面向異構數據源的網絡安全態(tài)勢感知模型與方法研究.pdf

1、隨著網絡技術的不斷發(fā)展和應用范圍的不斷擴大,網絡已成為社會進步的重要推動力量。然而,不斷惡化的網絡環(huán)境使得網絡技術所面臨的安全問題日益突出,傳統(tǒng)的單點單源安全防御系統(tǒng)(如IDS、Firevall、VDS等)雖然在一定程度上提高了網絡的安全性,但由于彼此間缺乏有效的協(xié)作,無法真正實現全網的整體安全態(tài)勢監(jiān)控。網絡安全態(tài)勢感知(Network SecuritySituational Avareness,NSSA)正是在此需求背景下應運而生的,

2、并迅速成為了網絡安全領域的研究熱點問題。
　　 所謂網絡安全態(tài)勢感知是指在大規(guī)模網絡環(huán)境中,對能夠引起網絡安全態(tài)勢發(fā)生變化的安全要素進行提取、理解、顯示并預測未來發(fā)展趨勢。目前,課題組對于網絡安全態(tài)勢感知的研究開展了大量工作,取得了大量的研究成果,但是對于系統(tǒng)中異構數據源的研究還不成熟,需要解決面向異構數據源的網絡安全態(tài)勢感知系統(tǒng)的框架模型、數據預處理、量化感知、動態(tài)預測等關鍵技術問題?；诖?本文提出面向異構數據源的網絡安全態(tài)

3、勢感知的研究,并對相關核心技術問題進行了深入探討。
　　 首先,針對現有框架模型存在數據源單一或多源同質、響應延遲大、自我保護性差、穩(wěn)定性和容錯能力差等缺點,借助移動Agent的優(yōu)點,提出一種面向異構數據源的網絡安全態(tài)勢感知系統(tǒng)框架模型,該框架結構自下而上依次分為信息獲取層、數據預處理層、態(tài)勢決策層,構建了一條從信息獲取到量化感知再到態(tài)勢預測的研究路線,并對每個層次所涉及模塊進行了詳細設計,建立了一個系統(tǒng)化、動態(tài)化、分布式、自適

4、應的網絡安全態(tài)勢框架結構,利用PEPA形式化建模語言對框架模型進行分析,驗證了框架模型的合理性,為后續(xù)研究內容的開展奠定基礎。
　　 其次,在框架模型的基礎上,為了融合來自異構數據源的網絡安全信息,提出一種“三段式”數據預處理方法,包括:基于無向圖模型(UndirectedGraphs Model,UGM)的數據分類、基于DS(Dempter-Shafer)證據理論的信息融合和證據沖突數據的分類修正。實驗結果表明,該方法在數據分

5、類中具有較高的檢測精確率和檢測速度,不僅能保證分類的精確度,去除不確定性噪聲數據帶來的不利影響,有效的避免DS信息融合中證據沖突,而且能提高數據分類精度,為下一步的網絡安全態(tài)勢量化感知和預測提供數據支持。
　　 再次,研究基于條件隨機場的網絡安全態(tài)勢量化感知方法,該方法以態(tài)勢分類報警信息作為網絡安全態(tài)勢量化感知的要素,結合主機的漏洞和狀態(tài),定義網絡安全威脅度體現網絡風險,并采用網絡安全威脅度算法對攻擊進行分類,最后生成明確的網絡

6、安全態(tài)勢圖,動態(tài)地完成整個網絡安全狀況的量化感知。實驗結果表明,所采用的算法檢測精度高,能有效地結合漏洞、資產、環(huán)境等各因素評估一個報警信息所表示的網絡安全威脅程度,準確地對網絡攻擊進行分類,結果客觀真實,能正確地為安全管理人員呈現安全態(tài)勢,為下一步的網絡安全態(tài)勢預測提供條件。
　　 最后,為了更加準確地對網絡安全態(tài)勢進行預測,針對網絡安全態(tài)勢的非線性時間序列特點研究基于Yolterra模型的自適應預測方法。該方法根據Taken