CN107528850A - 一种基于改进蚁群算法的最优防护策略分析系统及方法 - Google Patents
一种基于改进蚁群算法的最优防护策略分析系统及方法 Download PDFInfo
- Publication number
- CN107528850A CN107528850A CN201710790833.6A CN201710790833A CN107528850A CN 107528850 A CN107528850 A CN 107528850A CN 201710790833 A CN201710790833 A CN 201710790833A CN 107528850 A CN107528850 A CN 107528850A
- Authority
- CN
- China
- Prior art keywords
- attack
- probability
- risk
- network
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000002265 prevention Effects 0.000 title abstract 5
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 31
- 239000003016 pheromone Substances 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 claims description 2
- 238000012038 vulnerability analysis Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000035699 permeability Effects 0.000 abstract 2
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于改进蚁群算法的最优防护策略分析系统及方法，包括网络风险评估子系统、攻击路径预测子系统、安全策略管理子系统。1）通过引入贝叶斯概率模型来描述多步原子攻击间的复杂关系，运用贝叶斯信念网络构建攻击图评估网络安全风险；2）通过结合防护成本与收益的量化指标，模拟攻击者的决策过程，预测可能的攻击路径；3）利用能在多项式时间内计算出近似最优解的改进蚁群算法解决攻击路径上的安全策略选择问题。本发明能及时向网络安全管理员提供风险解决方案，解决了网络安全防护中的攻击路径预测和防护策略选择问题，在防护资源有限的条件下能有效防护整网安全。
Description
技术领域
本发明属于计算机网络安全防护领域，具体涉及一种基于改进蚁群算法的最优防护策略分析系统及方法。
背景技术
随着信息技术的发展，虚拟网络世界与现实世界的联系变得越来越紧密。互联网在各行各业都有广泛的应用，越来越多的个人信息被互联网公司甚至恶意人员掌握，安全事件的发生频率和影响力越来越大。在这样的背景下，网络环境的安全问题变得越来越重要。安全事件的本质是网络系统中的硬件、软件甚至是协议在设计与实现的过程中存在缺陷。恶意人员利用这些缺陷发动攻击，获得系统中的权限，从而得到系统中有价值的信息并通过权限提升入侵其他的节点。
目前针对此类安全事件的研究难点在于攻击过程中复杂的多步性，入侵过程的一步攻击可能不会被防火墙或IDS入侵检测系统拦截，当安全人员检测到入侵时，系统的权限可能已经被窃取。由于攻击行为的多步特性，防护人员难以确定攻击者的攻击路径与目标节点，无法进行有效的防护。其次，部署防护策略需要一定的成本，给所有节点部署防护策略的成本无疑是巨大的。因此，如何保护系统的权限不被窃取以及针对多步攻击的入侵检测已成为当前的热点研究问题。
发明内容
为克服上述现有技术的不足，本发明的目的在于提供一种基于改进蚁群算法的最优防护策略分析系统及方法，运用贝叶斯信念网络评估网络安全风险，结合防护成本与收益预测攻击路径，采用改进蚁群算法求解最优防护策略选择问题。本发明方法能有效降低网络安全风险。
为实现上述目的，本发明采用的技术方案是：一种基于改进蚁群算法的最优防护策略分析系统及方法，具体包括网络风险评估子系统、攻击路径预测子系统、安全策略管理子系统。
所述网络风险评估子系统，通过采集网络节点信息、漏洞信息、网络拓扑结构等信息，采用MulVAL工具形成原始攻击图，并运用贝叶斯信念网络分析网络安全风险；
所述攻击路径预测子系统，通过结合防护成本与收益的量化指标，模拟攻击者的决策过程，预测可能的攻击路径。
所述安全策略管理子系统，利用能在多项式时间内计算出近似最优解的改进蚁群算法解决攻击路径上的安全策略选择问题。
所述网络风险评估子系统包括：概率分布计算模块、概率攻击图生成模块、风险评估模块.
