朱 敏

(湄洲灣職業(yè)技術(shù)學(xué)院 現(xiàn)代教育技術(shù)中心，福建 莆田，351119)

隨著全球計算機(jī)技術(shù)以及互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)也逐步復(fù)雜化、大型化，網(wǎng)絡(luò)攻擊行為手段也越來越多樣化，常規(guī)的網(wǎng)絡(luò)安全措施(防火墻、入侵檢測、加密等)大部分均屬于被動防御，且各個防御措施之間并沒有內(nèi)在關(guān)聯(lián)，無法全方位地應(yīng)對嚴(yán)峻的網(wǎng)絡(luò)安全形式，態(tài)勢安全技術(shù)則應(yīng)運而生[1]。態(tài)勢安全最先起源于軍事領(lǐng)域中，并引伸出了相關(guān)的態(tài)勢感知技術(shù)(Situational Awareness)，近幾年也逐步應(yīng)用到工業(yè)社會領(lǐng)域中。

網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)的基本原理是通過安全機(jī)器收集到數(shù)據(jù)和信息，以此來獲取到網(wǎng)絡(luò)攻擊行為和對象的一致性評估，這種動態(tài)來源相比單一的評估方式來源更加可靠。Jason Shiffley應(yīng)用本體模塊化分析網(wǎng)絡(luò)態(tài)勢安全形式，并針對不同模塊采取了不同的安全檢測技術(shù)，以此來獲取得到整體網(wǎng)絡(luò)安全態(tài)勢。Olabelurin等設(shè)計熵聚類預(yù)測框架實現(xiàn)了DDos攻擊行為實時監(jiān)測，并可以主動對攻擊行為實施防御。韋勇等[2]基于D-S證據(jù)理論，提出了基于日志審計的評估方法，該種評估方式更精確的評估網(wǎng)絡(luò)安全現(xiàn)狀以及發(fā)展趨勢。陳虹等[3]進(jìn)一步融合D-S理論和網(wǎng)絡(luò)告警信息、日志記錄等，結(jié)合分析鏈路安全態(tài)勢來完成對網(wǎng)絡(luò)安全態(tài)勢的感知。

1 網(wǎng)絡(luò)安全態(tài)勢評價模型

1.1 網(wǎng)絡(luò)安全態(tài)勢評估

網(wǎng)絡(luò)安全態(tài)勢感知評估充分利用各種網(wǎng)絡(luò)安全技術(shù)手段以及網(wǎng)絡(luò)設(shè)備等多維角度分析網(wǎng)絡(luò)安全要素，以此來構(gòu)建基于網(wǎng)安全行為的網(wǎng)絡(luò)安全態(tài)勢評估體系，協(xié)助管理人員合理調(diào)整網(wǎng)絡(luò)節(jié)點設(shè)備、主機(jī)等。

網(wǎng)絡(luò)安全態(tài)勢評估經(jīng)典模型為Tim Bass入侵檢測模型，它是一個研究框架，具體如圖1所示。Tim Bass框架中包含了以下幾個步驟：

圖1 Tim Bass 入侵檢測數(shù)據(jù)融合框架knowledge

(1)數(shù)據(jù)精煉模塊：主要功能為收集網(wǎng)絡(luò)安全設(shè)備實時監(jiān)測的數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行預(yù)處理；

(2)攻擊對象識別模塊：從空間、時間等角度關(guān)聯(lián)分析并預(yù)處理后的安全設(shè)備數(shù)據(jù)，從中識別網(wǎng)絡(luò)攻擊對象；

(3)動態(tài)理解提煉模塊：在獲取網(wǎng)絡(luò)攻擊對象后，充分挖掘?qū)ο笾g的聯(lián)系，充分了解網(wǎng)絡(luò)實時運行狀態(tài)，并實現(xiàn)評估網(wǎng)絡(luò)安全態(tài)勢。

(4)威脅評估模塊：統(tǒng)計網(wǎng)絡(luò)安全攻擊行為發(fā)生概率以及造成的危害[3]，此外評測不同網(wǎng)絡(luò)安全攻擊行為對網(wǎng)絡(luò)造成的威脅程度；

(5)資源管理模塊：實時監(jiān)控全網(wǎng)態(tài)勢系統(tǒng)，并制定確保網(wǎng)絡(luò)安全的對策。

Tim Bass入侵檢測模型雖然只是一個網(wǎng)絡(luò)安全態(tài)勢評估框架模型，但在網(wǎng)絡(luò)安全態(tài)勢評估發(fā)展中具有十分重要的作用。由于Tim Bass框架并沒有完全實現(xiàn)，由此需要后續(xù)學(xué)者深入研究相關(guān)框架理論和實踐。

