• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于頻繁模式挖掘的網(wǎng)絡(luò)安全防護(hù)

      2022-02-03 06:14:12劉懿
      移動(dòng)通信 2022年12期
      關(guān)鍵詞:項(xiàng)集結(jié)點(diǎn)態(tài)勢(shì)

      劉懿

      (中國(guó)移動(dòng)通信集團(tuán)北京有限公司,北京 100007)

      0 引言

      隨著互聯(lián)網(wǎng)應(yīng)用的快速發(fā)展,從網(wǎng)絡(luò)衍生出來(lái)的產(chǎn)品(如網(wǎng)上購(gòu)物、微信聊天、網(wǎng)上銀行等)越來(lái)越多,這些互聯(lián)網(wǎng)應(yīng)用在給人類生活帶來(lái)極大便利的同時(shí),也將個(gè)人信息泄露和數(shù)據(jù)安全推到了風(fēng)口浪尖,不法分子利用網(wǎng)絡(luò)存在的漏洞對(duì)網(wǎng)絡(luò)系統(tǒng)進(jìn)行破壞,產(chǎn)生了網(wǎng)絡(luò)安全事件,如:2014 年,摩根銀行大樓遭受網(wǎng)絡(luò)攻擊,致使7 600 萬(wàn)個(gè)人賬戶和700 萬(wàn)企業(yè)賬戶的關(guān)鍵信息被泄露;2020 年,丹麥稅收網(wǎng)遭到黑客攻擊,超過(guò)120 萬(wàn)丹麥納稅人詳細(xì)信息被惡意軟件意外收集,經(jīng)調(diào)查,這種行為已長(zhǎng)達(dá)5 年之久;2021 年,一黑客篡改可遠(yuǎn)程控制的計(jì)算機(jī)數(shù)據(jù),將佛羅里達(dá)州奧德馬爾的一家水處理廠中的氫氧化鈉含量調(diào)高到了極其危險(xiǎn)水平,差點(diǎn)讓整個(gè)城市居民集體中毒。由此可見(jiàn),隨著網(wǎng)絡(luò)攻擊技術(shù)不斷變化,互聯(lián)網(wǎng)金融網(wǎng)站的安全情況令人擔(dān)憂。而攻擊手段的日新月異,傳統(tǒng)的網(wǎng)絡(luò)安全防護(hù)技術(shù)顯得力不從心。面對(duì)新的安全的形勢(shì)變化,網(wǎng)絡(luò)安全防護(hù)技術(shù)應(yīng)運(yùn)而生,很多學(xué)者都投入了大量的精力去研究網(wǎng)絡(luò)安全防護(hù)技術(shù)以及相關(guān)的防護(hù)模型。Xu 等人[1]提出一個(gè)基于語(yǔ)義本體和用戶定義規(guī)則的情境推理方法,構(gòu)造物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型,該模型通過(guò)4 個(gè)關(guān)鍵子域來(lái)反映物聯(lián)網(wǎng)安全情況,并利用用戶定義規(guī)則補(bǔ)償4 個(gè)關(guān)鍵子域的描述能力,以此提升模型的推理能力;Liu 等人[2]提出一種基于風(fēng)險(xiǎn)評(píng)估的NSSA 模型,該模型通過(guò)收集漏洞信息并使用相應(yīng)的風(fēng)險(xiǎn)水平定性地衡量系統(tǒng)的安全狀況,方便管理員監(jiān)控系統(tǒng)并對(duì)系統(tǒng)可能的威脅保持警惕;Jiagen 等人[3]提出一種基于RBF 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)感知方法,該模型利用網(wǎng)絡(luò)安全態(tài)勢(shì)值具有非線性時(shí)間序列的特點(diǎn),使用RBF 神經(jīng)網(wǎng)絡(luò)找出網(wǎng)絡(luò)安全態(tài)勢(shì)值的非線性映射關(guān)系;Zuo 等人[4]提出一種基于安全感知的SDN 物聯(lián)網(wǎng)網(wǎng)絡(luò)安全架構(gòu),該架構(gòu)可以在SDN 的每一層部署不同的網(wǎng)絡(luò)安全模塊,并通過(guò)整合、分析不同安全模塊的數(shù)據(jù)以實(shí)現(xiàn)提升網(wǎng)絡(luò)安全的性能。通過(guò)分析現(xiàn)有的網(wǎng)絡(luò)防護(hù)模型構(gòu)建可知,大多數(shù)學(xué)者將網(wǎng)絡(luò)防護(hù)過(guò)程進(jìn)行了多層次多角度的分析,很少利用知識(shí)發(fā)現(xiàn)的角度將網(wǎng)絡(luò)攻擊行為生成相應(yīng)的圖或者算法,并用于解決現(xiàn)有模糊識(shí)別網(wǎng)絡(luò)防護(hù)的問(wèn)題。因此,本文提出一種基于頻繁模式挖掘的網(wǎng)絡(luò)安全防護(hù)方法,該方法采用頻繁模式挖掘報(bào)警的規(guī)則進(jìn)而獲得高層次的攻擊語(yǔ)義和攻擊證據(jù);然后,采用DS 方法融合主機(jī)攻擊的多條證據(jù)并量化網(wǎng)絡(luò)主機(jī)的威脅態(tài)勢(shì),從而很好地刻畫(huà)主機(jī)的安全態(tài)勢(shì),實(shí)現(xiàn)網(wǎng)絡(luò)安全態(tài)勢(shì)的有效評(píng)估。

