移动目标防御 改变游戏规则的网络安全新技术

简介: 本文讲的是移动目标防御 改变游戏规则的网络安全新技术,移动目标防御(MTD)是当今最具影响力的安全创新机会。在过去的几年里,国际上针对移动目标防御的研究一直是非常重视。

本文讲的是 移动目标防御 改变游戏规则的网络安全新技术,移动目标防御(MTD)是当今最具影响力的安全创新机会。在过去的几年里,国际上针对移动目标防御的研究一直是非常重视。

image

美国国土安全部将MTD技术定义为改变游戏规则的新型网络安全技术,美国空军准备在2020年前大范围应用MTD技术解决安全问题。2016年美国第一个MTD技术的专利被颁发。之后国外学者针对MTD技术撰写了大量论文,出版了多个MTD的论文集。

image

同时,国际上对MTD的学术讨论也如火如荼。美国计算机学会也举行了多次研讨会,例如2015年在丹佛和2016年在维也纳针对移动目标防御提出了一系列的发展建议。

移动目标防御技术,主要包括系统随机化,生物启发MTD,网络随机化,云MTD,动态编译等等。研讨会还就威胁建模和量化移动目标防御技术的效能评估进行了推进。理论和定量的模型对于该技术的颠覆性影响至关重要。研讨会为MTD技术从理论层面到实践层面的推进发挥了巨大的作用,会议对为什么定义移动目标防御为改变游戏规则的网络安全新技术做了说明。

现有的静态防御技术主要包括:检测、预防,监测,溯源,威胁修复等,防御的主要关注点在漏洞、木马、病毒等具体的攻击方法。而移动目标防御则更加关注于背后的人。通过动态的思想使攻击面动态变化,让攻击者攻击难度增加。因此移动目标防御已经将网络安全上升至攻击者与防御者之间的博弈问题。

目前计算机系统的静态性质使其易于攻击,难以防御。攻击者具有不对称的优势,因为他们有时间研究系统,识别漏洞,并自由选择攻击的时间和地点来获得最大的利益。而移动目标防御(MTD)的思想是使系统动态化。通过不断变化的系统和不断变化的攻击面,攻击者将和今天的防守者一样,不得不面对很大的不确定性,难以预测和探索。

MTD的最终目标是增加攻击者工作量,给攻击者和防御者提供一个网络安全的竞争环境,使他们具备PK的基础,并且希望利用这种竞争让攻防天平倾向于防御者而不是现在的攻击者。

价值主张:CISO们该如何认识移动目标防护的价值?

做为一种颠覆性的安全防御新技术,怎样评估它的价值呢?美国财富1000强中的CISO们已经将MTD列为他们安全预算中首要采用的技术,可是国内负责网络安全的信息官们有些甚至还没听说过MTD技术。

那么移动目标防护的好处有多少,价值有多大呢?答案是:巨大。

  1. 模式的转变

移动目标防御是一种颠覆性的安全防御理念,是一种改变游戏规则的技术,不是针对现有技术的优化。

现有的安全模式优先考虑监测、检测、预防和修复,安全团队基于一个静态的基础设施来进行防护,安全团队通过大量的工作来跟随不断变化的攻击手段、系统漏洞,建立了大量的漏洞库,培养了大量漏洞研究人员。而攻击者却在享受一个相对不变的攻击面,悠闲地喝着咖啡来进行一一攻破,甚至一些小学生,中学生都能实施一些攻击。

目前大部分的安全创新和技术都基于现有的被动防御模式,只是在研究怎么样可以检测的更快,更完整,响应的更及时,即使使用了自动化和人工智能的技术,也不能扭转天平向攻击者这一侧倾斜的现状,因为攻击者有充足的时间针对不变的信息系统进行研究和渗透。

然而移动目标防御是根本性地转变,MTD不会给予攻击者一个不变的基础设施,MTD不会像现有的防御一样,把防火墙、入侵检测、杀毒、蜜罐等等一字排开,等着攻击者上门,相反,MTD通过动态地改变基础设施,持续地改变攻击面,攻击者被迫要调用非常大的资源不断分析探测这种变化的架构,且随着时间的推移而难度增大。而不是像现在的防御,时间越长越有利于攻击者。MTD从根本上改变了攻击者和防御者的不对称性。

image

  1. 不需要依赖特征码

现有的安全理念是基于攻击特征建立起来的,这就存在不可逾越的障碍——不知道特征码的攻击方法,将无法进行识别和防御。移动目标防御技术的出现彻底改变这种被动防御的弊端,让防御者从没有尽头的寻找攻击样本中解脱出来,因为真正的高手不会让其使用的木马或者病毒大范围扩散,这也就是意味着基于特征码的安全策略仅仅能防御比较初级的攻击者。

