（中國船舶重工集團(tuán)公司第七二二研究所 武漢 430205）

1 引言

網(wǎng)絡(luò)安全的重要性引起了人們的關(guān)注，由于不斷增加的網(wǎng)絡(luò)攻擊威脅，各類網(wǎng)絡(luò)中的重要元素逐漸變?yōu)榫W(wǎng)絡(luò)安全設(shè)備（如防火墻和IPSec網(wǎng)關(guān)）。在這些網(wǎng)絡(luò)管理中，系統(tǒng)行為的規(guī)范一般是由策略定義［1］，由策略決定安全設(shè)備在不同情況下執(zhí)行的動(dòng)作。目前廣泛應(yīng)用的網(wǎng)絡(luò)管理方法是結(jié)合策略的方法［2］，但目前策略配置主要由人工進(jìn)行配置，由于人工配置的原因會(huì)出現(xiàn)配置的策略之間的沖突。一些安全漏洞可能會(huì)在安全設(shè)備執(zhí)行策略時(shí)出現(xiàn)，導(dǎo)致系統(tǒng)的正常運(yùn)行受到影響。隨著網(wǎng)絡(luò)規(guī)模的增大，策略的數(shù)目也在不斷增加，使得策略沖突情況將更容易發(fā)生。因此，對策略進(jìn)行沖突檢測來減少這些情況是至關(guān)重要的。由于分布式系統(tǒng)具有種類繁多的安全設(shè)備和結(jié)構(gòu)復(fù)雜的網(wǎng)絡(luò)，難以實(shí)現(xiàn)人工方式對策略沖突進(jìn)行檢測。目前網(wǎng)絡(luò)管理領(lǐng)域中關(guān)于策略的重要研究方向是找到一種方法可以準(zhǔn)確快速檢測策略沖突。

2 相關(guān)工作

近年來在安全策略的沖突檢測方面，國內(nèi)外做了許多研究，針對策略沖突檢測提出了不同的方法，文獻(xiàn)［3］提出了一種基于有限狀態(tài)傳感器策略的碰撞檢測方法，該方法將事件轉(zhuǎn)移函數(shù)和自適應(yīng)子集添加到有限自動(dòng)機(jī)（Finite State Transducer，F(xiàn)ST）中以處理沖突。文獻(xiàn)［4］提出了一種有向無環(huán)圖模型（DAG），該模型通過將分布式系統(tǒng)中的元素抽象為DAG來檢測策略沖突。文獻(xiàn)［5］還使用圖論來檢測和解決從沖突。與以前的文獻(xiàn)不同，文獻(xiàn)［6］使用分類樹的授權(quán)算法將父節(jié)點(diǎn)的規(guī)則與子節(jié)點(diǎn)上的相應(yīng)規(guī)則進(jìn)行比較，從而檢測沖突。文獻(xiàn)［7～8］中通過對策略語義的研究，實(shí)現(xiàn)了策略沖突檢測。當(dāng)現(xiàn)有策略與靜態(tài)職責(zé)分離策略共存時(shí)，文獻(xiàn)［9］所提出的沖突解決方法以滿足互斥要求為目標(biāo)。這些方法在性能上均存在不足，在基于角色、有限自動(dòng)機(jī)、有向圖等方法上，對于規(guī)則的順序比較具有較強(qiáng)依賴性。而本文的決策樹模型將對上訴問題進(jìn)行解決，決策樹可以大量減少順序比較。

近年來國內(nèi)外對決策樹進(jìn)行了大量研究，2010年，普渡大學(xué)博士B.Vamanan針對大規(guī)模規(guī)則集研究提出基于分子集的決策樹算法EffiCuts［10］。2013年，北京大學(xué)W.Li博士在EffiCuts算法基礎(chǔ)上提出改進(jìn)算法HybridCuts算法［11］，通過減少子集數(shù)目提升算法查找性能。對于決策樹切割技術(shù)單一問題，2014年中科院計(jì)算所G.Xie團(tuán)隊(duì)提出智能切割算法 SmartSplit［12］。2018 年，北京大學(xué) W.Li博士再次對決策樹算法進(jìn)行改進(jìn)，提出融合等長度和等密度切割的決策樹算法 CutSplit［13］。2019 年，W.Li博士再次進(jìn)行優(yōu)化，提出支持高性能更新的TabTree算法［14］。現(xiàn)在已經(jīng)有的大量關(guān)于決策樹的研究的出現(xiàn)證明了決策樹在現(xiàn)實(shí)中具有應(yīng)用價(jià)值。