      1 相關(guān)技術(shù)

      網(wǎng)絡(luò)安全防護(hù)技術(shù)[5-7]通過(guò)采集網(wǎng)絡(luò)空間中各種設(shè)備的報(bào)警數(shù)據(jù),并對(duì)這些報(bào)警數(shù)據(jù)進(jìn)行處理、分析和理解,從而對(duì)當(dāng)前網(wǎng)絡(luò)安全狀況進(jìn)行評(píng)估,使得網(wǎng)絡(luò)安全管理人員能夠更加全面了解網(wǎng)絡(luò)安全狀態(tài)。

      1.1 網(wǎng)絡(luò)安全態(tài)勢(shì)感知

      (1)態(tài)勢(shì)要素提取

      態(tài)勢(shì)要素提取包含網(wǎng)絡(luò)安全數(shù)據(jù)采集和網(wǎng)絡(luò)安全數(shù)據(jù)預(yù)處理2 個(gè)步驟。

      網(wǎng)絡(luò)安全數(shù)據(jù)采集包含2 類采集方式,一類是主動(dòng)式采集,包括通過(guò)網(wǎng)絡(luò)管理協(xié)議、Telnet、文件傳輸協(xié)議、代理、漏洞和端口掃描、“蜜罐”等方式對(duì)數(shù)據(jù)進(jìn)行主動(dòng)式采集;另一類是被動(dòng)式采集,包括系統(tǒng)日志、NetFlow、Web Service 等方式進(jìn)行數(shù)據(jù)采集。

      網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理是指對(duì)網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)缺失處理、噪音數(shù)據(jù)處理、數(shù)據(jù)不一致處理、數(shù)據(jù)融合處理、數(shù)據(jù)關(guān)聯(lián)處理等。

      (2)網(wǎng)絡(luò)安全態(tài)勢(shì)理解

      在對(duì)態(tài)勢(shì)要素提取的基礎(chǔ)上,對(duì)態(tài)勢(shì)要素進(jìn)行數(shù)據(jù)挖掘,提取網(wǎng)絡(luò)安全語(yǔ)義信息,從整體上評(píng)估網(wǎng)絡(luò)安全態(tài)勢(shì)值。因此,網(wǎng)絡(luò)安全態(tài)勢(shì)理解是以數(shù)據(jù)融合為核心,將各方面的安全事件進(jìn)行融合和挖掘,獲取高層次的語(yǔ)義信息,從而對(duì)網(wǎng)絡(luò)安全進(jìn)行綜合評(píng)估,輔助網(wǎng)絡(luò)管理員進(jìn)行決策。

      (3)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)