所述概率分布计算模块分析攻击行为，通过定义贝叶斯概率攻击图、节点脆弱性评估、Noisy-OR模型，完成网络中各节点被攻陷的概率计算，并生成整网的风险概率分布；
所述概率攻击图生成模块通过多主机多层次漏洞分析工具MulVAL分析网络安全架构、采集节点信息及漏洞信息，并生成原始攻击图，进而结合概率分布计算模块生成基于贝叶斯信念网络的概率攻击图。
所述风险评估模块对生成的概率攻击图进行风险分析，按图中各攻击路径受攻击威胁程度高低、攻击收益高低等因素生成风险评估报告。
所述攻击路径预测子系统包括：概率-收益模型生成模块、攻击路径预测模块、路径风险管理模块。
所述概率-收益模型生成模块通过结合攻击概率和收益计算每次原子攻击对于攻击者的价值，进而得到每条攻击路径的价值。
所述攻击路径预测模块，考虑到现有预测方法仅从概率学的角度去预测会陷入局部最优的困境，也没有将攻击收益等因素纳入预测计算中，因此本模块通过一种基于攻击概率和收益的路径预测算法，真实还原入侵者选择目标节点时的决策过程，完成攻击路径的预测计算。
所述路径风险管理模块，用以分析概率攻击图中的路径风险，并按风险程度对路径进行优先级管理。
所述安全策略管理子系统包括：成本-收益量化评估模块、防护策略管理模块、基于改进蚁群算法的防护策略选择模块。
所述成本-收益量化评估模块，用以分析评估每种防护技术的成本及收益，并完善专家数据库。
所述防护策略管理模块，通过对漏洞防护成本与收益的评估，安全管理员可以合理的分配资源和选择防护手段，从而使资源得到最大化的利用，并对网络安全性有较有效的提升。
所述基于改进蚁群算法的防护策略选择模块，使用一种改进的蚁群算法完成最优防护策略选择计算，得到最优防护策略集进而安全管理员可以有针对性地修复高风险路径的脆弱点。
以及，一种基于改进蚁群算法的最优防护策略分析系统及方法，包括以下步骤：
1)网络风险评估子系统通过概率分布计算模块采集网络节点信息、漏洞信息、网络拓扑结构等信息，分析攻击行为特征，通过获取漏洞利用概率以及网络中所有节点的局部条件概率分布完成网络中节点被攻陷概率的计算，并形成整网的风险概率分布，通过概率攻击图生成模块将MulVAL工具与风险概率分布结合起来建立原始攻击图，用以描述节点间、路径间的因果关系，通过风险评估模块运用贝叶斯信念网络评估当前网络安全风险。
2)攻击路径预测子系统通过概率-收益模型生成模块计算每次原子攻击对于攻击者的价值，进而得到每条攻击路径对于攻击者的价值，通过攻击路径预测模块真实还原入侵者选择目标节点时的决策过程，完成攻击路径的预测计算，通过路径风险管理模块分析概率攻击图中的路径风险，并按风险高低对路径进行优先级管理。
3)安全策略管理子系统通过成本-收益量化评估模块评估每种防护技术的成本及收益，并形成专家数据库，通过防护策略管理模块，评估漏洞防护成本与收益，向安全管理员提供有效的防护方案，从而降低网络安全风险并使资源得到最大化的利用，通过基于改进蚁群算法的防护策略选择模块完成最优防护策略选择计算，让安全管理员可以有针对性地修复高风险路径的脆弱点。
所述概率攻击图包括7种影响因素：属性节点集合S、原子攻击节点集合A、攻击图的有向边集合E、某一节点与其父节点集关系集合ε、条件概率分布T、防护策略集M、防护策略的成本集合C。
所述漏洞利用概率表示入侵者利用离散节点的脆弱性成功完成一次攻击的可能性，计算方式为：
Isc＝6.42×Iscbase (2)
Iscbase＝1-[(1-C)×(1-I)×(1-A)] (3)
Exp＝8.22×AV×AC×PR×UI (4)
其中，P(ei)表示漏洞利用概率，Isc表示基础影响因子，Exp表示漏洞利用因子，C代表隐秘性影响，I代表整体性影响，A代表可用性影响，AV代表攻击完整性，AC代表攻击复杂度，PR代表权限限制，UI代表用户间相互作用。
