СИСТЕМЫ БЕЗОПАСНОСТИ – 2021·Методические, информационные, технические и организационные проблемы безопасностиУДК 519.688

Автоматизированный комплекс программных модулей поиска индикатора компрометации пароля пользователя в системах дистанционного обучения

Automated complex of software modules for searching the user password comprometation indicator in distance learning systems

  1. 1 ООО "На всякий пожарный"
4 июля 2021 4 просмотров 8 мин чтения
Аннотация

Разработан комплекс программных модулей для поиска индикаторов компрометации пароля и признаков нарушения конфиденциальности пароля пользователем системы дистанционного обучения образовательной организации. Работа комплекса программных модулей основана на применении алгоритмов машинного обучения для анализа больших объёмов данных.

#компрометация#дистанционное обучение#комплекс программных модулей#машинное обучение
Abstract

To search for indicators of password compromise and signs of violation of password confidentiality by a user of a distance learning system of an educational organization, a set of software modules has been developed. The work of the complex of software modules is based on the use of machine learning algorithms for analyzing big data.

#compromise#distance learning#a set of software modules#deep machine learning
Полный текст1529 слов

Проблемы возникновения внешних угроз информационной безопасности, компрометации доступа, нарушения конфиденциальности пароля пользователя, сговора обучаемого с третьими лицами и посредничество третьих лиц в образовательном процессе в системах дистанционного обучения образовательных организаций до сих пор полностью не решены.

Многие образовательные учреждения стараются максимально
использовать возможности дистанционных образовательных технологий, применяя дистанционное обучение для осуществления образовательной деятельности. Во время нестабильной эпидемиологической обстановки системы дистанционного обучения являются альтернативной, а часто незаменимой формой образования.

Под дистанционными образовательными технологиями понимаются образовательные технологии, реализуемые в основном с применением
информационно-телекоммуникационных сетей при опосредованном
(на расстоянии) взаимодействии обучающихся и педагогических работников [1].

При реализации образовательных программ или их частей с применением исключительно электронного обучения, дистанционных образовательных технологий организация самостоятельно и (или) с использованием ресурсов иных организаций обеспечивает идентификацию личности обучающегося, выбор способа которой осуществляется организацией самостоятельно, и контроль соблюдения условий проведения мероприятий, в рамках которых осуществляется оценка результатов обучения [2]. Самым распространённым и при этом наиболее уязвимым для компрометации является способ идентификации личности обучающихся "логин/пароль".

Для решения проблем информационной безопасности систем
дистанционного обучения образовательных учреждений автор предлагает использовать автоматизированный комплекс программных модулей поиска индикатора компрометации и признаков нарушения конфиденциальности пароля пользователя в системах дистанционного обучения. Принцип работы данного комплекса программных модулей основан на применении алгоритмов машинного обучения для анализа больших объёмов данных [3]. Предполагается, что такой автоматизированный комплекс программных модулей позволит достаточно быстро и с большой степенью достоверности определять индикатор компрометации и признаки сговора обучающегося с третьими лицами при использовании системы дистанционного обучения.

Автором была разработана концепция прототипа комплекса программных модулей и написан код базовых программных модулей на языке программирования Python. Принцип работы автоматизированного комплекса программных модулей поиска индикатора компрометации и признаков нарушения конфиденциальности пароля пользователя в системах дистанционного обучения основан на сборе из базы данных системы
дистанционного обучения id обучающегося, который зашёл в систему;
его IP-адреса и информации о действии, совершённым пользователем.

Тестирование работы комплекса проводилось по выборке из базы данных действующей системы дистанционного обучения одного из вузов России. В выборке из базы данных для тестирования комплекса было представлено более 6000 пользователей из 770 городов и населённых пунктов, более 7500 IP-адресов и более 282000 действий за 1 день.

Первый этап работы автоматизированного комплекса программных модулей заключался в определении по IP-адресам возможного местоположения пользователя в системе координат на карте, исходя из открытой
информации баз данных IP-адресов.

Информация об IP-адресах была получена функцией перевода
IP-адресов в координаты, которая выбрала уникальные IP-адреса и создала
50 потоков. Данные потоки поочерёдно отправляли запросы серверу,
что ускоряло работу алгоритма. Запись ответа сервера в базу данных производилась только в случае, если от сервера был получен ответ с кодом 200, то есть сервер корректно обработал запрос и успешно передал результат работы (рис. 1).

Рис. 1. Функция перевода IP-адресов в координаты

Для визуализации мест расположения пользователей системы
дистанционного обучения база IP-адресов пользователей была переведена
в систему координат с последующим обозначение координат обучающихся на карте мира (рис.2).

Рис. 2. Распределение IP-адресов обучающихся на карте мира

По карте видно, что большая часть пользователей находилась
в России и ближайшем зарубежье. Размещение IP-адресов в дальнем зарубежье наиболее вероятно указывало на использование обучающимися VPN-сервисов.