3 安全策略沖突基本概念

安全策略的匹配順序是從上到下，因此安全策略中的沖突可能是由不同規(guī)則之間的依賴性引起的。因此，沖突檢測的第一步是對不同規(guī)則之間的關(guān)系進(jìn)行定義。

由于IPSec的自上而下的策略匹配，如果安全策略順序配置不正確，則可能永遠(yuǎn)不會(huì)觸發(fā)某些規(guī)則，從而導(dǎo)致策略錯(cuò)誤。策略沖突從定義上可以被分為以下幾類沖突。

1）策略屏蔽沖突

規(guī)則Rx屏蔽了規(guī)則Ry，當(dāng)且僅當(dāng)滿足以下兩個(gè)條件之一：

Rx[序號(hào)]＜ Ry[序號(hào)]，Rx=Ry，Rx[行為]≠ Ry[行為]

Rx[序號(hào)]＜Ry[序號(hào)]，Ry? Rx，Rx[行為]≠ Ry[行為]

2）策略冗余沖突

對規(guī)則Rx來說，規(guī)則Ry是冗余的，當(dāng)且僅當(dāng)滿足下面兩個(gè)條件之一：

Rx[序號(hào)]＜ Ry[序號(hào)]，Rx=Ry，Rx[行為]=Ry[行為]

Rx[序號(hào)]＜ Ry[序號(hào)]，Ry? Rx，Rx[行為]=Ry[行為]

反之，對規(guī)則Ry來說，規(guī)則Rx是冗余的，當(dāng)且僅當(dāng)：

Rx[序號(hào)]＜ Ry[序號(hào)]，Rx? Ry，Rx[行為]=Ry[行為]

當(dāng)存在以下情況時(shí)，內(nèi)部策略也將發(fā)生冗余沖突：

Rx[序號(hào)]＜ Ry[序號(hào)]，Rx∩ Ry≠ φ，Rx[行為]=Ry[行為]

3）策略相關(guān)沖突

規(guī)則Rx和Ry之間出現(xiàn)策略相關(guān)沖突，當(dāng)且僅當(dāng)滿足以下條件：

Rx[序號(hào)]＜Ry[序號(hào)]，Rx∩Ry≠φ，Rx[行為]≠Ry[行為]

4 訪問列表沖突決策樹模型

在數(shù)據(jù)分類領(lǐng)域中，決策樹是一項(xiàng)重要技術(shù)，通過學(xué)習(xí)訓(xùn)練集構(gòu)造決策樹，然后根據(jù)決策樹模型對目標(biāo)數(shù)據(jù)類別進(jìn)行預(yù)測［15］。在構(gòu)造決策樹時(shí)，首要的步驟是預(yù)處理策略集對應(yīng)的五元組數(shù)據(jù)，具體是將復(fù)合維度分解和確定維度空間。五元組中的源、目的地址，源、目的端口均為連續(xù)維度，在進(jìn)行劃分時(shí)的維度范圍是最小值至最大值，而協(xié)議則是非連續(xù)維度，協(xié)議中的值為一個(gè)個(gè)的協(xié)議元素，在進(jìn)行劃分時(shí)為元素集合的劃分。對于協(xié)議這種非連續(xù)維度中的元素可能存在元素A包含元素B的情況，這種情況下對應(yīng)維度就為復(fù)合維度，在預(yù)處理時(shí)需要將復(fù)合維度進(jìn)行分解，將例如元素B的這類元素分解為其本身與其父元素的組合。例如表1中的策略的元素有SCTP、TCP、UDP和IP這些協(xié)議。這些協(xié)議元素中例如SCTP就可以視為復(fù)合元素，將這種復(fù)合元素分解為所有復(fù)合元素的父元素的集合，即IP/SCTP。以此類推，表1中的協(xié)議這類復(fù)合型維度可以被分解為表2所示。

表1 規(guī)則示例

表2 復(fù)合維度分解

在預(yù)處理時(shí)，對于源IP地址、目的IP地址這類連續(xù)維度，將對應(yīng)維度在規(guī)則中的最大值和最小值找到。由于協(xié)議這類非連續(xù)維度的范圍就是維度中所有可以取到的元素集合。因此，表1對應(yīng)的維度范圍如表3所示。

