.png){kind=icon}
.png){kind=icon}
返回
Explainable Logic-Driven Firewall Anomaly Detection with Knowledge Graph Visualization and Machine Learning Validation
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15081714.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
防火墙策略误配置仍是现代网络中安全漏洞的主要来源，特别是在防火墙规则集规模和复杂性增长的情况下。此类误配置通常被称为防火墙异常，可能导致意外的访问控制行为并破坏网络安全。本文提出了一种基于形式逻辑规则的框架，用于系统检测和调查防火墙异常，并支持基于知识图谱的可视化。一阶逻辑（FOL）被用于精确建模防火墙规则并定义主要异常类型，包括阴影、冗余、关联、泛化和无关性，适用于单防火墙和分布式防火墙环境。所提出的框架为每种异常类型引入了明确且全面的形式化定义，实现了对规则冲突和重叠的确定性、可解释和完整检测。复杂异常，特别是关联和泛化，被系统地分解为定义良好的逻辑案例，以促进对防火墙规则之间微妙的、顺序依赖的交互的准确识别。为增强可用性和分析能力，防火墙规则和检测到的异常使用Neo4j知识图谱表示，提供对规则关系和异常原因的直观可视化洞察。所提出方法的有效性通过来自斯坦福大学校园网络的实际运行骨干网络数据集进行了验证。实验结果表明，该框架能够在真实网络条件下准确检测简单和复杂的防火墙异常。为进一步验证所提出的形式化规则，进行了基于机器学习的评估。研究结果证实了这些规则在准确表征防火墙异常方面的有效性。与基于机器学习或启发式的方法不同，所提出的方法不需要训练数据，并保证形式化正确性和可解释性。这些特性使其成为防火墙策略验证和网络安全管理的稳健且实用的解决方案。
Keyword:
firewall anomaly detection
knowledge graph
firewall policy verification
explainable network security
logistic regression validation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。