網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估與預(yù)測(cè)關(guān)鍵技術(shù)研究.pdf

1、在各種網(wǎng)絡(luò)應(yīng)用越來(lái)越多涉入生產(chǎn)生活的今天，網(wǎng)絡(luò)安全問(wèn)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(wèn)題，網(wǎng)絡(luò)安全態(tài)勢(shì)感知作為解決單一防御問(wèn)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(shì)感知在架構(gòu)設(shè)計(jì)、算法設(shè)計(jì)等方面都沒(méi)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(duì)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(shì)量化評(píng)估模型，在多源數(shù)據(jù)融合階段中，針對(duì)應(yīng)用D-S證據(jù)理論做數(shù)據(jù)融合時(shí)缺乏對(duì)時(shí)間因素的考慮的問(wèn)題，通過(guò)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(shì)量化評(píng)估模型中的信息融合層，完善了模型。實(shí)驗(yàn)中通過(guò)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(duì)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(shì)評(píng)估更符合實(shí)際情況，優(yōu)化了評(píng)估結(jié)果。
　　 隨后繼續(xù)完善威脅態(tài)勢(shì)量化評(píng)估模型

3、的工作，提出利用主機(jī)關(guān)聯(lián)性的概念來(lái)研究相關(guān)聯(lián)主機(jī)對(duì)于目標(biāo)主機(jī)安全態(tài)勢(shì)的影響，以改進(jìn)主機(jī)態(tài)勢(shì)分析層中主機(jī)安全態(tài)勢(shì)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(duì)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(duì)主機(jī)態(tài)勢(shì)分析層中主機(jī)安全態(tài)勢(shì)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(shì)的評(píng)估模型。
　　 考慮到網(wǎng)絡(luò)系統(tǒng)內(nèi)部效能對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)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(shì)評(píng)估與外部威脅態(tài)勢(shì)評(píng)估，用以綜合體現(xiàn)整體網(wǎng)絡(luò)系統(tǒng)安全態(tài)勢(shì)。首先給出網(wǎng)絡(luò)系統(tǒng)效能評(píng)估的概念，并參考WSEIAC提出的ADC效能評(píng)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(píng)估模

5、型。同時(shí)利用泊松過(guò)程模擬實(shí)際物理環(huán)境對(duì)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(cè)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(cè)算法，而先從可預(yù)測(cè)性研究入手為后續(xù)預(yù)測(cè)工作提供了理論基礎(chǔ)。采用自相似理論來(lái)說(shuō)明網(wǎng)絡(luò)安全態(tài)勢(shì)時(shí)序數(shù)據(jù)的可預(yù)測(cè)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(cè)性與Hurst指數(shù)的關(guān)系，判斷態(tài)勢(shì)時(shí)序數(shù)據(jù)的可預(yù)測(cè)性。在實(shí)驗(yàn)數(shù)據(jù)分析研究中，針對(duì)態(tài)勢(shì)時(shí)間序列呈現(xiàn)的

6、周期性的變化特征，對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)整體數(shù)據(jù)集以日歷天的方式進(jìn)行分組，并通過(guò)實(shí)驗(yàn)驗(yàn)證了分組后的態(tài)勢(shì)時(shí)序數(shù)據(jù)具有更好的可預(yù)測(cè)性。
　　 針對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)感知中的預(yù)測(cè)問(wèn)題，提出了采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對(duì)態(tài)勢(shì)進(jìn)行預(yù)測(cè)方法?？紤]到收斂速度和預(yù)測(cè)精度等問(wèn)題，采用基于混合遞階遺傳算法(HHGA)對(duì)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(guò)實(shí)驗(yàn)結(jié)果說(shuō)明了此預(yù)測(cè)方法的有效性，并通過(guò)與已有的預(yù)測(cè)方法進(jìn)行對(duì)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(duì)可預(yù)測(cè)性分析研究中得到的具有更好的可預(yù)測(cè)性的態(tài)勢(shì)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(cè)模型的訓(xùn)練的問(wèn)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(xiàn)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(shì)預(yù)測(cè)模型。通過(guò)對(duì)比實(shí)驗(yàn)，得出預(yù)測(cè)結(jié)果在整體預(yù)測(cè)方面與HHGA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度類(lèi)似，而優(yōu)于RBFNN和GABPNN