基于攻擊圖模型的網(wǎng)絡安全態(tài)勢評估方法

（中國聯(lián)合網(wǎng)絡通信有限公司海南省分公司，海南 ?？?572500）

0 引言

2020上半年全球重大網(wǎng)絡攻擊及數(shù)據(jù)泄露事件回顧報告指出，網(wǎng)絡攻擊、黑客組織和數(shù)據(jù)泄露一直存在于網(wǎng)絡世界中。比如：2020年5月，委內(nèi)瑞拉國家電網(wǎng)干線遭黑客攻擊，造成全國11州府大面積停電；2020年9月，印度總理納倫德拉·莫迪的一個賬戶遭到黑客攻擊，黑客呼吁莫迪粉絲捐贈加密貨幣，導致10萬美元轉(zhuǎn)入相關“基金”。網(wǎng)絡攻擊事件對政府、企業(yè)、個人造成了極其嚴重的經(jīng)濟損失，因此，如何在復雜多變的網(wǎng)絡環(huán)境中實時掌握當前網(wǎng)絡的安全態(tài)勢，針對安全態(tài)勢提前進行預警和防護，減少網(wǎng)絡攻擊對網(wǎng)絡的傷害，是網(wǎng)絡安全工作的首要任務。為了實時掌握網(wǎng)絡的安全態(tài)勢，初期的研究圍繞告警信息本身進行網(wǎng)絡態(tài)勢評估：陳秀珍等人[1]通過對服務、主機、系統(tǒng)進行層次化分解后，提出層次化網(wǎng)絡安全態(tài)勢量化評估方法；韋勇等人[2]針對多源告警信息的特點，提出融合漏洞、服務信息等態(tài)勢要素的網(wǎng)絡安全態(tài)勢評估方法。隨著攻擊手段的多樣化和“迂回”特征的出現(xiàn)，研究者開始關注攻擊路徑安全態(tài)勢分析的方法：Dai 等人[3]采用模糊綜合評估法量化攻擊路徑數(shù)量和長度，結合攻擊路徑來挖掘?qū)W(wǎng)絡有威脅的路徑，采用攻擊圖分析網(wǎng)絡系統(tǒng)中具有最大風險的攻擊路徑，以此來預測潛在攻擊對網(wǎng)絡安全帶來的危險程度；Abraham 等人[4]通過分析漏洞生命周期隨著發(fā)布事件的變化規(guī)律，分析攻擊路徑與漏洞生命周期的相關關系，以此來判斷網(wǎng)絡安全態(tài)勢值；劉強等人[5]通過構建網(wǎng)絡攻擊圖，利用漏洞的信息刻畫攻擊者選取最有可能的路徑；Zhu等人[6]針對告警數(shù)據(jù)的多源行，采用聚類分析的方法關聯(lián)告警信息，并利用神經(jīng)網(wǎng)絡技術映射攻擊場景；Bopche 等人[7]結合歷史攻擊路徑，分析動態(tài)網(wǎng)絡環(huán)境中攻擊結果隨時間變化的規(guī)律；楊豪璞等人[8]提出面向多步攻擊的網(wǎng)絡態(tài)勢方法，通過關聯(lián)攻擊場景，識別攻擊階段，對當前網(wǎng)絡態(tài)勢進行評估；Liu等人[9]引入隱馬爾可夫模型，結合告警信息，采用維特比方法推導最大可能的轉(zhuǎn)移序列，實現(xiàn)攻擊意圖識別，但該方法沒有對全網(wǎng)絡進行安全態(tài)勢評估；Fredj 等人[10]利用馬爾可夫鏈描述攻擊圖中攻擊行為的轉(zhuǎn)移特征，通過告警關聯(lián)，實現(xiàn)攻擊行為識別與攻擊意圖的預測。上述方法大多偏重于對攻擊行為特征的刻畫，針對攻擊序列的不確定性，提出了各種方法來描述攻擊行為的轉(zhuǎn)移過程，但缺乏從整個網(wǎng)絡安全態(tài)勢層面上對攻擊威脅進行刻畫，沒有描述隨著攻擊行為的深入，整個網(wǎng)絡安全態(tài)勢在時間層面的動態(tài)演變機制。因此，本文在融合多源告警數(shù)據(jù)的基礎上，研究多步攻擊驅(qū)動下攻擊者意圖，分析整個網(wǎng)絡層面上安全態(tài)勢的變化規(guī)律。將底層攻擊行為映射成可量化的安全態(tài)勢值，實現(xiàn)基于動態(tài)攻擊行為演變的網(wǎng)絡安全態(tài)勢精準刻畫，達到網(wǎng)絡安全態(tài)勢的全面精準預測目標。