所述局部条件概率分布(LCPD)表示受祖先节点影响的节点风险程度，在一次原子攻击ai:Si→Sj中，属性节点Sj的条件概率函数定义如下：
(1)dj＝AND时，
(2)dj＝OR时，
一般认为，攻击事件之间是离散的，对于dj＝AND，目标节点被攻陷的概率取决于所有攻击事件，因此：
而对dj＝OR，目标节点被攻陷的条件为至少一个攻击成功，该条件符合Noisy-OR模型，因此：
所述无条件概率表示节点的安全风险，计算公式为：
其中，Pa[Si]表示节点Si的祖先节点集合。给定攻击图，如果存在中间节点Sj，有Pr(Sj|Pa[Sj],mj＝T)<Pr(Sj|Pa[Sj],mj＝F)成立，则说明策略mj减小了节点Sj被攻陷的可能性。
所述基于概率-收益模型的攻击路径预测方法通过结合攻击概率和收益模拟入侵者选择攻击节点时的决策过程。
Va(Si,ei)表示一次原子攻击的价值，公式如下：
Va(Si,ei)＝Pr(Si)×V(ei) (10)
AVa(Si,Sj)表示攻击路径(Si,Sj)对于攻击者的价值，计算公式如下：
(1)当dj＝AND时，
AVa(Si,Sj)＝Va(Si,ei)+Va(Si+1,ei+1)； (11)
(2)当dj＝OR时，
AVa(Si,Sj)＝max{Va(Si,ei),Va(Si+1,ei+1)}。 (12)
所述最优策略选择问题形式化表示为：已知策略集M＝(m1,m2,…,mn)的取值、策略成本ci和防护收益vi，要求在限定策略集总成本C的情况下使得防护收益最大化，即：
其约束条件为：
所述基于改进蚁群算法的防护策略选择模块通过给定的概率攻击图BPAG＝(S,A,E,ε,T,M,C)和限定成本C，求解一个满足上述约束条件的近似最优解。在求解过程中，每种策略被视为一个信息单位，信息素累积在策略上。启发函数为策略单位成本的价值，即η(i)＝vi/ci，由公式(14)计算得到策略mi被k号蚂蚁选中的概率。采用MMAS算法中对信息素的处理方式进行迭代。每次迭代仅对拥有最大价值的蚂蚁所选择的策略进行信息素的修改，其余衰减，迭代过程按公式(15)计算。结果以伯努利分布的形式存于strategy(m,n)数组中，strategy(k,i)＝0表示蚂蚁k没有选择策略mi，strategy(k,i)＝1表示蚂蚁k选择了策略mi。
在公式(14)中，τi(t)表示在t时刻策略mi上的信息素浓度，α反映蚂蚁在搜索路径时的不确定性。β表示蚁群算法运行中的确定性。禁忌表tabu(k)表示蚂蚁已经搜索过的策略集合。在公式(15)中，ρ表示信息素的保留度。当mi属于一次迭代中总价值最大的蚂蚁的策略集时，Δτ(i)＝Q·vi/lmv，lmv是迭代中价值最高的蚂蚁，否则Δτ(i)＝0。Q是介于[0,1]的常量。
τi(t+1)＝ρτi(t)+Δτ(i) (16)
基于改进蚁群算法的防护策略选择算法包括以下步骤：
1)初始化：初始化算法各变量的初值，设定蚁群的总数为m，总的迭代次数为maxGEN，当前迭代次数为GEN，某一策略上的信息素浓度τ(i)＝1。
2)k号蚂蚁(k＝1,2,…,m)随机选择一个策略mi装入策略集，strategy(k,i)＝1，tabu(i)＝1。
3)每只蚂蚁独立地构造一个解：根据公式(15)计算蚂蚁选择某一策略的概率，例如k号蚂蚁根据概率的大小决定下一策略mj是否装入策略集，如果装入策略mj后，当前的总成本小于限定成本C，则将策略mj装入策略集tabu中，令strategy(k,j)＝1，tabu(j)＝1；否则策略mj不装入策略集，令strategy(k,j)＝0，tabu(j)＝1，如此循环，直到k号蚂蚁遍历完全部策略。
