वाले ट्रैफिक की सारांश गणना शामिल है।
स्ट्रीम डेटा का विश्लेषण
घुसपैठ और दुर्भावनापूर्ण हमलों की क्षणिक और गतिशील विशेषताओं के कारण, डेटा स्ट्रीम वातावरण में घुसपैठ पहचान करना महत्वपूर्ण है। इसके अलावा, एक घटना अपने आप में सामान्य हो सकती है, लेकिन अगर इसे घटनाओं के अनुक्रम के एक तत्व के रूप में देखा जाए तो दुर्भावनापूर्ण माना जा सकता है।
इस प्रकार यह अध्ययन करना महत्वपूर्ण है कि गतिविधियों के कौन से अनुक्रम अक्सर एक साथ मिलते हैं, अनुक्रमिक पैटर्न खोजें, और आउटलेयर्स की पहचान करें। डेटा स्ट्रीम में विकसित क्लस्टर्स ढूंढने और गतिशील वर्गीकरण मॉडल बनाने के लिए अन्य डेटा माइनिंग तकनीकें वास्तविक समय घुसपैठ पहचान के लिए भी महत्वपूर्ण हैं।
वितरित डेटा माइनिंग
घुसपैठ कई क्षेत्रों से जारी की जा सकती है और कई अलग-अलग गंतव्यों को लक्षित किया जा सकता है। वितरित डेटा माइनिंग तकनीकों का उपयोग कई नेटवर्क क्षेत्रों से नेटवर्क डेटा का विश्लेषण करने के लिए किया जा सकता है ताकि इन वितरित हमलों का पता लगाया जा सके।
विज़ुअलाइज़ेशन और क्वेरी टूल्स
किसी भी असामान्य पैटर्न को देखने के लिए विज़ुअलाइज़ेशन टूल्स सुलभ होने चाहिए। ऐसे टूल्स में एसोसिएशन, क्लस्टर, और आउटलेयर्स को देखने की विशेषताएं शामिल हो सकती हैं। घुसपैठ पहचान सिस्टम में एक ग्राफिकल यूजर इंटरफेस भी होना चाहिए जो सुरक्षा विश्लेषकों को नेटवर्क डेटा या घुसपैठ पहचान परिणामों के बारे में क्वेरी करने में सक्षम बनाता है।