卫达安全是国内最早也是唯一一家以移动目标防御技术为主要研究方向的安全公司,卫达“幻境”内网动态防御系统是全球唯一能够做到网络拓扑结构动态变化的安全产品,给攻击者呈现了动态变化的网络基础设施,构建了一个动态迷宫,让攻击者有来无回。

原文发布时间为:八月 16, 2017
本文作者:aqniu
本文来自云栖社区合作伙伴安全牛,了解相关信息可以关注安全牛。
原文链接:http://www.aqniu.com/tools-tech/27444.html

相关文章
|
6月前
|
SQL 分布式计算 Serverless
鹰角网络:EMR Serverless Spark 在《明日方舟》游戏业务的应用
鹰角网络为应对游戏业务高频活动带来的数据潮汐、资源弹性及稳定性需求,采用阿里云 EMR Serverless Spark 替代原有架构。迁移后实现研发效率提升,支持业务快速发展、计算效率提升,增强SLA保障,稳定性提升,降低运维成本,并支撑全球化数据架构部署。
602 56
鹰角网络:EMR Serverless Spark 在《明日方舟》游戏业务的应用
|
18天前
|
机器学习/深度学习 数据可视化 网络架构
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
PINNs训练难因多目标优化易失衡。通过设计硬约束网络架构,将初始与边界条件内嵌于模型输出,可自动满足约束,仅需优化方程残差,简化训练过程,提升稳定性与精度,适用于气候、生物医学等高要求仿真场景。
123 4
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
|
24天前
|
人工智能 运维 安全
从被动防御到主动免疫进化!迈格网络 “天机” AI 安全防护平台,助推全端防护性能提升
迈格网络推出“天机”新版本,以AI自学习、全端防护、主动安全三大核心能力,重构网络安全防线。融合AI引擎与DeepSeek-R1模型,实现威胁预测、零日防御、自动化响应,覆盖Web、APP、小程序全场景,助力企业从被动防御迈向主动免疫,护航数字化转型。
从被动防御到主动免疫进化!迈格网络 “天机” AI 安全防护平台,助推全端防护性能提升
|
1月前
|
机器学习/深度学习 并行计算 算法
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
|
1月前
|
监控 安全 Devops
DevOps 流水线的网络安全盲区与防御策略
在软件研发中,DevOps流水线加速了开发与交付,但也带来严重安全风险。自动化节点和第三方集成成为攻击入口,凭证泄露、供应链渗透、配置错误和依赖混乱等问题频发。企业需构建全流程安全体系,嵌入自动化安全策略,强化访问控制与监控,提升全员安全意识,实现效率与安全的协同发展。
341 1
|
1月前
|
机器学习/深度学习 数据采集 资源调度
基于长短期记忆网络定向改进预测的动态多目标进化算法(LSTM-DIP-DMOEA)求解CEC2018(DF1-DF14)研究(Matlab代码实现)
基于长短期记忆网络定向改进预测的动态多目标进化算法(LSTM-DIP-DMOEA)求解CEC2018(DF1-DF14)研究(Matlab代码实现)
|
7月前
|
Kubernetes Shell Windows
【Azure K8S | AKS】在AKS的节点中抓取目标POD的网络包方法分享
在AKS中遇到复杂网络问题时,可通过以下步骤进入特定POD抓取网络包进行分析:1. 使用`kubectl get pods`确认Pod所在Node;2. 通过`kubectl node-shell`登录Node;3. 使用`crictl ps`找到Pod的Container ID;4. 获取PID并使用`nsenter`进入Pod的网络空间;5. 在`/var/tmp`目录下使用`tcpdump`抓包。完成后按Ctrl+C停止抓包。
243 12
|
8月前
|
计算机视觉 Perl
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
221 10
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
|
7月前
|
SQL 安全 网络安全
网络安全防御矩阵:从云防火墙流量清洗到WAF语义分析的立体化防护
在数字化浪潮中,网络安全日益重要。云防火墙依托云计算技术,提供灵活高效的网络防护,适用于公有云和私有云环境;Web应用防火墙专注于HTTP/HTTPS流量,防范SQL注入、XSS等攻击,保护Web应用安全。两者结合使用可实现优势互补,构建更强大的网络安全防线,满足不同场景下的安全需求。
280 1
|
8月前
|
计算机视觉 Perl
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
213 0
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标