4)若全部蚂蚁都遍历完所有的策略并得到各自的解，则执行步骤5，否则执行步骤2)。
5)若不满足终止条件，则找出这一迭代过程中总价值最大的蚂蚁r，按(3)式进行全局信息素的迭代，GEN＝GEN+1。若满足结束条件，则得到最优防护策略集。
本发明技术方案的优点主要体现在：
1)网络风险评估子系统，将网络基本信息、风险概率分布作为MulVAL工具的输入，建立能有效评估网络风险状况的贝叶斯信念网络攻击图；
2)攻击路径预测子系统，结合攻击概率与收益模拟攻击者选择攻击路径的决策过程，提高网络安全评估的准确性并改善了累计概率方法在求解过程中的单一性；
3)安全策略管理子系统，通过一种改进的蚁群算法有效计算防护策略选择问题的解决方案，该算法的时间复杂度为O(n2)，其中n为网络中的节点数量。
附图说明
图1为本发明基于改进蚁群算法的最优防护策略分析系统总体架构图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明，但不限于此。
本发明中涉及图论和贝叶斯信念网络相关知识，对相关内容作出说明：
概率攻击图包括7种影响因素，包括属性节点集合S、原子攻击节点集合A、攻击图的有向边集合E、某一节点与其父节点集关系集合ε、条件概率分布T、防护策略集M、防护策略的成本集合C。
所述概率攻击图是有向无环图，表示为BPAG＝(S,A,E,ε,T,M,C)。
所述属性节点集合S使用伯努利随机变量表示入侵者在入侵过程中所拥有的资源和权限，取值空间为{0,1}。属性节点分为3类，表示为S＝Sinitial∪Smid∪Sgoal，其中Sinitial代表开始入侵时的属性节点，Smid代表被攻击的中间属性节点集合，Sgoal代表目标属性节点。
所述原子攻击节点集合A＝{ai:Spre→Spost|i＝1,2,…,n}，其中ai:Spre→Spost表示一次原子攻击，ai＝1或ai＝0，Spre,Spost∈S且Spre≠Spost。Spre称为一次入侵攻击ai的源属性节点,Spost称为ai的目的属性节点。发生原子攻击意味着节点中有漏洞被利用，该漏洞表示为ei
所述攻击图的有向边集合E，(Si,Sj)∈E表示入侵者从Si入侵Sj的一条有向边。Pa[Sj]是节点Sj的所有父节点，表示为Pa[Sj]＝{Si∈S|(Si,Sj)∈E}；
所述某一节点与其父节点的关系集合ε＝<Sj,dj>,其中Sj∈Smid∪Sgoal，dj∈{AND,OR}，dj是Sj的父节点到达Sj需要满足的条件，例如dj＝AND，要求到达Sj的所有节点状态为真，该攻击才能完成。同理，如果dj＝OR，则要求Sj的父节点状态中不全为假即可完成本次攻击；
所述条件概率分布T反映节点状态的不确定性。对指定的Sj∈Smid∪Sgoal，总存在一个与其父节点相关的条件概率，表示为Pr(Sj|Pa[Sj])；
所述防护策略集M＝{mi|i＝1,…,n}，为了使模型具有普遍性，假设对于任意一种入侵ai，存在对应的修复措施mi，mi＝1或mi＝0，即采用该策略进行防御或不采取措施。
所述防护策略的成本集合C＝{ci|i＝1,…,n}，其中ci表示防护策略mi的实施成本。
参见图1，一种基于改进蚁群算法的最优防护策略分析系统及方法，包括网络风险评估子系统(11)、攻击路径预测子系统(12)、安全策略管理子系统(13)；
所述网络风险评估子系统(11)通过采集网络节点信息、漏洞信息、网络拓扑结构等信息，利用MulVAL工具形成原始攻击图，并运用贝叶斯信念网络分析网络安全风险；
攻击路径预测子系统(12)通过结合防护成本与收益的量化指标，模拟攻击者的决策过程，预测可能的攻击路径。
