直觉模糊集网络安全态势预测方法范文

本站小编为你精心准备了直觉模糊集网络安全态势预测方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：传统方法预测的网络安全态势值，与实际值存在偏差，为此提出基于直觉模糊集的网络安全态势预测方法。集成各种安全设备上报的事件，解析态势预测需要的信息数据，以及各事件的类型、地址等关联数据，计算事件风险值、脆弱指数、主机管控能力和安全设备运行指数，作为预测参数，通过直觉模糊集，对参数进行直觉模糊分割，定义参数权重，计算网络安全态势预测值。进行对比实验，结果表明，此次方法相比传统方法，在保证预测效率的同时，有效降低了预测态势值的相对误差，预测的网络安全态势更为准确，同时提高了攻击类型检测率，确保攻击类型的分类精度。

关键词：直觉模糊集；网络安全；态势预测；风险值

国内安全态势预测研究取得较大发展，统计过去和当前的攻击信息，将态势分析技术应用到网络安全领域中，对网络攻击和失效进行度量，并通过直觉模糊集，构建网络漏洞监测模型，得到网络安全性的预测参数[1]。在特定网络攻击下，对整个网络的安全属性进行计算，全面掌握网络安全状况预测各种威胁的发展趋势[2]。提出基于直觉模糊集的网络安全态势预测方法，对网络的运行状况进行动态监控，深入分析并预测未来时刻的网络安全动态。

1基于直觉模糊集的网络安全态势预测方法设计

1.1采集网络安全事件的数据信息

采集网络安全数据信息，归一化处理后，进行关联分析。将事件的具体信息写入不同标签中，设置事件反应时间，为上报到产生警告的时间，上报格式为xml格式，产生速度为1.5秒一条事件[3]。解析态势预测需要的内容信息，并对其进行归一化处理，提取各个字段和属性。采用基于规则的关联技术，层次化规则匹配安全事件与解析的规则，若多条报警满足规则场景的多有层次，则调用该安全事件的信息数据，用于攻防场景的描述和分析。将安全规则库作为关联分析的核心，根据已知攻击的攻击顺序进行定义，通过预定义的规则库，关联分析不同类型、层次和地址的安全事件。至此完成网络安全事件数据信息的采集。

1.2计算网络安全事件的风险值

根据采集的信息数据，计算每个安全事件的风险值。对所有关联规则和事件进行匹配，提取风险值的计算参数，包括资产值、优先级、可靠性。其中资产值表示网络部署设备的重要程度，划分1~5个等级如下：非常重要，设备破坏后会造成非常严重的损失；重要，破坏后造成比较严重的损失；比较重要，破坏后造成中等程度的损失；比较不重要，破坏后造成较低损失；不重要，破坏后损失很小或可以忽略[4]。优先级表示安全事件发生后，网络受攻击的严重程度，划分1~5个等级如下：非常严重，对网络安全造成很大影响；非常严重，对网络安全造成较大影响；比较严重，对网络安全造成中等程度的影响；比较不严重，对网络安全造成较小影响；不严重，对网络安全影响很小或可以忽略。可靠性表示安全事件的真实程度，使用关联规则里的可靠性值，为每条事件分配默认的可靠性值，定义可靠性范围为0~10，其中10表示一定会发生，事件发生频率依次递减，0表示一定不会发生。通过公式（1），得到0~10之间的风险值，当ri为0时，丢弃该安全事件，当ri≥1时，则产生网络安全告警。至此完成网络安全事件风险值的计算。