表3 確定維度空間

在對策略集進(jìn)行預(yù)處理后，我們可以開始構(gòu)建決策樹。首先，我們可以根據(jù)確定的維度空間對策略集中的規(guī)則進(jìn)行裁剪。首先確定決策樹的兩個(gè)參數(shù)：葉子節(jié)點(diǎn)中可以存放的最大規(guī)則數(shù)T和每個(gè)維度范圍可劃分為np個(gè)。當(dāng)T小于當(dāng)前節(jié)點(diǎn)內(nèi)存放的規(guī)則數(shù)時(shí)，說明節(jié)點(diǎn)內(nèi)存放規(guī)則數(shù)多于設(shè)定值，選擇對應(yīng)的維度范圍進(jìn)行均分，當(dāng)節(jié)點(diǎn)內(nèi)存放規(guī)則均不大于T時(shí)就認(rèn)為該節(jié)點(diǎn)為葉子節(jié)點(diǎn)，當(dāng)所有節(jié)點(diǎn)均劃為葉子節(jié)點(diǎn)時(shí)，決策樹的構(gòu)造就完成了。

以表4中的規(guī)則為例，由于規(guī)則數(shù)目較少，假定T和np均為3，在構(gòu)建決策樹時(shí)，先以源IP地址進(jìn)行劃分，源IP地址的維度空間為202.168.80.0～202.168.80.255，根據(jù)np=3，將其均勻的切割為3個(gè)區(qū)間，若規(guī)則中源IP地址落在202.168.60.0～202.168.60.85的范圍內(nèi)時(shí)將其劃分到第一個(gè)節(jié)點(diǎn)，規(guī)則中源IP地址落在 202.168.80.86～202.168.80.170的范圍內(nèi)時(shí)將其劃分到第二個(gè)節(jié)點(diǎn)，規(guī)則中源IP地址落在202.168.80.171～202.168.80.255的范圍內(nèi)時(shí)將其劃分到第三個(gè)節(jié)點(diǎn)，然后對劃分后的節(jié)點(diǎn)與T進(jìn)行大小判斷，若節(jié)點(diǎn)內(nèi)的規(guī)則數(shù)大于T則選擇下一個(gè)維度即目的地址進(jìn)行切割，直到葉子節(jié)點(diǎn)內(nèi)的規(guī)則數(shù)均不大于T。

圖1 構(gòu)造決策樹

圖2是決策樹構(gòu)建算法流程，先對策略集進(jìn)行預(yù)處理，若存在復(fù)合維度，先將復(fù)合型維度進(jìn)行分解，統(tǒng)計(jì)連續(xù)維度范圍，從源IP地址開始，將范圍均分為np個(gè)范圍，計(jì)算落在劃分的各個(gè)節(jié)點(diǎn)范圍中的策略數(shù)，判斷T是否小于節(jié)點(diǎn)內(nèi)策略數(shù)，若T小于節(jié)點(diǎn)內(nèi)策略數(shù)，擇下一個(gè)維度進(jìn)行劃分，直到所有葉子節(jié)點(diǎn)內(nèi)策略數(shù)均不大于T，在找到對應(yīng)葉子節(jié)點(diǎn)后，順序查找比較存放在葉子節(jié)點(diǎn)內(nèi)的策略，若葉子節(jié)點(diǎn)中存放的策略的五元組存在交集，則進(jìn)一步判斷存在的沖突類型。根據(jù)上述策略的沖突分類判斷沖突類型，若為屏蔽沖突，根據(jù)希望執(zhí)行動(dòng)作決定將被屏蔽策略刪除或?qū)⑵帘尾呗詣h除，若為冗余沖突，可刪除冗余的策略，若為相關(guān)沖突，則將兩條策略交集部分根據(jù)希望執(zhí)行動(dòng)作進(jìn)行分割，將交集部分劃分到希望執(zhí)行的動(dòng)作對應(yīng)策略下，將另一條策略中的交集部分刪除。若新增策略與已有策略之間沒有交集則將其添加至相應(yīng)的葉子節(jié)點(diǎn)內(nèi)。

圖2 算法流程

基于決策樹的策略沖突檢測具體步驟如下。

1）將已有策略集構(gòu)建為一個(gè)決策樹模型，決策樹構(gòu)建完成后先檢測當(dāng)前情況內(nèi)的葉子節(jié)點(diǎn)內(nèi)是否存在策略沖突，若存在，根據(jù)沖突類型的不同選擇不同解決方法，若不存在，則說明當(dāng)前構(gòu)建完成的決策樹中不含沖突策略，在之后新增策略比對時(shí)，只存在新增策略與已有策略之間的沖突。