      網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)作為網(wǎng)絡(luò)安全態(tài)勢(shì)感知不可或缺的部分,是實(shí)現(xiàn)網(wǎng)絡(luò)安全事件預(yù)警、預(yù)報(bào)的有效手段,只有對(duì)網(wǎng)絡(luò)未來(lái)一段事件的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)才能從根本上實(shí)現(xiàn)網(wǎng)絡(luò)防護(hù)。為了有效實(shí)現(xiàn)網(wǎng)絡(luò)安全防護(hù),需要采用數(shù)據(jù)挖掘的算法對(duì)攻擊意圖和入侵進(jìn)行行為預(yù)測(cè)。然而,網(wǎng)絡(luò)攻擊行為具有很大的不確定性,如何有效地挖掘網(wǎng)絡(luò)攻擊意圖,利用知識(shí)發(fā)現(xiàn)將網(wǎng)絡(luò)攻擊行為生成相應(yīng)的網(wǎng)絡(luò)攻擊圖,是解決現(xiàn)有網(wǎng)絡(luò)安全態(tài)勢(shì)有效預(yù)警的關(guān)鍵問(wèn)題。

      1.2 網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估技術(shù)

      (1)貝葉斯網(wǎng)絡(luò)

      貝葉斯網(wǎng)絡(luò)作為一種模擬推理過(guò)程中因果關(guān)系的不確定處理模型,是一個(gè)有向無(wú)環(huán)圖;其由變量的結(jié)點(diǎn)和連接這些結(jié)點(diǎn)有向邊構(gòu)成,是一種概率圖模型[8]。貝葉斯網(wǎng)絡(luò)的數(shù)學(xué)表達(dá):G=。其中I表示所有結(jié)點(diǎn)的集合,E表示有向邊的集合。如果兩個(gè)結(jié)點(diǎn)之間由箭頭相連,那么箭尾相連的結(jié)點(diǎn)是“父結(jié)點(diǎn)”,箭頭相連的結(jié)點(diǎn)是“子結(jié)點(diǎn)”,這兩個(gè)結(jié)點(diǎn)將產(chǎn)生一個(gè)條件概率值。貝葉斯使用條件概率值來(lái)表示各個(gè)結(jié)點(diǎn)依賴關(guān)系的強(qiáng)弱,通過(guò)將先驗(yàn)的信息和樣本知識(shí)結(jié)合來(lái)促進(jìn)先驗(yàn)知識(shí)和數(shù)據(jù)集成,結(jié)點(diǎn)之間產(chǎn)生的條件概率值一旦更新,那么整個(gè)貝葉斯網(wǎng)絡(luò)中的知識(shí)就自動(dòng)更新。在網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)過(guò)程中,由于網(wǎng)絡(luò)節(jié)點(diǎn)之間依賴拓?fù)潢P(guān)系很難確定,輸入變量之間的相關(guān)性一旦產(chǎn)生較大的偏差,其結(jié)果會(huì)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)產(chǎn)生很大的影響;另外,貝葉斯網(wǎng)絡(luò)當(dāng)參數(shù)過(guò)多時(shí)會(huì)造成計(jì)算代價(jià)非常大,因此,基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)僅適用于網(wǎng)絡(luò)規(guī)模較小的場(chǎng)景。

      (2)支持向量機(jī)

      支持向量機(jī)[9-10]以間隔最大化為學(xué)習(xí)策略,在特征空間中尋找間隔最大的線性分類器,并最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題。為了降低支持向量機(jī)在高維或無(wú)線維空間中構(gòu)造超平面確定分類邊界的計(jì)算復(fù)雜度,研究者采用核函數(shù)來(lái)實(shí)現(xiàn)樣本的線性劃分。核函數(shù)的核心是使用一個(gè)非線性映射將原始樣本變換到另一個(gè)特征空間中,在這個(gè)空間中,樣本變得線性可分。假設(shè)一個(gè)二維空間中,有數(shù)據(jù)集D=(x1,y1),(x2,y2),…(xn,yn),其中y∈{-1,1}。支持向量機(jī)的目標(biāo)是使用一個(gè)合適的超平面f(x)=wTx+b將數(shù)據(jù)分開(kāi),其中w為法向量,b為位移。超平面以虛線為邊界,兩條虛線間的距離稱為“間隔”。支持向量機(jī)訓(xùn)練樣本的示意圖如圖1 所示。

      圖1 支持向量機(jī)訓(xùn)練樣本示意圖

      (3)BP 神經(jīng)網(wǎng)絡(luò)