1.3基于直觉模糊集计算网络安全态势预测值

接收到安全告警信息后，对设备上报事件进行分类，结合直觉模糊集，计算网络安全态势的预测值。首先将安全事件分为4类，包括设备状态事件、攻击事件、主机操作事件和漏洞事件，将态势预测参数分为4部分，包括风险值、脆弱指数、主机管控能力和安全设备运行指数。其中脆弱指数表示网络设备存在漏洞的情况，漏洞越多越易受到攻击，定义初始脆弱值为0，脆弱值范围为0~100；主机管控能力表示网络主机是否存在违规操作，数值越大表示管控能力越强，定义该参数初始值为0，范围为0~100；运行指数表示设备正常运行的情况，定义参数初始值为0，范围为0~100。输入参数变量，构成模糊输入空间，使每个参数对应一组模糊语言，对应一个具有相同论域的模糊集合，对4个参数进行直觉模糊分割，使模糊分割数达到最大，提高参数的模糊推理精细化程度。

2实验论证分析

进行对比实验，将基于直觉模糊集的网络安全态势预测方法记为实验组，传统网络安全态势预测方法，记为对照组，比较两种方法对网络安全态势预测的偏差。

2.1实验准备

搭建实验环境，采用B/S模式，服务器管理选择EnterpriseLinux5，服务器操作选择Oracle11g，后台服务程序为C/C++编程，数据库开发工作分别PL/SQL和OTL，双核53101.6GHz处理器、142GB/SAS磁盘空间、4900条事件/min事件实时处理能力、平均无故障时间>9000h、支持安全设备种类>25种等。数据集的攻击场景分别为LLDOS3.0和LLDOS1.1，利用INFERD自动化工具，对告警信息进行分析，得出实验用的攻击序列集，攻击序列的发生概率为0.50，对网络主机进行访问，在不同时刻扫描主机，进行缓冲区溢出攻击和TCP-SYN攻击等，两组实验分别对网络安全态势进行预测。

2.2实验结果

通过CVE公共数据，得出网络脆弱性的发现时间，并将起始的防护策略集假设为空，把攻击场景划分为20个时段，两组实验根据前10个时段的安全态势要素集，对后10个时段的安全态势进行预测。统计单位时间内节点受到的攻击，得到网络安全态势的实际值，记录各时段的安全态势预测值，多次实验取平均值。由上表可知，实验组平均相对误差为2.77%，对照组平均相对误差为10.26%，相比对照组，实验组平均相对误差减少了7.49%。在第一组实验的基础上，统计两组实验的预测时间，进行多次实验取平均值。由上表可知，实验组平均预测时间为20.54s，对照组平均预测时间为31.75s，相比对照组，实验组平均预测时间缩短了11.21s。最后两组实验对攻击序列集的攻击类型进行检测，计算攻击类型的检测率，进行多组实验取平均值。实验组平均检测率为96.26%，对照组平均检测率为88.76%，相比对照组，实验组平均检测率提高了7.50%。综上所述，此次设计方法相比传统方法，在保证预测效率的同时，有效降低了预测态势值的相对误差，预测的网络安全态势更加准确，同时提高了攻击类型的检测率，保证了攻击类型的分类精度。

3结束语

此次设计方法充分发挥出了直觉模糊集的技术优势，使网络安全态势的预测值与实际值更加贴近，但此次研究仍存在一定不足，仅针对主机和网络数据的安全把控，在今后的研究中，会将网络设备的安全事件考虑在内，扩大设计方法的适用范围。

参考文献：

[1]张然,刘敏,张启坤,等.一种基于SA-SOA-BP神经网络的网络安全态势预测算法[J].小型微型计算机系统,2020,41(10):2157-2163.

[2]陈锴.基于多源异构传感器的网络安全态势感知系统设计[J].现代电子技术,2020,43(20):74-78.

[3]张泽,樊江伟,周南.基于MEA-LVQ的网络态势预测模型[J].信息安全研究,2020,6(6):499-505.

[4]肖喜生,龙春,彭凯飞,等.基于人工智能的安全态势预测技术研究综述[J].信息安全研究,2020,6(6):506-513.

作者:王晓菲 张瑞 单位:周口职业技术学院信息化管理中心 周口职业技术学院信息工程学院