1.2 網(wǎng)絡(luò)安全態(tài)勢評價模型

在當(dāng)前研究中，網(wǎng)絡(luò)安全態(tài)勢評價模型有較大的差異性。根據(jù)需求不同，網(wǎng)絡(luò)安全態(tài)勢評價模型中評價因子主要有：計算機(jī)漏洞分析、入侵檢測系統(tǒng)日志、網(wǎng)絡(luò)攻擊行為、防火墻日志信息、權(quán)限設(shè)置等[4]。在網(wǎng)絡(luò)安全態(tài)勢評價模型中可以通過添加多個評價因子來提升評估結(jié)果。在深入研究后，評價因子的增加會復(fù)雜化網(wǎng)絡(luò)安全態(tài)勢評價模型的全局，對于網(wǎng)絡(luò)監(jiān)管員的要求也非常高。

從宏觀角度來提取網(wǎng)絡(luò)安全信息數(shù)據(jù)源指標(biāo)，忽視攻擊行為中的細(xì)節(jié)，并將最后量化形式的評價結(jié)果直接呈現(xiàn)給網(wǎng)絡(luò)監(jiān)管員，具體流程如圖2所示。

圖2 網(wǎng)絡(luò)評估模型

2 基于BP神經(jīng)的網(wǎng)絡(luò)安全態(tài)勢評估

基于BP神經(jīng)的網(wǎng)絡(luò)安全態(tài)勢評估實現(xiàn)流程如下：首先進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練過程中網(wǎng)絡(luò)收斂后可以得到各項指標(biāo)值；然后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練待評價評估因子，并得到網(wǎng)絡(luò)安全評估結(jié)果，反應(yīng)了當(dāng)前網(wǎng)絡(luò)的安全現(xiàn)狀。

2.1 網(wǎng)絡(luò)安全態(tài)勢評估體系

網(wǎng)絡(luò)安全態(tài)勢評估結(jié)果要精準(zhǔn)地反應(yīng)網(wǎng)絡(luò)安全現(xiàn)狀，這就需要對各個網(wǎng)絡(luò)安全攻擊行為進(jìn)行內(nèi)在關(guān)聯(lián)性進(jìn)行分析[5]，充分考慮網(wǎng)絡(luò)復(fù)雜性和異構(gòu)性，得出攻擊行為對態(tài)勢評估的影響，并以此來構(gòu)造態(tài)勢安全評估體系。

在分析了網(wǎng)絡(luò)攻擊行為對于態(tài)勢評估的影響后，定義了以下態(tài)勢評估因子：

(1)攻擊頻次因子：定義網(wǎng)絡(luò)運行周期內(nèi)實時監(jiān)測到不同種類攻擊行為的發(fā)生頻次，符號定位為Ci(i表示第i種攻擊行為類型)。

(2)攻擊數(shù)量因子：定義網(wǎng)絡(luò)運行周期內(nèi)實時監(jiān)測統(tǒng)計到的攻擊行為數(shù)量，符號定義為N。

(3)攻擊威脅因子：定義網(wǎng)絡(luò)安全攻擊行為導(dǎo)致的安全行為影響[1]，符號定位為Xi(i表示第i種攻擊行為類型)。

由于不同類型攻擊行為對網(wǎng)絡(luò)安全的威脅程度不同，因此，定義了在t時刻每種網(wǎng)絡(luò)安全攻擊類型的評估威脅指數(shù)為：

根據(jù)網(wǎng)絡(luò)安全運行狀態(tài)分析，根據(jù)攻擊威脅度水平將態(tài)勢評估指標(biāo)體系劃分為以下4個等級：安全、輕度、中度、重度[2]。為了更好地直觀分析網(wǎng)絡(luò)安全態(tài)勢評估，對各個等級采用數(shù)值化定量分析，如表1所示。

表1 網(wǎng)絡(luò)安全等級劃分

2.2 構(gòu)建BP網(wǎng)絡(luò)安全態(tài)勢評估模型

在構(gòu)建網(wǎng)絡(luò)安全態(tài)勢評估模型中，將BP神經(jīng)網(wǎng)絡(luò)輸入指標(biāo)作為態(tài)勢指標(biāo)評估因子，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程逐步優(yōu)化確定每層中各個參數(shù)[5]，輸出參數(shù)為網(wǎng)絡(luò)安全等級值。訓(xùn)練過程中應(yīng)用遺傳算法優(yōu)化各個參數(shù)來快速獲取全局最優(yōu)解，提升網(wǎng)絡(luò)安全態(tài)勢評估模型準(zhǔn)確性和效率[6]。

訓(xùn)練過程中遺傳算法中通過優(yōu)化權(quán)值避免初始值的盲目性[3]。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中將神經(jīng)元作為遺傳算法中染色體，通過選擇適合的適應(yīng)度函數(shù)實現(xiàn)迭代操作，迭代結(jié)束后輸出網(wǎng)絡(luò)安全等級。

(1)編碼。訓(xùn)練過程中BP神經(jīng)網(wǎng)絡(luò)中將節(jié)點劃分為：輸入層節(jié)點為j、隱含層節(jié)點為j、輸出層節(jié)點為k，并定義訓(xùn)練矩陣為：