      BP 神經(jīng)網(wǎng)絡(luò)[11-12]作為一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),其依據(jù)信號(hào)的前向傳播和誤差的反向傳播來(lái)計(jì)算網(wǎng)絡(luò)神經(jīng)元連接之間的參數(shù),最終實(shí)現(xiàn)任務(wù)的分類。BP神經(jīng)網(wǎng)絡(luò)的過(guò)程主要分為兩個(gè)階段,第一階段是信號(hào)的前向傳播,從輸入層經(jīng)過(guò)隱含層,最后到達(dá)輸出層;第二階段是誤差的反向傳播,從輸出層到隱含層,最后到輸入層,依次調(diào)節(jié)隱含層到輸出層的權(quán)重和偏置,輸入層到隱含層的權(quán)重和偏置。BP 神經(jīng)網(wǎng)絡(luò)的示意圖如圖2 所示:

      圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本示意圖

      網(wǎng)絡(luò)攻擊是一種系統(tǒng)行為,不是依靠分析一系列的報(bào)警事件的相互關(guān)系就能準(zhǔn)確判斷該行為是正常的行為還是異常的行為,而是需要分析各種報(bào)警事件之間的邏輯關(guān)系,才能將攻擊者的一系列相關(guān)的步驟進(jìn)行有效梳理。如今,隨著網(wǎng)絡(luò)規(guī)模的不斷發(fā)展,如何從海量的報(bào)警數(shù)據(jù)中獲得隱藏在其中的網(wǎng)絡(luò)攻擊步驟,是網(wǎng)絡(luò)安全態(tài)勢(shì)感知的一個(gè)十分重要的課題。為此,本文提出一種基于頻繁模式的網(wǎng)絡(luò)安全防護(hù)方法,通過(guò)對(duì)報(bào)警數(shù)據(jù)進(jìn)行頻繁多步攻擊序列挖掘,對(duì)單個(gè)攻擊事件(信息探測(cè)、漏洞掃描、漏洞利用、權(quán)限提升、發(fā)動(dòng)攻擊、留下后門)之間的邏輯關(guān)系進(jìn)行關(guān)聯(lián),挖掘其中的頻繁項(xiàng)集,有助于發(fā)現(xiàn)因果關(guān)系不明確的多步攻擊模式,能夠更好地對(duì)攻擊行為進(jìn)行識(shí)別。

      2 基于頻繁模式挖掘的網(wǎng)絡(luò)安全防護(hù)

      2.1 報(bào)警數(shù)據(jù)信息融合

      各類安全檢測(cè)設(shè)備在檢測(cè)網(wǎng)絡(luò)攻擊行為時(shí)會(huì)產(chǎn)生大量的報(bào)警日志,而這些報(bào)警日志很有可能是針對(duì)同一個(gè)攻擊行為產(chǎn)生的,因此,需要對(duì)大量的冗余報(bào)警信息進(jìn)行預(yù)處理,避免現(xiàn)有的報(bào)警數(shù)據(jù)對(duì)后期的攻擊行為分析和處理帶來(lái)巨大的計(jì)算量。因此,需要對(duì)相似度較高的報(bào)警日志進(jìn)行融合處理,通過(guò)把相似度較高的報(bào)警日志融合到同一個(gè)類別,將同一個(gè)類別的報(bào)警進(jìn)行處理,并生成網(wǎng)絡(luò)攻擊事件。

      首先,需要對(duì)報(bào)警數(shù)據(jù)進(jìn)行數(shù)據(jù)提取,本文參考文獻(xiàn)[13] 對(duì)報(bào)警數(shù)據(jù)的提取格式,將報(bào)警數(shù)據(jù)格式定義為(Id,Src_ip,Dst_ip,Src_port,Dst_port,Attack_type,StartTime,EndTime,Protocol),具體如表1 所示。

      表1 報(bào)警數(shù)據(jù)格式

      其次,基于多個(gè)報(bào)警數(shù)據(jù),需要對(duì)各個(gè)屬性進(jìn)行相似度衡量,結(jié)合各個(gè)屬性的相似度進(jìn)行加權(quán)平均,得到每一條報(bào)警數(shù)據(jù)與基報(bào)警之間的相似度。本文將每一個(gè)報(bào)警數(shù)據(jù)轉(zhuǎn)化成向量,通過(guò)計(jì)算兩個(gè)向量的夾角的余弦值來(lái)衡量向量之間的相似度值。