安全策略管理子系统(13)利用能在多项式时间内计算出近似最优解的改进蚁群算法解决攻击路径上的安全策略选择问题。
所述基于改进蚁群算法的最优防护策略分析系统中各个模块的运行流程步骤如下：
步骤1：网络风险评估子系统(11)
步骤1.1：概率分布计算模块(111)采集网络节点信息、漏洞信息、网络拓扑结构等信息，分析攻击行为特征，该模块通过离散节点的脆弱性表示漏洞利用概率，计算方式如下：
Isc＝6.42×Iscbase (2)
Iscbase＝1-[(1-C)×(1-I)×(1-A)] (3)
Exp＝8.22×AV×AC×PR×UI (4)
其中，P(ei)表示漏洞利用概率，Isc表示基础影响因子，Exp表示漏洞利用因子，C代表隐秘性影响，I代表整体性影响，A代表可用性影响，AV代表攻击完整性，AC代表攻击复杂度，PR代表权限限制，UI代表用户间相互作用。
通过获取漏洞利用概率以及网络中所有节点的局部条件概率分布完成网络中节点被攻陷概率的计算，并形成整网的风险概率分布，
步骤1.2：概率攻击图生成模块(112)将获取到的节点信息与漏洞报告作为MulVAL工具的输入，生成用以描述节点间、路径间的因果关系的原始攻击图。
步骤1.3：风险评估模块(113)将贝叶斯信念网络与原始攻击图结合起来评估当前网络安全风险。其中，通过局部条件概率分布(LCPD)表示受祖先节点影响的节点风险程度，属性节点Sj的条件概率函数定义如下：
(1)dj＝AND时，
(2)dj＝OR时，
一般认为，攻击事件之间是离散的，对于dj＝AND，目标节点被攻陷的概率取决于所有攻击事件，因此：
而对dj＝OR，目标节点被攻陷的条件为至少一个攻击成功，该条件符合Noisy-OR模型，因此：
另外，使用无条件概率表示独立的节点安全风险，计算公式为：
步骤2：攻击路径预测子系统(12)
步骤2.1：概率-收益模型生成模块(121)计算每次原子攻击对于攻击者的价值，进而得到每条攻击路径对于攻击者的价值，其中：
Va(Si,ei)表示一次原子攻击的价值，公式如下：
Va(Si,ei)＝Pr(Si)×V(ei) (10)
AVa(Si,Sj)表示攻击路径(Si,Sj)对于攻击者的价值，计算公式如下：
(1)当dj＝AND时，
AVa(Si,Sj)＝Va(Si,ei)+Va(Si+1,ei+1)； (11)
(2)当dj＝OR时，
AVa(Si,Sj)＝max{Va(Si,ei),Va(Si+1,ei+1)}。 (12)
步骤2.2：攻击路径预测模块(122)通过还原入侵者选择攻击节点时的决策过程，完成攻击路径的预测计算。
步骤2.3：路径风险管理模块(123)分析概率攻击图中的路径风险，并按风险高低对路径进行优先级管理。
步骤3：安全策略管理子系统(13)
步骤3.1：成本-收益量化评估模块(131)评估每种防护技术的成本及收益，并形成专家数据库。本发明将攻击收益分为3类，分别是机密性影响、完整性影响与可用性影响，如下表所示：
表攻击收益分类
防护策略成本为：
防护策略收益为：
步骤3.2：防护策略管理模块(132)在求解最优防护策略问题的蚁群算法中，将每种策略视为一个信息单位，信息素累积在策略上。启发函数为策略单位成本的价值，即η(i)＝vi/ci，由公式(13)计算得到策略mi被k号蚂蚁选中的概率。采用MMAS算法中对信息素的处理方式进行迭代。每次迭代仅对拥有最大价值的蚂蚁所选择的策略进行信息素的修改，其余衰减，迭代过程按公式(14)计算。结果以伯努利分布的形式存于strategy(m,n)数组中，strategy(k,i)＝0表示蚂蚁k没有选择策略mi，strategy(k,i)＝1表示蚂蚁k选择了策略mi。