輸入層-隱含層之間的權(quán)值矩陣為：

隱含層闕值矩陣為：

隱含層和輸出層權(quán)值矩陣為：

輸出層的闕值矩陣為：

遺傳算法會優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值[4]，這就需要將上述節(jié)點矩陣變換為染色體串，設(shè)計的染色體串編碼方式為二進(jìn)制編碼，每個系數(shù)的值均采用x個染色體位構(gòu)成，且x的值取決于當(dāng)前精度，由此編碼映射關(guān)系如圖3所示。

圖3 編碼映射關(guān)系圖

(2)適應(yīng)度評價。適應(yīng)度函數(shù)則是遺傳算法性能的重要指標(biāo)，在滿足了BP算法需求后，適應(yīng)度函數(shù)采用分類誤差準(zhǔn)確度函數(shù)：通過計算輸入樣本得到誤差函數(shù)值，然后根據(jù)誤差結(jié)果來評價網(wǎng)絡(luò)安全，誤差值越小表示適應(yīng)度越大。

(3)選擇、交叉、變異操作

保留適應(yīng)度較高的個體，重組適應(yīng)度較低的個體，并生成下一代適應(yīng)度更高的群體。

(4)迭代上述操作，直至找到收斂值。

構(gòu)建基于BP神經(jīng)神經(jīng)安全態(tài)勢評估模型的基本流程如下：初始化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并將預(yù)處理后的原始數(shù)據(jù)輸入到態(tài)勢評估模型中[5]，應(yīng)用遺傳算法對權(quán)值迭代選擇優(yōu)化，以此來快速獲取得到訓(xùn)練參數(shù)值，增強(qiáng)網(wǎng)絡(luò)泛化能力和訓(xùn)練結(jié)果精確性，訓(xùn)練結(jié)束后直接輸出網(wǎng)絡(luò)安全態(tài)勢評估結(jié)果值。

3 實驗結(jié)果分析

3.1 實驗環(huán)境發(fā)建

搭建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4實驗環(huán)境所示，模擬實際攻擊行為發(fā)起對網(wǎng)絡(luò)的攻擊，應(yīng)用網(wǎng)絡(luò)傳感器數(shù)據(jù)采集工具收集路由器的Snort攻擊信息。實驗數(shù)據(jù)采用KDD Cup99數(shù)據(jù)集，通過標(biāo)注網(wǎng)絡(luò)攻擊行為能夠較為精準(zhǔn)的獲取攻擊行為監(jiān)測率。KDD Cup99數(shù)據(jù)集中每條紀(jì)錄都是由42位組成，前41位為特征字段，第42位為標(biāo)注字段，根據(jù)設(shè)計的攻擊威脅因子Xi，不同類型的攻擊行為對網(wǎng)絡(luò)安全運行威脅程度均不同，各個攻擊類型分布如表2所示。

圖4 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

表2 攻擊行為類型分布表

KDD Cup數(shù)據(jù)集過于龐大，采取其中的10%數(shù)據(jù)作為實驗數(shù)據(jù)，并隨機(jī)劃分為訓(xùn)練樣本、測試樣本，具體分配情況如表3所示。

表3 數(shù)據(jù)集劃分

3.2 實驗結(jié)果分析

通過對比分析常規(guī)BP算法來驗證遺傳算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值算法的優(yōu)化效率，實驗結(jié)果如圖5所示。實驗結(jié)果顯示兩者算法收斂結(jié)果保持一致[6]，但收斂速度明顯高于常規(guī)BP算法，表明應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值可以確保訓(xùn)練結(jié)果的精確性，效率更高。

圖5 實驗結(jié)果對比圖

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集評估測試數(shù)據(jù)集，并分析輸出的安全評估等級值(0～1)，并將與期望值進(jìn)行對比分，對比如圖6所示。通過分析對比圖可知，評估結(jié)果值和期望值趨向以及大小值均保持一致，表明設(shè)計的算法具備非常好的評估精確率、時效性。

圖6 威脅值對比圖

4 結(jié) 論

構(gòu)建網(wǎng)絡(luò)安全態(tài)勢感知評估模型可以提升評估網(wǎng)絡(luò)安全性能，并提升網(wǎng)絡(luò)安全預(yù)警的精確性。通過分析當(dāng)前網(wǎng)絡(luò)安全情況，設(shè)計了攻擊指標(biāo)因子來全面反應(yīng)網(wǎng)絡(luò)攻擊行為。此外更好地解決了收斂速度較低、訓(xùn)練效率差等問題。應(yīng)用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程權(quán)值，提升了訓(xùn)練效率，并基于優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了網(wǎng)絡(luò)態(tài)勢評估模型指標(biāo)體系，實時統(tǒng)計監(jiān)控分析網(wǎng)絡(luò)安全狀態(tài)。實驗結(jié)果表明，文章提出的基于BP神經(jīng)網(wǎng)絡(luò)安全態(tài)勢評估模型中具備較好的訓(xùn)練集以及收斂速度，評估效率也更符合預(yù)期值。