1 基于攻擊圖的多步攻擊分析

1.1 多源告警數(shù)據(jù)融合

針對當前網(wǎng)絡安全攻擊行為層出不窮，企業(yè)一般采用多種網(wǎng)絡安全檢測設備來檢測網(wǎng)絡攻擊行為。如此，一旦出現(xiàn)網(wǎng)絡攻擊行為時，各種的安全檢測設備會產(chǎn)生格式不一、形式多樣的告警日志，數(shù)量龐大的冗余告警信息將對網(wǎng)絡安全管理員的攻擊行為分析帶來極大的不便。針對上述的情況，本文提出一種基于語義特征相似性的多源告警數(shù)據(jù)融合方法，基于數(shù)據(jù)融合及告警的語義信息，獲取更加準確的網(wǎng)絡攻擊行為特征。

考慮不同安全檢測設備對攻擊行為的反應是不一致的，同一攻擊行為的告警時間有可能出現(xiàn)不一致的現(xiàn)象。因此，本文采用滑動窗口對多源告警數(shù)據(jù)進行重新構造，不僅考慮攻擊行為的空間特征，還考慮攻擊行為在時間維度上的延續(xù)關系。多源告警數(shù)據(jù)重構的方法如圖1 所示：

圖1 告警信息的數(shù)據(jù)重構

基于上述告警信息的數(shù)據(jù)重構，采用CNN 對樣本進行特征的提取、池化、最終形成特征圖，實現(xiàn)告警信息特征層面的融合，特征提取的細節(jié)如圖2 所示：

圖2 基于卷積神經(jīng)網(wǎng)絡的特征融合過程示意圖

1.2 告警信息特征映射攻擊節(jié)點，獲取多步攻擊路徑

現(xiàn)有的網(wǎng)絡攻擊一般采用“迂回”的路徑，通過某個電腦的漏洞，獲得其Root 權限，然后以該電腦為跳板攻擊內(nèi)部的服務器或者集群。因此，從“迂回”攻擊理論上，網(wǎng)絡攻擊要完成既定的目標攻擊，必須采用多步攻擊的方法，才能達到最終的目的?；谏鲜龅乃悸?，本文通過融合告警信息特征映射網(wǎng)絡攻擊行為的攻擊節(jié)點（可理解為被攻擊的電腦IP），然后對攻擊行為從當前攻擊節(jié)點轉(zhuǎn)移到下一個攻擊節(jié)點的轉(zhuǎn)移序列進行關聯(lián)，獲取多步攻擊路徑。

本文采用BP 神經(jīng)網(wǎng)絡來實現(xiàn)告警信息特征到攻擊節(jié)點的映射。BP（Back Propagation）神經(jīng)網(wǎng)絡是1986 年由Rumelhart 和McCelland 為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP 神經(jīng)網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，將上述重構的告警信息特征輸入到三層BP 神經(jīng)網(wǎng)絡中，并得到攻擊每一個網(wǎng)絡節(jié)點的攻擊概率，將最大的攻擊概率作為確認的攻擊節(jié)點。

圖3 展示一個6-3-1 神經(jīng)網(wǎng)絡三層神經(jīng)網(wǎng)絡，由一個輸入層、一個隱含層和一個輸出層組成，各層之間由可修正的權值w 互連。輸入層包含六個節(jié)點、隱含層包含3 個節(jié)點、輸出層包含1 個節(jié)點。BP 神經(jīng)網(wǎng)絡輸出層的神經(jīng)元輸出重構告警信息特征的攻擊節(jié)點，按照時間序列將攻擊節(jié)點關聯(lián)起來，形成每一次攻擊行為的多步攻擊路徑。