      然后,按照屬性的重要程度對(duì)各個(gè)屬性賦予權(quán)重,采用加權(quán)平均方法計(jì)算每一條報(bào)警數(shù)據(jù)與基報(bào)警數(shù)據(jù)之間的相似度。

      最后,結(jié)合相似度閾值判斷每一條報(bào)警數(shù)據(jù)是否能夠與基報(bào)警數(shù)據(jù)進(jìn)行融合,如果每一條報(bào)警數(shù)據(jù)與基報(bào)警數(shù)據(jù)的相似度大于設(shè)定的閾值(閾值在0.5~1,按照實(shí)際的需求設(shè)置,一般設(shè)在0.8 以上),那么則將其納入基報(bào)警數(shù)據(jù)中,否則,將其作為一條新的基報(bào)警數(shù)據(jù),如此不斷循環(huán)。

      2.2 基于FP-樹(shù)全局頻繁項(xiàng)集的多步攻擊模式挖掘

      在對(duì)報(bào)警數(shù)據(jù)進(jìn)行融合之后,將會(huì)產(chǎn)生多條報(bào)警基數(shù) 據(jù)(Id,Src_ip,Dst_ip,Src_port,Dst_port,Attack_type,StartTime,EndTime,Protocol),然后將這些數(shù)據(jù)按照時(shí)間進(jìn)行排序組成報(bào)警事務(wù)數(shù)據(jù)庫(kù),采用FP-樹(shù)全局頻繁項(xiàng)集對(duì)攻擊系列進(jìn)行挖掘,挖掘多步攻擊模式。具體步驟如下。

      相比Apriori 算法挖掘頻繁項(xiàng)集,F(xiàn)P-樹(shù)能夠壓縮所有事務(wù)記錄的關(guān)聯(lián)項(xiàng)集,并且以其獨(dú)特的結(jié)構(gòu)提供一種方便深度優(yōu)先挖掘最大頻繁項(xiàng)集的方法,在深度優(yōu)先遍歷搜索空間樹(shù)時(shí)建立FP-樹(shù),對(duì)于每個(gè)結(jié)點(diǎn),保存該結(jié)點(diǎn)到根結(jié)點(diǎn)搜索路徑上的每一個(gè)結(jié)點(diǎn)對(duì)應(yīng)的FP 子樹(shù),F(xiàn)P子樹(shù)表示與其相關(guān)結(jié)點(diǎn)挖掘有關(guān)的頻繁信息,在當(dāng)前結(jié)點(diǎn)上,通過(guò)在相應(yīng)項(xiàng)集之中添加對(duì)應(yīng)的FP 子樹(shù)頭表中的某個(gè)項(xiàng),來(lái)生成搜索空間中的子結(jié)點(diǎn)。基于FP-樹(shù)全局頻繁項(xiàng)集的多步攻擊模式挖掘的步驟如下:

      首先,采用滑動(dòng)窗口法產(chǎn)生候選攻擊序列集。由于報(bào)警數(shù)據(jù)按照時(shí)間排序而成的,因此,為了更有效挖掘攻擊序列,需要采用滑動(dòng)窗口的方法來(lái)劃分攻擊數(shù)據(jù)的時(shí)間序列。窗口每滑動(dòng)一次就會(huì)產(chǎn)生一個(gè)序列s,直到窗口滑動(dòng)到指定時(shí)間段的攻擊數(shù)據(jù)時(shí)間序列的最后一個(gè)數(shù)據(jù)為止?;瑒?dòng)窗口產(chǎn)生的攻擊序列集為Alert_seg=(s1,s2,…,sn)。

      然后,采用FP-樹(shù)挖掘頻繁攻擊序列集,篩選大于最小支持度的頻繁項(xiàng)集。

      最后,針對(duì)上一步挖掘出來(lái)的所有頻繁攻擊序列集,對(duì)頻繁攻擊序列進(jìn)行剪枝,剪去頻繁攻擊序列集中的非頻繁項(xiàng)集,篩選出最大頻繁攻擊序列?;贔P-樹(shù)的多步攻擊模式挖掘的流程圖如圖3 所示。

      圖3 基于FP-樹(shù)全局頻繁項(xiàng)集的多步攻擊模式挖掘

      2.3 基于DS方法的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)