2）將新增策略A從源IP地址這個(gè)維度進(jìn)行比對劃分，根據(jù)新增策略A的源IP地址范圍判斷其落在哪個(gè)子節(jié)點(diǎn)分支上，若源IP地址同時(shí)落在兩個(gè)或兩個(gè)以上的源IP地址分支上，則將策略A根據(jù)源IP地址分支的范圍劃分為n個(gè)相應(yīng)源IP地址范圍的策略。

3）將新增策略A繼續(xù)以下一個(gè)維度進(jìn)行匹配，操作與步驟2）類似，直至將策略A與對應(yīng)葉子節(jié)點(diǎn)匹配。

4）將新增策略A與相應(yīng)的葉子節(jié)點(diǎn)內(nèi)的策略進(jìn)行順序比對，判斷策略A與已有策略之間是否存在交集，若無交集，則說明新增策略與已有策略之間不存在沖突，若存在交集，則判斷新增策略與已有策略之間的沖突類型。

這種方法下僅需檢測對應(yīng)葉子節(jié)點(diǎn)內(nèi)的規(guī)則就可以找到策略之間是否發(fā)生沖突，不需要對所有已有策略進(jìn)行比對，分析是否產(chǎn)生沖突。

5 沖突檢測算法性能分析

目前提出的對策略的沖突進(jìn)行檢測的方法一般是基于順序匹配，本文提出的決策樹方法對比順序匹配極大減少了策略查找數(shù)目。本文的方法是先構(gòu)造決策樹，通過將策略在不同維度上進(jìn)行切割，最終形成每個(gè)葉子節(jié)點(diǎn)內(nèi)策略數(shù)均不大于T的決策樹，在進(jìn)行策略沖突檢測時(shí)，先將策略在決策樹中分維度進(jìn)行匹配，在最后與之相匹配的葉子節(jié)點(diǎn)內(nèi)的規(guī)則集中進(jìn)行順序查找匹配。對于n條規(guī)則，構(gòu)造決策樹進(jìn)行沖突檢測的方法的時(shí)間復(fù)雜度為O（mn），在決策樹的葉子節(jié)點(diǎn)內(nèi)進(jìn)行策略的查找匹配的時(shí)間復(fù)雜度為O（Tm）。在文獻(xiàn)［7］中的方法中需要對每兩條策略之間進(jìn)行特征因子處理，進(jìn)行了大量的順序查找比對，這種方法的時(shí)間復(fù)雜度為O（nm）。將兩種方法的測試數(shù)據(jù)進(jìn)行對比，當(dāng)策略數(shù)目較少的時(shí)候，本文方法與文獻(xiàn)［7］的方法相比并沒有出現(xiàn)明顯的優(yōu)勢，但隨著策略數(shù)目的翻倍增加，本文方法的算法效率對比文獻(xiàn)［7］的方法優(yōu)勢越發(fā)明顯，對同樣數(shù)目的策略，策略沖突檢測時(shí)間出現(xiàn)明顯減少。

圖3 相同運(yùn)行環(huán)境下本文算法與文獻(xiàn)［7］方法運(yùn)行時(shí)間對比

6 結(jié)語

本文結(jié)合了包分類中的匹配思想，先對策略進(jìn)行預(yù)處理、構(gòu)建決策樹后，在葉子節(jié)點(diǎn)中查找規(guī)則沖突情況。本文提出的方法中若新增策略為確定值而非范圍時(shí)，進(jìn)行分維度查找匹配的過程與包分類的過程類似。因此對策略進(jìn)行劃分，在葉子節(jié)點(diǎn)內(nèi)進(jìn)行查找的方法對包分類也有參考意義。對比之前基于順序查找的各種方法來說，本文提出的方法在查找上提高了性能。與文獻(xiàn)［7］的方法比較，當(dāng)規(guī)則數(shù)目較大時(shí)，時(shí)間效率有很大提升，有明顯的優(yōu)勢。本文由于測試數(shù)據(jù)的IP地址范圍有限，對于變化范圍更大的IP地址范圍需進(jìn)一步研究調(diào)整決策樹的。但本文針對五元組模型提出的策略沖突檢測模型，對于其他策略模型是否具有適用性還需作進(jìn)一步的研究。