|
隨著電腦科技的進步，網路的使用率迅速成長，網路安全也日益被重視。根據相關資料顯示，網路惡意程式的氾濫與猖獗日益嚴重，如病毒、網蟲、後門和木馬程式
…等等。而後門程式更是有明顯成長的趨勢，它可以穿越企業的安全架構，如防火牆、防毒軟體，更會竊取機密資訊、佔用網路資源、當作跳板主機、甚至進行大規模的攻擊（如分散式阻斷服務攻擊）。
在文獻中我們分析後門程式的特性與種類，探討資料挖礦和支援向量機（Support Vector
Machine）於入侵偵測的應用，本研究主要會專注於後門程式連線之偵測，且提出一個偵測後門程式連線行為的架構。此架構是以支援向量機分類演算法為基
礎，它是Vapnik為了解決在類神經網路上不可避免的問題所提出的方法，主要是建立在統計學習理論基礎之上的機器學習方法。
在系統模組與驗證方面，本研究選擇適合在小型區域網路的IPAudit流量監控軟體以及支援向量機的分類軟體libsvm。利用libsvm將
IPAudit所擷取的封包進行交互式流量進行分類，進一步與我們所建立的合法服務列表比對，判斷後門程式連線的行為。本研究比對SVM、C4.5、Na
|