圖3 三層BP神經(jīng)網(wǎng)絡結構示意圖

網(wǎng)絡攻擊節(jié)點包括攻擊行為節(jié)點、資源節(jié)點，攻擊行為節(jié)點ai受到網(wǎng)絡攻擊操作后，攻擊者到達資源節(jié)點ri，將攻擊行為節(jié)點ai和資源節(jié)點ri的拓撲順序進行連接，得到攻擊行為的路徑。攻擊路徑的可表示為：

1.3 構建攻擊圖，結合攻擊轉(zhuǎn)移概率推斷攻擊者意圖

網(wǎng)絡攻擊圖包括攻擊行為節(jié)點、資源節(jié)點以及兩個節(jié)點之間的邊（代表攻擊方向），節(jié)點之間的邊有or 或者and 兩個連接關系，and 表示上一個節(jié)點滿足指定的條件就能達到下一個節(jié)點；or 表示上一個節(jié)點滿足一個條件即可達到下一個節(jié)點。攻擊圖的表示如圖4 所示：

圖4 網(wǎng)絡攻擊圖

圖4 中，網(wǎng)絡攻擊圖假設a1、a2和a3為網(wǎng)絡攻擊行為起始節(jié)點，通過對a1、a2和a3進行攻擊之后，攻擊者占用資源節(jié)點r1；接著攻擊者對攻擊節(jié)點a4進行攻擊，占用資源節(jié)點r3；最后，經(jīng)過就能到達網(wǎng)絡攻擊行為節(jié)點a7。

考慮到每一個節(jié)點的自身的特點，攻擊路徑的選擇與節(jié)點本身的漏洞和防護有關，為了更科學地衡量攻擊路徑的序列轉(zhuǎn)移概率，本文基于歷史攻擊行為，統(tǒng)計攻擊行為的節(jié)點轉(zhuǎn)移序列，獲取攻擊行為從當前攻擊節(jié)點轉(zhuǎn)移到下一個攻擊節(jié)點的攻擊概率，形成攻擊概率轉(zhuǎn)移表，部分攻擊行為的轉(zhuǎn)移概率如表1 所示。

表1 攻擊行為轉(zhuǎn)移概率表

基于攻擊行為轉(zhuǎn)移概率，定義概率攻擊網(wǎng)絡，科學量化攻擊行為從當前攻擊節(jié)點轉(zhuǎn)移到下一個攻擊節(jié)點的可能性，基于轉(zhuǎn)移概率的網(wǎng)絡攻擊圖如圖5 所示：

圖5 基于轉(zhuǎn)移概率的網(wǎng)絡攻擊圖

當網(wǎng)絡管理員觀測到某些攻擊行為的告警時，本文采用深度學習的方法獲取到告警的時空特征，并利用三層BP 神經(jīng)網(wǎng)絡來確認的攻擊節(jié)點，然后將攻擊節(jié)點按照時間序列關聯(lián)起來，形成當前攻擊行為的多步攻擊路徑。然后，結合轉(zhuǎn)移概率網(wǎng)絡攻擊圖，基于當前網(wǎng)絡攻擊路徑判斷攻擊者的潛在攻擊意圖。比如網(wǎng)絡攻擊者通過對a1、a2和a3進行攻擊之后，占用資源節(jié)點r1，那么我們要預測網(wǎng)絡攻擊者下一步的攻擊意圖是攻擊節(jié)點a4還是a6，為了解決上述的問題，本文通過對每一條可能的攻擊路徑進行轉(zhuǎn)移概率的累積，以最大的概率作為潛在攻擊路徑的選擇。轉(zhuǎn)移概率攻擊圖定義如下：

U（a1，a2，r1）表示指向r1的節(jié)點確定所有邊的轉(zhuǎn)移概率“與”操作，計算公式：

⊕（a4，a5，r3）表示指向r3的節(jié)點確定所有邊的轉(zhuǎn)移概率“或”操作，計算公式：

其中，paiir表示從攻擊節(jié)點ai轉(zhuǎn)移到資源節(jié)點ri的轉(zhuǎn)移概率。下面重點分析r1受到攻擊后，攻擊者到達a7的所有可能路徑。