После анализа IP-адресов и перевода их в систему координат была проведена кластеризация и сохранение данных местоположения для каждого обучающегося с учётом максимально допустимого расстояния между элементами кластера. Процедура кластеризации IP-адресов объясняется необходимостью определения доверительных границ id обучающегося. Сохранённые данные по кластерам комплексом программных модулей использовались в дальнейшем при каждом заходе обучающегося на тесты или задания.

В качестве алгоритма кластеризации за счёт особенностей своей работы применялся алгоритм иерархической кластеризации [4]. Он соединяет ближайшие точки/кластеры до тех пор, пока точки/кластеры не будут соединены в один кластер или пока расстояние между ними не будет превышать допустимое (рис. 3).

Lightbox

Рис. 3. Пример работы иерархической кластеризации

Алгоритм иерархической кластеризации взят из библиотеки sklearn для языка программирования Python. По итогам работы алгоритма был составлен словарь, где ключ – это id пользователя, а значения – это список
из 3 наиболее популярных кластеров местоположений (рис. 4).

Рис. 4. Использование алгоритма иерархической кластеризации

на языке программирования Python

В дальнейшем использование составленного словаря возможно
для проверки IP-адресов комплексом программных модулей при каждом заходе пользователя на тесты. Вероятные снижения скорости работы алгоритма иерархической кластеризации при обработке больших объёмов данных предлагается решать за счёт ограничения выборок по объёму. Вероятные снижение качества работы алгоритма предлагается решать посредством увеличения числа выборок до 3. Для каждого захода на тест пользователя это будут первые действия пользователя в системе дистанционного обучения, последние действия в системе и случайная выборка из всех действий. Тем самым автоматизированный комплекс программных модулей поиска индикатора компрометации и признаков нарушения конфиденциальности пароля пользователя в системах дистанционного обучения не будет задействовать лишние вычислительные мощности.

Прототип комплекса программных модулей в ходе тестирования определял количество пользователей по IP-адресу, а также частоту использования IP-адресов для решения теста. При проверке количества пользователей для данного IP-адреса и уточнения частоты использования
IP-адресов для решения теста были реализованы функции count_ip
и prosent_test на языке программирования Python (рис. 5).

Рис. 5. Функции анализа информации по IP-адресу

Из рис. 5 видно, что функция count_ip фильтрует из предоставленной выборки базы данных системы дистанционного обучения все действия,
в которых числится данный IP-адрес и возвращает число уникальных id. Функция present_test фильтрует из базы данных все записи с переданным IP-адресом, выбирает из них те действия пользователя, которые считаются тестом и делит их число на общее число записей с данного IP-адресом.

Все эти данные (нахождение IP-адреса в допустимых кластерах,
количество пользователей, работавших с данного IP-адресом, частота
использования данного IP-адреса для тестирования) при тесте прототипа комплекса программных модулей позволили определить вероятные случаи компрометации пароля пользователя и нарушения конфиденциальности пароля пользователя посредством сговора обучающегося с третьими лицами с целью недобросовестного получения образовательных услуг.

Тест прототипа автоматизированного комплекса программных модулей выявил 67 человек, которые за день поменяли своё местоположение более 3 раз. Данный результат может указывать на компрометацию пароля или сговор обучающегося с третьими лицами.

Так же комплекс выявил 150 случаев, когда тест с одного IP-адреса проходило более 3 человек и 200 пользователей, которые проходили тест на IP-адресе, где процент прохождения теста от всех действий был более 90 %. Любой из данных случаев может указывать на сговор обучающегося с третьими лицами с целью недобросовестного получения образовательных услуг.

Все выявленные комплексом случаи являются индикаторами вероятного риска для информационной безопасности системы дистанционного обучения образовательной организации и потенциальных нарушений договора об оказании образовательных услуг.

Для повышения точности работы комплекса программных модулей по поиску индикаторов компрометации и признаков нарушения конфиденциальности пароля пользователя в системах дистанционного обучения автором прототипа комплекса в настоящее время ведётся разработка программного модуля анализа результативности IP-адреса при сдачи контрольных заданий, модуля определения пользователя по техническим характеристикам периферийного устройства и модуля анализа буфера обмена периферийного устройства при сдаче каждого контрольного задания. После разработки и тестирования данных модулей планируется их интеграция в общий автоматизированный комплекс программных модулей поиска индикатора компрометации и признаков нарушения конфиденциальности пароля пользователя в системах дистанционного обучения.

Литература

1. Федеральный закон "Об образовании в Российской Федерации" (с изм. и доп., вступ. в силу с 1.06.2021). Ст. 16.

2. Приложение к Приказу Министерства образования и науки РФ "Об утверждении Порядка применения организациями, осуществляющими образовательную деятельность, электронного обучения, дистанционных образовательных технологий при реализации образовательных программ".

3. Третьяков Н.А. Возможность применения алгоритмов машинного обучения для анализа чрезвычайных ситуаций // Матер. 29-й междунар. науч.-техн. конфер.
"Системы безопасности – 2020". М.: Академия ГПС МЧС России, 2020. С. 64-67.

4. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная
статистика: классификация и снижение размерности. М.: Финансы и статистика, 1989. 251 с.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.