logdata-anomaly-miner

Esta ferramenta analisa dados de registo (logs) e permite definir pipelines de análise para deteção de anomalias. Foi concebida para executar a análise com recursos limitados e as permissões mais baixas possíveis, tornando-a adequada para uso em servidores de produção.

Requisitos

Para instalar o logdata-anomaly-miner é necessário um sistema Linux com python >= 3.6. Todas as versões Ubuntu e Debian que temos nos testes são atualmente recomendadas. Existe apenas suporte experimental para Fedora. Mais especificamente, os sistemas testados incluem Debian Buster, Debian Bullseye, Debian Bookworm, Ubuntu 20.04, Ubuntu 22.04, Fedora (imagem docker fedora:latest) e RedHat (imagem docker redhat/ubi9).

Consulte requirements.txt para dependências adicionais de módulos

Instalação

Debian

Existem pacotes Debian para o logdata-anomaly-miner nos repositórios oficiais Debian/Ubuntu.

apt-get update && apt-get install logdata-anomaly-miner

A partir da fonte

O seguinte comando instalará a versão estável mais recente:

cd $HOME
wget https://raw.githubusercontent.com/ait-aecid/logdata-anomaly-miner/main/scripts/aminer_install.sh
chmod +x aminer_install.sh
./aminer_install.sh

Docker

Para instalação com Docker, consulte: Implementação com Docker

Primeiros passos

Aqui estão alguns recursos para ler e começar com as configurações:

• Primeiros passos
• Algumas configurações disponíveis
• Documentação
• Wiki

Publicações

Publicações e apresentações:

• Landauer M., Wurzenberger M., Skopik F., Hotwagner W., Höld G. (2023): AMiner: A Modular Log Data Analysis Pipeline for Anomaly-based Intrusion Detection. Digital Threats: Research and Practice, Volume 4, Issue 1. March 2023, pp. 1–16, ACM. [PDF]
• Wurzenberger M., Skopik F., Settanni G., Fiedler R. (2018): AECID: A Self-learning Anomaly Detection Approach Based on Light-weight Log Parser Models. 4th International Conference on Information Systems Security and Privacy (ICISSP 2018), January 22-24, 2018, Funchal, Madeira - Portugal. INSTICC. [PDF]
• Wurzenberger M., Landauer M., Skopik F., Kastner W. (2019): AECID-PG: AECID-PG: A Tree-Based Log Parser Generator To Enable Log Analysis. 4th IEEE/IFIP International Workshop on Analytics for Network and Service Management (AnNet 2019) in conjunction with the IFIP/IEEE International Symposium on Integrated Network Management (IM), April 8, 2019, Washington D.C., USA. IEEE. [PDF]
• Landauer M., Skopik F., Wurzenberger M., Hotwagner W., Rauber A. (2019): A Framework for Cyber Threat Intelligence Extraction from Raw Log Data. International Workshop on Big Data Analytics for Cyber Threat Hunting (CyberHunt 2019) in conjunction with the IEEE International Conference on Big Data 2019, December 9-12, 2019, Los Angeles, CA, USA. IEEE. [PDF]

A lista completa de publicações pode ser encontrada em https://aecid.ait.ac.at/further-information/.

Contribuição

Aceitamos patches e outras contribuições. Consulte os seguintes links para saber como começar:

• Como instalar um ambiente de desenvolvimento
• Fluxo de trabalho de desenvolvimento Git

Erros

Se encontrar algum erro, por favor crie uma issue no Github.

Segurança

Se descobrir algum problema relacionado à segurança, leia primeiro o SECURITY.md e reporte os problemas.

Licença

GPL-3.0

Suporte Financeiro

Este projeto recebeu suporte financeiro através dos projetos de investigação CAIS (832345), CIIS (840842) e CISA (850199) no âmbito do programa austríaco de investigação de segurança KIRAS, dos projetos de investigação synERGY (855457) e DECEPT (873980) no âmbito do programa TIC do futuro da Agência Austríaca de Promoção da Investigação (FFG), do projeto de investigação PANDORA (SI2.835928) no âmbito do Programa Europeu de Desenvolvimento Industrial de Defesa (EDIDP), bem como dos projetos de investigação ECOSSIAN (607577) e GUARD (833456) no âmbito do Sétimo Programa-Quadro Europeu (FP7) e Horizonte 2020.