      基于FP-樹(shù)得到多步攻擊序列,每一條Lk項(xiàng)攻擊序列其實(shí)或多或少解揭示了每一個(gè)攻擊行為發(fā)生的成功率與對(duì)主機(jī)的威脅值,從而計(jì)算出每一條Lk項(xiàng)攻擊序列的初始信任度;在此基礎(chǔ)上,利用DS 方法對(duì)Lk項(xiàng)攻擊序列進(jìn)行合成,從而評(píng)估Lk項(xiàng)攻擊序列對(duì)主機(jī)的威脅態(tài)勢(shì)值;最后,根據(jù)每個(gè)網(wǎng)絡(luò)中每個(gè)主機(jī)的重要程度,計(jì)算整個(gè)網(wǎng)絡(luò)的威脅態(tài)勢(shì)值。

      根據(jù)漏洞評(píng)價(jià)系統(tǒng)CVSS 中Access Complexity 去衡量信息探測(cè)、漏洞掃描、漏洞利用、留下后門、權(quán)限提升、發(fā)動(dòng)攻擊6 個(gè)攻擊的成功率,攻擊成功率如下:

      其中,SAi表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列的成功率,saij表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列第j項(xiàng)攻擊的成功率。隨著攻擊步數(shù)的增多,攻擊者對(duì)網(wǎng)絡(luò)發(fā)起多步攻擊后,攻擊行為對(duì)主機(jī)的攻擊成功率越高。多步攻擊對(duì)主機(jī)的威脅如下:

      其中,TAi表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列的威脅值,Ci表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列的主機(jī)資產(chǎn)機(jī)密性損失;Ii表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列的主機(jī)完整性損失;Ai表示第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列的主機(jī)可用性損失。α、β、γ表示主機(jī)機(jī)密性、完整性、可用性的權(quán)重,α+β+γ=1。

      在獲取第i個(gè)時(shí)間周期Lk項(xiàng)攻擊序列成功率和威脅值得基礎(chǔ)上,計(jì)算多步攻擊的初始信任度:

      基于DS 理論,可對(duì)不同時(shí)間周期(比如將一周分為7 個(gè)周期,每1 天作為一個(gè)周期)的攻擊序列進(jìn)行合成,采用M(D) 來(lái)衡量主機(jī)的風(fēng)險(xiǎn)情況,其公式表示為:

      結(jié)合主機(jī)的重要性,整個(gè)網(wǎng)絡(luò)的安全態(tài)勢(shì)可以表示為:

      其中,DW為網(wǎng)絡(luò)風(fēng)險(xiǎn)值,wi為不同設(shè)備對(duì)網(wǎng)絡(luò)安全的重要性。

      3 實(shí)驗(yàn)分析

      3.1 實(shí)驗(yàn)環(huán)境與相關(guān)說(shuō)明

      本文采用的數(shù)據(jù)集是DARPA2000 數(shù)據(jù)集中的LLDoS1.0 數(shù)據(jù)集,該數(shù)據(jù)集包含104 萬(wàn)個(gè)數(shù)據(jù)包,它描述新手攻擊者運(yùn)行分布式DDOS 拒絕攻擊服務(wù)攻擊的過(guò)程:攻擊者采用掃描的方式獲取活動(dòng)的主機(jī)列表,并對(duì)主機(jī)進(jìn)行端口掃描,試圖找出主機(jī)存在的漏洞;然后,通過(guò)留下后門等待權(quán)限提升,待權(quán)限提升后對(duì)主機(jī)漏洞進(jìn)行攻擊,采用遠(yuǎn)程登錄的方式對(duì)主機(jī)進(jìn)行多次操作后入侵網(wǎng)絡(luò)系統(tǒng);最后,將DDOS 安裝到主機(jī)上,通過(guò)啟動(dòng)軟件對(duì)目標(biāo)主機(jī)發(fā)動(dòng)攻擊。基于上述的攻擊順序,CVSS 相關(guān)定義[14],結(jié)合單步攻擊利用漏洞復(fù)雜度為攻擊者分配相應(yīng)的訪問(wèn)復(fù)雜度,并基于訪問(wèn)復(fù)雜度作為單步攻擊的成功率,單步攻擊的成功率分配如表2 所示:

