A Novel System-Call Dataset for AI-Driven Host-Based Intrusion Detection in Containerized Cloud Environments

在现代数字世界中，应用程序通常运行在“容器”中，这些容器就像是轻量级、可移植的盒子，包含了程序运行所需的一切。这些盒子之所以受欢迎，是因为它们使得软件在不同计算机之间的迁移变得容易。然而，与完全隔离的房间不同，所有这些容器都共享同一台宿主计算机的底层操作系统。这种共享的基础结构产生了一个漏洞：如果一个容器被攻破，攻击者可能会设法从他们的盒子里溜出来，进而控制整个宿主系统。为了阻止这种情况，安全专家使用基于主机的入侵检测系统。这些系统充当警觉的观察者，监视着程序向计算机核心发出的基本请求。这些请求被称为“系统调用”（system calls），是程序执行诸如打开文件、连接网络或使用内存等操作时使用的基本指令。通过分析这些请求的模式，安全软件可以发现程序何时表现异常，例如它试图执行从未被允许的操作。

挑战在于，现有的系统调用记录往往过于简单或陈旧，无法捕捉到针对现代容器化环境的复杂手段。它们缺乏理解程序不仅在做什么，而且是如何做到的、何时发生的以及正在使用哪些资源的详细上下文信息。为了解决这个问题，研究人员 Ammar Mustafa、Ali Younes 和 Balsam Eid 创建了一个名为 CHASE 的全新的、高度详细的数据集。该集合包含近 5,000 条不同的计算机活动记录，既捕捉了正常操作，也捕捉了特定的恶意攻击。该数据集是在一个模拟真实云环境的受控实验室环境中构建的，确保数据反映了现代计算的复杂性。它包含了来自 4,482 个正常会话和 498 个有害会话的追踪记录，涵盖了从容器逃逸到针对人工智能资源攻击的广泛场景。

CHASE 的不同之处在于它为每一个事件记录了极深层的信息。该数据集不仅仅是列出程序发出的命令，还捕捉了每个命令所花费的时间、发出该命令的具体进程和线程，以及在那个精确时刻计算机资源（如内存和网络使用情况）的状态。它还包含了关于容器本身的元数据，提供了发生活动的完整环境图景。有害的追踪记录经过精心构建，代表了基于已知安全缺陷的 22 种特定攻击场景和 9 个不同的攻击族，例如命令注入和资源劫持。至关重要的是，数据集中的正常活动并非仅仅是空洞的背景噪音；它包含了涉及 Web 服务器、数据库和人工智能任务的真实且复杂的负载。这确保了用于测试的安全系统必须能够区分危险行为与合法计算机使用的复杂多变的现实。

研究人员通过将这个新数据集输入到几种旨在识别异常的各种类型的人工智能模型中来测试它。他们使用了严谨的方法来确保结果的可靠性，例如在模型从未见过的攻击类型上进行测试，并检查模型在来自不同计算机环境的数据时是否仍能正常工作。结果显示，该数据集非常有效。一种名为“随机森林”（Random Forest）的模型——它利用一系列决策树来进行预测——在区分正常与有害活动方面取得了极高的分数。更重要的是，当研究人员测试模型的泛化能力时，它在大多数未见过的攻击族中表现得异常出色。在一个模型在除了某一种类型之外的所有攻击类型上进行训练的测试中，它在包括网络拦截（Network Interception）和命令注入（Command Injection）在内的几个家族中达到了近乎完美的准确率，尽管性能因类型而异，其中 Web 注入（Web Injection）家族的分数较低，为 0.8204。这表明该数据集很好地捕捉了攻击的底层行为模式，以至于安全系统可以在没有见过这些威胁的情况下，学会识别新的威胁，尽管检测效果取决于具体的攻击类型。

研究还调查了哪些数据部分对检测最为重要。通过移除不同的信息组，例如时间细节或命令的结构细节，研究人员发现行为特征是识别攻击最关键的部分。虽然事件发生的时间有助于判断，但程序的核心动作及其与系统交互的方式才是危险的主要指标。该数据集还证明了其价值，因为它有助于展示无监督学习（即系统在没有被告知坏人长什么样的情况下尝试寻找坏人）的局限性。在这些测试中，模型表现得非常吃力，这凸显了对于这类特定的安全问题而言，拥有带有标签的攻击示例对于成功至关重要。

最终，CHASE 数据集为开发和测试下一代容器化云安全工具提供了坚实的基石。它超越了简单的命令列表，提供了一个丰富的、具有上下文信息的计算机行为视图，允许研究人员构建能够更好地应对复杂且不断演变的网络威胁的系统。这项工作表明，通过正确类型的数据，是有可能创建出不仅准确而且能够适应未知危险的检测系统的。这一进步是保障支撑现代互联网运行的基础设施安全的重大举措，确保了容器技术的共享特性不会成为依赖于这些系统的弱点。