在公式(13)中，τi(t)表示在t时刻策略mi上的信息素浓度，α反映蚂蚁在搜索路径时的不确定性。β表示蚁群算法运行中的确定性。禁忌表tabu(k)表示蚂蚁已经搜索过的策略集合。在公式(14)中，ρ表示信息素的保留度。当mi属于一次迭代中总价值最大的蚂蚁的策略集时，Δτ(i)＝Q·vi/lmv，lmv是迭代中价值最高的蚂蚁，否则Δτ(i)＝0。Q是介于[0,1]的常量。
τi(t+1)＝ρτi(t)+Δτ(i) (16)
该模块评估漏洞防护成本与收益，向安全管理员提供有效的防护方案，从而降低网络安全风险并使资源得到最大化的利用。
步骤3.3：基于改进蚁群算法的防护策略选择模块(133)中，完成最优防护策略选择求解，执行以下算法步骤，让安全管理员可以有针对性地修复高风险路径的脆弱点。
1)初始化：初始化算法各变量的初值，设定蚁群的总数为m，总的迭代次数为maxGEN，当前迭代次数为GEN，某一策略上的信息素浓度τ(i)＝1。
2)k号蚂蚁(k＝1,2,…,m)随机选择一个策略mi装入策略集，strategy(k,i)＝1，tabu(i)＝1。
3)每只蚂蚁独立地构造一个解：根据公式(15)计算蚂蚁选择某一策略的概率，例如k号蚂蚁根据概率的大小决定下一策略mj是否装入策略集，如果装入策略mj后，当前的总成本小于限定成本C，则将策略mj装入策略集tabu中，令strategy(k,j)＝1，tabu(j)＝1；否则策略mj不装入策略集，令strategy(k,j)＝0，tabu(j)＝1，如此循环，直到k号蚂蚁遍历完全部策略。
4)若全部蚂蚁都遍历完所有的策略并得到各自的解，则执行步骤5)，否则执行步骤2)。
5)若不满足终止条件，则找出这一迭代过程中总价值最大的蚂蚁r，按(3)式进行全局信息素的迭代，GEN＝GEN+1。若满足结束条件，则得到最优防护策略集。
Claims (10)
1.一种基于改进蚁群算法的最优防护策略分析系统，其特征在于，包括网络风险评估子系统(11)、攻击路径预测子系统(12)、安全策略管理子系统(13)；
所述网络风险评估子系统(11)用于通过采集网络节点信息、漏洞信息、网络拓扑结构等信息，利用MulVAL工具生成原始攻击图，并运用贝叶斯信念网络分析网络安全风险；
攻击路径预测子系统(12)用于通过结合防护成本与收益的量化指标，模拟攻击者的决策过程，预测可能的攻击路径；
安全策略管理子系统(13)用于利用能在多项式时间内计算出近似最优解的改进蚁群算法解决攻击路径上的安全策略选择问题。
2.根据权利要求1所述的一种基于改进蚁群算法的最优防护策略分析系统，其特征在于，所述网络风险评估子系统(11)包括：概率分布计算模块(111)、概率攻击图生成模块(112)、风险评估模块(113)；其中，
概率分布计算模块(111)用于分析攻击行为，通过定义贝叶斯概率攻击图、节点脆弱性评估、Noisy-OR模型，完成网络中各节点被攻陷的概率计算，并生成整网的风险概率分布；
概率攻击图生成模块(112)用于通过多主机多层次漏洞分析工具MulVAL分析网络安全架构、采集节点信息及漏洞信息，并生成原始攻击图，进而结合概率分布计算模块(111)生成基于贝叶斯信念网络的概率攻击图；
风险评估模块(113)用于对生成的概率攻击图进行风险分析，按图中各路径受攻击的威胁程度高低、攻击收益高低等因素生成风险评估报告。
3.根据权利要求1所述的一种基于改进蚁群算法的最优防护策略分析系统，其特征在于，所述攻击路径预测子系统(12)包括：概率-收益模型生成模块(121)、攻击路径预测模块(122)、路径风险管理模块(123)；其中，
概率-收益模型生成模块(121)用于通过结合攻击概率和收益计算每一次原子攻击对于攻击者的价值，进而得到每一条攻击路径的价值；