      表2 單步攻擊成功率

      表2 的結(jié)果是基于第2.3 節(jié)中的公式(2) 計(jì)算信息探測(cè)、漏洞掃描、漏洞利用、留下后門、權(quán)限提升、發(fā)動(dòng)攻擊6 個(gè)攻擊的成功率。

      基于表2 單步攻擊成功率,結(jié)合歷史數(shù)據(jù)統(tǒng)計(jì)值,計(jì)算單步攻擊對(duì)主機(jī)的威脅值如表3 所示:

      表3 單步攻擊對(duì)主機(jī)的威脅值

      在歷史數(shù)據(jù)統(tǒng)計(jì)的基礎(chǔ)上,結(jié)合專家經(jīng)驗(yàn),主機(jī)機(jī)密性、完整性、可用性的權(quán)重如表4 所示:

      表4 主機(jī)機(jī)密性、完整性、可用性的權(quán)重值

      在獲取單步攻擊對(duì)主機(jī)的威脅值和機(jī)密性、完整性、可用性的權(quán)重值后,采用DS 理論結(jié)合公式(3)—公式(5)計(jì)算不同時(shí)間周期的攻擊序列進(jìn)行合成,計(jì)算不同時(shí)間周期主機(jī)的風(fēng)險(xiǎn)。

      最后,專家通過(guò)網(wǎng)絡(luò)拓?fù)浞治鼍W(wǎng)絡(luò)設(shè)備的重要性,對(duì)不同設(shè)備的重要性進(jìn)行賦值,并利用公式(6) 計(jì)算整個(gè)網(wǎng)絡(luò)的安全態(tài)勢(shì)。網(wǎng)絡(luò)中不同設(shè)備對(duì)網(wǎng)絡(luò)安全影響的重要性如表5 所示:

      表5 不同設(shè)備對(duì)網(wǎng)絡(luò)安全影響重要性

      3.2 實(shí)驗(yàn)結(jié)果分析

      將數(shù)據(jù)劃分固定周期(按照60 分鐘作為一個(gè)周期計(jì)算),采用FP-樹(shù)挖掘某一個(gè)主機(jī)在不同周期最大頻繁多步攻擊序列,得到10 個(gè)周期的網(wǎng)絡(luò)安全態(tài)勢(shì)值,如表6 所示:

      表6 10個(gè)周期多步攻擊序列

      基于公式(2)—公式(6),通過(guò)合成不同周期的多步攻擊序列的網(wǎng)絡(luò)安全,可以計(jì)算每一個(gè)周期的某一個(gè)網(wǎng)絡(luò)風(fēng)險(xiǎn)值,如圖4 所示:

      圖4 某主機(jī)隨著時(shí)間推進(jìn)的網(wǎng)絡(luò)風(fēng)險(xiǎn)值

      由圖4 可知,某主機(jī)在不同階段的網(wǎng)絡(luò)風(fēng)險(xiǎn)值隨著時(shí)間推進(jìn),風(fēng)險(xiǎn)值越來(lái)越大。在開(kāi)始階段,攻擊者采用信息探測(cè)、漏洞掃描等方式獲取安全信息,此時(shí)并不會(huì)對(duì)主機(jī)造成很大的威脅性,此時(shí)網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)在0.15 左右;一旦攻擊者探測(cè)到漏洞后,將會(huì)查找哪些主機(jī)存在漏洞,并利用存在漏洞的主機(jī)進(jìn)行攻擊,此時(shí),網(wǎng)絡(luò)的風(fēng)險(xiǎn)呈上升趨勢(shì),達(dá)到0.20;隨著時(shí)間推移,攻擊者基于主機(jī)現(xiàn)有的漏洞采用權(quán)限提升、滲透性攻擊等手段登錄到主機(jī)內(nèi)部,獲取用戶權(quán)限,此時(shí),主機(jī)的風(fēng)險(xiǎn)逐漸增高,增至0.44;一旦攻擊者獲得主機(jī)權(quán)限后,嘗試獲得管理者權(quán)限,一旦獲得權(quán)限后,將會(huì)采用遠(yuǎn)程攻擊的手段,試圖遠(yuǎn)程登錄目標(biāo)主機(jī),網(wǎng)絡(luò)風(fēng)險(xiǎn)進(jìn)一步增大,達(dá)到0.85;最后主機(jī)在目標(biāo)主機(jī)上安裝DDoS 攻擊程序,并發(fā)動(dòng)網(wǎng)絡(luò)流量攻擊,此時(shí),網(wǎng)絡(luò)將會(huì)出現(xiàn)癱瘓情況,網(wǎng)絡(luò)風(fēng)險(xiǎn)值達(dá)到0.93。

