網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測關(guān)鍵技術(shù)研究.pdf

1、在各種網(wǎng)絡(luò)應(yīng)用越來越多涉入生產(chǎn)生活的今天，網(wǎng)絡(luò)安全問題日益成為人們關(guān)注的焦點(diǎn)。為了解決各種各樣的安全問題，網(wǎng)絡(luò)安全態(tài)勢感知作為解決單一防御問題的新技術(shù)，提供了較為完整的綜合解決方案的思路，因此逐漸成為目前研究的熱點(diǎn)之一。同時(shí)，由于網(wǎng)絡(luò)安全態(tài)勢感知在架構(gòu)設(shè)計(jì)、算法設(shè)計(jì)等方面都沒有形成統(tǒng)一的最優(yōu)解，因此有很多的設(shè)想不斷被提出，仍然有著較為廣闊的研究空間。本文在此方向上對模型框架、算法優(yōu)化等方面進(jìn)行了研究，主要工作與創(chuàng)新點(diǎn)有:
　　

2、分析了已有的層次化威脅態(tài)勢量化評估模型，在多源數(shù)據(jù)融合階段中，針對應(yīng)用D-S證據(jù)理論做數(shù)據(jù)融合時(shí)缺乏對時(shí)間因素的考慮的問題，通過引入時(shí)間參數(shù)的研究，給出了基于時(shí)變D-S證據(jù)理論的融合方法，改進(jìn)了威脅態(tài)勢量化評估模型中的信息融合層，完善了模型。實(shí)驗(yàn)中通過將本文提出的時(shí)變模型和不帶時(shí)間參數(shù)的模型進(jìn)行了對比，可以明顯的看出采用時(shí)變D-S證據(jù)理論后的網(wǎng)絡(luò)安全態(tài)勢評估更符合實(shí)際情況，優(yōu)化了評估結(jié)果。
　　 隨后繼續(xù)完善威脅態(tài)勢量化評估模型

3、的工作，提出利用主機(jī)關(guān)聯(lián)性的概念來研究相關(guān)聯(lián)主機(jī)對于目標(biāo)主機(jī)安全態(tài)勢的影響，以改進(jìn)主機(jī)態(tài)勢分析層中主機(jī)安全態(tài)勢值的計(jì)算方法。在研究中，將網(wǎng)絡(luò)系統(tǒng)中主機(jī)間的關(guān)聯(lián)性研究具體化為對主機(jī)上模塊間的關(guān)聯(lián)性分析。研究并給出了軟件系統(tǒng)模塊間耦合性關(guān)聯(lián)的一系列理論定義，揭示了模塊間耦合性關(guān)聯(lián)與風(fēng)險(xiǎn)傳播之間的內(nèi)在聯(lián)系，利用圖論建立了模塊關(guān)聯(lián)性模型，設(shè)計(jì)了multi-Dijkstra算法用于模塊間關(guān)聯(lián)度的求解，由此給出了主機(jī)間的關(guān)聯(lián)度的計(jì)算方法。最后在此基

4、礎(chǔ)上，改進(jìn)了對主機(jī)態(tài)勢分析層中主機(jī)安全態(tài)勢量化計(jì)算的方法，進(jìn)一步完善了網(wǎng)絡(luò)安全威脅態(tài)勢的評估模型。
　　 考慮到網(wǎng)絡(luò)系統(tǒng)內(nèi)部效能對網(wǎng)絡(luò)安全態(tài)勢的影響，分析后提出了結(jié)合網(wǎng)絡(luò)系統(tǒng)內(nèi)部效能態(tài)勢評估與外部威脅態(tài)勢評估，用以綜合體現(xiàn)整體網(wǎng)絡(luò)系統(tǒng)安全態(tài)勢。首先給出網(wǎng)絡(luò)系統(tǒng)效能評估的概念，并參考WSEIAC提出的ADC效能評估模型，根據(jù)其與網(wǎng)絡(luò)系統(tǒng)特質(zhì)的相似性，將其引入分析，并考量網(wǎng)絡(luò)系統(tǒng)效能的動(dòng)態(tài)變化特性，提出了網(wǎng)絡(luò)系統(tǒng)動(dòng)態(tài)ADC效能評估模

5、型。同時(shí)利用泊松過程模擬實(shí)際物理環(huán)境對網(wǎng)絡(luò)系統(tǒng)造成的老化影響，使效能方面的考慮更為充分。
　　 在預(yù)測技術(shù)的相關(guān)研究工作方面，本文并未急于深入研究預(yù)測算法，而先從可預(yù)測性研究入手為后續(xù)預(yù)測工作提供了理論基礎(chǔ)。采用自相似理論來說明網(wǎng)絡(luò)安全態(tài)勢時(shí)序數(shù)據(jù)的可預(yù)測性，具體內(nèi)容為利用小波分析法計(jì)算自相關(guān)性的關(guān)鍵指標(biāo)Hurst指數(shù)，并根據(jù)可預(yù)測性與Hurst指數(shù)的關(guān)系，判斷態(tài)勢時(shí)序數(shù)據(jù)的可預(yù)測性。在實(shí)驗(yàn)數(shù)據(jù)分析研究中，針對態(tài)勢時(shí)間序列呈現(xiàn)的

6、周期性的變化特征，對網(wǎng)絡(luò)安全態(tài)勢整體數(shù)據(jù)集以日歷天的方式進(jìn)行分組，并通過實(shí)驗(yàn)驗(yàn)證了分組后的態(tài)勢時(shí)序數(shù)據(jù)具有更好的可預(yù)測性。
　　 針對網(wǎng)絡(luò)安全態(tài)勢感知中的預(yù)測問題，提出了采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對態(tài)勢進(jìn)行預(yù)測方法?？紤]到收斂速度和預(yù)測精度等問題，采用基于混合遞階遺傳算法(HHGA)對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法，獲得了較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。通過實(shí)驗(yàn)結(jié)果說明了此預(yù)測方法的有效性，并通過與已有的預(yù)測方法進(jìn)行對比實(shí)驗(yàn)，驗(yàn)證了

7、所提算法在精度方面的優(yōu)越性。
　　 針對可預(yù)測性分析研究中得到的具有更好的可預(yù)測性的態(tài)勢分組子數(shù)據(jù)集樣本數(shù)目有限不利于神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練的問題，結(jié)合支持向量機(jī)(SVM)在小樣本計(jì)算方面的突出表現(xiàn)，提出將粒子群算法(PSO)的快速全局優(yōu)化特點(diǎn)與SVM的非線性擬合特點(diǎn)相結(jié)合的基于PSO-SVM的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型。通過對比實(shí)驗(yàn)，得出預(yù)測結(jié)果在整體預(yù)測方面與HHGA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型精度類似，而優(yōu)于RBFNN和GABPNN