基于上述各個攻擊路徑的累計概率分析，攻擊者選擇路徑1 的可能性較大?；谏鲜龅姆治觯x取最有可能的攻擊路 徑計算網(wǎng)絡安全態(tài)勢評估。

1.4 網(wǎng)絡安全態(tài)勢評估

網(wǎng)絡安全態(tài)勢評估算法是利用網(wǎng)絡中每一個服務器節(jié)點的網(wǎng)絡安全信息（包括入侵信息、網(wǎng)絡節(jié)點拓撲信息、漏洞信息、性能信息、服務信息以及日志信息）獲取每一個節(jié)點的脆弱性態(tài)勢、威脅性態(tài)勢以及系統(tǒng)運行態(tài)勢，結合節(jié)點在網(wǎng)絡集群中的分布情況確定脆弱性態(tài)勢、威脅性態(tài)勢以及系統(tǒng)運行態(tài)勢在不同節(jié)點的影響程度，那么整個網(wǎng)絡的安全態(tài)勢評估值可寫為：

其中Vi表示節(jié)點i的脆弱性態(tài)勢值，Ti表示節(jié)點i的威脅性態(tài)勢值，Wi表示節(jié)點i的運行狀態(tài)態(tài)勢值。wiv表示節(jié)點i的脆弱性權重，wiT表示節(jié)點i的威脅性權重，wiw表示節(jié)點i的運行狀態(tài)權重。各態(tài)勢值得權重可以根據(jù)不同節(jié)點在網(wǎng)絡中的拓撲結構以及集群重要性設置。

脆弱性態(tài)勢值是結合節(jié)點的漏洞風險量化、漏洞類型、防護軟件的安裝情況以及端口的開放情況進行評估。單個物理節(jié)點的風險評估一般分為4 級（1 代表無，2 代表中等，3代表嚴重，4 代表非常嚴重）；防護軟件安裝情況（1 代表安裝，2 代表沒有安裝）；端口開放情況（1 代表沒有開放，2 代表對部分開放，3 代表對大部分進行開放），按照節(jié)點脆弱性的計算方式，脆弱性的取值范圍在1-4 范圍內(nèi)（1=低風險；2=中等風險；3=中上風險；4=高風險）。

威脅性態(tài)勢值根據(jù)該節(jié)點的木馬攻擊威脅、蠕蟲破環(huán)性、Dos 攻擊威脅性來衡量。木馬攻擊威脅通過木馬發(fā)生的事件數(shù)來衡量，蠕蟲破壞性通過蠕蟲攻擊的數(shù)量來衡量，Dos 攻擊威脅性通過該節(jié)點是否受到攻擊來衡量，1 表示受到攻擊，2 表示沒有受到攻擊。結合威脅性的3個指標計算節(jié)點的威脅性，威脅性的取值范圍在1-4 的范圍內(nèi)（1=安全；2=輕度威脅；3=中度威脅；4=高度威脅）。

運行狀態(tài)態(tài)勢值根據(jù)節(jié)點的內(nèi)存使用率、硬盤使用率、帶寬占用率和CPU 占用率來衡量。結合運行狀態(tài)的4 個指標計算節(jié)點的狀態(tài)態(tài)勢值，狀態(tài)態(tài)勢值的取值范圍在1-4 的范圍內(nèi)（1=運行正常；2=輕度威脅；3=威脅；4=高度威脅）。

結合權重，采用加權的方式計算最有可能攻擊路徑的各節(jié)點網(wǎng)絡安全態(tài)勢值后，對網(wǎng)絡安全態(tài)勢值進行累加，形成整個網(wǎng)絡的安全態(tài)勢評估值。

2 實驗驗證

實驗思路：模擬攻擊行為，網(wǎng)管系統(tǒng)會發(fā)出告警，獲取原始的實驗數(shù)據(jù)——告警數(shù)據(jù)；然后對告警數(shù)據(jù)進行數(shù)據(jù)重構和時空特征提取，將時空特征輸入到三層神經(jīng)網(wǎng)絡中，獲得最有可能攻擊的節(jié)點；基于當前攻擊節(jié)點結合網(wǎng)絡攻擊圖推測攻擊者最有可能的攻擊路徑，在此基礎上，計算攻擊路徑各個物理節(jié)點的安全態(tài)勢；最后基于物理節(jié)點的安全態(tài)勢計算整個網(wǎng)絡的安全態(tài)勢值。