      而在上一小節(jié)中對(duì)DARPA2000 數(shù)據(jù)集中的LLDoS1.0 數(shù)據(jù)集的介紹可知,該數(shù)據(jù)集的攻擊過(guò)程是攻擊者采用掃描的方式獲取活動(dòng)的主機(jī)列表—對(duì)主機(jī)進(jìn)行端口掃描—找出主機(jī)存在的漏洞—留下后門等待權(quán)限提升—遠(yuǎn)程登錄的方式對(duì)主機(jī)進(jìn)行多次操作—DDOS 安裝到目標(biāo)主機(jī)上并對(duì)目標(biāo)主機(jī)發(fā)動(dòng)攻擊。由此可知,本文采用的基于頻繁模式挖掘的網(wǎng)絡(luò)安全態(tài)勢(shì)變化情況與DARPA2000 數(shù)據(jù)集的攻擊過(guò)程基本吻合,由此可知,本文提出的網(wǎng)絡(luò)安全防護(hù)方法具有合理性。

      4 結(jié)束語(yǔ)

      本文針對(duì)多源安全檢測(cè)設(shè)備產(chǎn)生的誤報(bào)、漏報(bào)進(jìn)而無(wú)法應(yīng)對(duì)變化多樣的網(wǎng)絡(luò)攻擊手段的問(wèn)題,在采用FP-樹(shù)挖掘多步攻擊序列的基礎(chǔ)上,使用DS 方法來(lái)合成單個(gè)主機(jī)的風(fēng)險(xiǎn)值,最后基于每一個(gè)主機(jī)在網(wǎng)絡(luò)中的影響程度來(lái)計(jì)算整個(gè)網(wǎng)絡(luò)安全風(fēng)險(xiǎn)值。實(shí)驗(yàn)表明,本文提出的方法能夠較為準(zhǔn)確地對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行有效的評(píng)估,具有一定的擴(kuò)展性。

      猜你喜歡
      項(xiàng)集結(jié)點(diǎn)態(tài)勢(shì)
      2019年12月與11月相比汽車產(chǎn)銷延續(xù)了增長(zhǎng)態(tài)勢(shì)
      汽車與安全(2020年1期)2020-05-14 13:27:19
      匯市延續(xù)小幅震蕩態(tài)勢(shì)
      我國(guó)天然氣供需呈現(xiàn)緊平衡態(tài)勢(shì)
      Ladyzhenskaya流體力學(xué)方程組的確定模與確定結(jié)點(diǎn)個(gè)數(shù)估計(jì)
      縣鄉(xiāng)一體化探索呈加速態(tài)勢(shì)
      關(guān)聯(lián)規(guī)則中經(jīng)典的Apriori算法研究
      卷宗(2014年5期)2014-07-15 07:47:08
      一種頻繁核心項(xiàng)集的快速挖掘算法
      基于Raspberry PI為結(jié)點(diǎn)的天氣云測(cè)量網(wǎng)絡(luò)實(shí)現(xiàn)
      一種新的改進(jìn)Apriori算法*
      基于DHT全分布式P2P-SIP網(wǎng)絡(luò)電話穩(wěn)定性研究與設(shè)計(jì)
      贵德县| 防城港市| 晴隆县| 丽江市| 靖宇县| 舞钢市| 年辖:市辖区| 吴桥县| 侯马市| 贵南县| 江源县| 桐梓县| 贵溪市| 全州县| 蒙城县| 三江| 民权县| 四子王旗| 衡南县| 兴安盟| 贺州市| 凯里市| 改则县| 淳安县| 苍梧县| 株洲市| 凉山| 独山县| 左云县| 寿光市| 连平县| 旺苍县| 清涧县| 都安| 嘉善县| 五莲县| 南雄市| 丹棱县| 古蔺县| 广宁县| 凤凰县|