本文通過模擬網(wǎng)絡攻擊行為，通過采用拒絕服務攻擊、漏洞攻擊、假消息攻擊等方法對測試網(wǎng)絡進行實驗驗證。在攻擊過程中，提取告警事件593 條，并對相關的攻擊行為進行標記。實驗包括模擬2 種正常的網(wǎng)絡行為和3 種不同組合的攻擊行為。通過對告警數(shù)據(jù)進行時空特征融合后，通過三層神經(jīng)網(wǎng)絡（網(wǎng)絡結構6-3-1，輸入層包含六個節(jié)點、隱含層包括3 個節(jié)點、輸出層包括1個節(jié)點，輸入是告警數(shù)據(jù)的時空特征，本文對告警數(shù)據(jù)的N維時空特征通過池化壓縮成6 個特征值并輸入輸入層，各層之間由可修正的權值w互連實現(xiàn)特征值之間的關聯(lián)計算，最后輸出基于告警信息時空特征的可疑攻擊節(jié)點）對告警信息進行映射并獲取攻擊節(jié)點，結合時間序列形成多步攻擊的路徑；然后將轉(zhuǎn)移概率引入到攻擊圖中，推斷攻擊者最有可能的攻擊意圖；最后結合潛在攻擊路徑，實現(xiàn)大概率攻擊節(jié)點的安全態(tài)勢評估，并根據(jù)各個節(jié)點在集群中的重要性，計算整個網(wǎng)絡的安全態(tài)勢評估值。本文采用傳統(tǒng)的網(wǎng)絡態(tài)勢評估方法與本文的算法進行對比，兩者的攻擊路徑預測準確率和網(wǎng)絡安全態(tài)勢評估預測值偏差率結果如表2：

表2 攻擊路徑預測準確率和網(wǎng)絡安全態(tài)勢評估預測值偏差

通過實驗對比結果可知，本文提出的算法較傳統(tǒng)的網(wǎng)絡態(tài)勢評估方法在很大層度上提升攻擊路徑預測準確率和網(wǎng)絡安全態(tài)勢評估的經(jīng)度，這由于本文提出的算法通過提取告警數(shù)據(jù)的時空特征能夠準確提取攻擊行為，并根據(jù)當前攻擊路徑結合攻擊概率轉(zhuǎn)移表，實現(xiàn)攻擊者攻擊意圖的推斷，如此，該方法從多維度上分析攻擊行為，降低了虛假告警事件對攻擊行為判斷的干擾；除此之外，該方法在現(xiàn)有攻擊階段的基礎上，采用攻擊路徑的累計概率來預測最有可能的攻擊路徑，形成多步攻擊驅(qū)動下的網(wǎng)絡安全的動態(tài)演變機制，實現(xiàn)動態(tài)反映網(wǎng)絡安全態(tài)勢變化的目標，保證算法的精度。

3 結束語

本文提出一種基于攻擊圖模型的網(wǎng)絡安全態(tài)勢評估方法，該方法解決多源告警信息數(shù)量繁多，虛假告警事件對網(wǎng)絡攻擊路徑確定造成干擾的問題。本文結合滑動窗口法重構告警數(shù)據(jù)，并對告警數(shù)據(jù)進行時空特征提取；基于三層BP 神經(jīng)網(wǎng)絡映射攻擊節(jié)點并獲取多步攻擊路徑；在網(wǎng)絡攻擊圖的基礎上，結合轉(zhuǎn)移概率推斷攻擊者意圖，采用累計概率的方法形成多步攻擊驅(qū)動下的網(wǎng)絡安全的動態(tài)演變機制，動態(tài)反映網(wǎng)絡安全態(tài)勢的變化情況。該方法在實驗中取得了良好的攻擊意圖預測效果，從實驗效果可知，本文提出的方法能夠較為準確的識別網(wǎng)絡攻擊的各種行為和攻擊者意圖，具有一定的擴展性。在未來，將進一步研究網(wǎng)絡安全態(tài)勢感知的優(yōu)化策略，利用深度學習神經(jīng)網(wǎng)絡算法對節(jié)點映射環(huán)節(jié)進行優(yōu)化，借鑒智能動態(tài)分析技術實現(xiàn)多步攻擊行為的快速感知，為現(xiàn)實的網(wǎng)絡安全態(tài)勢感知提供更具現(xiàn)實的應用意義。