攻击路径预测模块(122)用于通过一种基于攻击概率和收益的路径预测算法，还原入侵者选择目标节点时的决策过程，完成攻击路径的预测计算；
路径风险管理模块(123)用于分析概率攻击图中的路径受攻击威胁风险，并按风险程度对路径进行优先级管理。
4.根据权利要求1所述的一种基于改进蚁群算法的最优防护策略分析系统，其特征在于，所述安全策略管理子系统(13)包括：成本-收益量化评估模块(131)、防护策略管理模块(132)、基于改进蚁群算法的防护策略选择模块(133)；其中，
成本-收益量化评估模块(131)用于分析评估每种防护技术的成本及收益，并完善专家数据库；
防护策略管理模块(132)用于通过对漏洞防护成本与收益的评估，结合安全管理员合理分配资源、选择防护手段，使资源得到最大化的利用，并对网络安全性有较有效的提升；
基于改进蚁群算法的防护策略选择模块(133)用于使用改进的蚁群算法完成最优防护策略选择问题的求解，得到最优防护策略集，帮助安全管理员针对性地修复高风险路径的脆弱节点。
5.一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，包括以下步骤：
1)网络风险评估子系统(11)通过概率分布计算模块(111)采集网络节点信息、漏洞信息、网络拓扑结构等信息，在分析攻击行为特征的同时获取漏洞利用概率以及网络中所有节点的局部条件概率分布并完成网络中节点被攻陷概率的计算，形成整网的风险概率分布；通过概率攻击图生成模块(112)将MulVAL工具与风险概率分布结合起来建立原始攻击图，用以描述节点间、路径间的因果关系；通过风险评估模块(113)运用贝叶斯信念网络评估当前网络安全风险；
2)攻击路径预测子系统(12)通过概率-收益模型生成模块(121)计算每次原子攻击对于攻击者的价值，进而得到每条攻击路径的价值；通过攻击路径预测模块(122)真实还原入侵者选择目标节点时的决策过程，完成攻击路径的预测计算；通过路径风险管理模块(123)分析概率攻击图中的路径风险，并按风险高低对路径进行优先级管理；
3)安全策略管理子系统(13)通过成本-收益量化评估模块(131)评估每种防护技术的成本及收益，并形成专家数据库；通过防护策略管理模块(132)，评估漏洞防护成本与收益，向安全管理员提供有效的防护方案，从而降低网络安全风险并使资源得到最大化的利用；通过基于改进蚁群算法的防护策略选择模块(133)完成最优防护策略选择计算，让安全管理员可以有针对性地修复高风险路径的脆弱点。
6.根据权利要求5所述的一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，所述漏洞利用概率表示入侵者利用离散节点的脆弱性完成一次攻击的可能性，计算方式为：
<mrow>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>s</mi>
<mi>c</mi>
<mo>+</mo>
<mi>E</mi>
<mi>x</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>10</mn>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>,</mo>
<mi>I</mi>
<mi>s</mi>
<mi>c</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
Isc＝6.42×Iscbase (2)
Iscbase＝1-[(1-C)×(1-I)×(1-A)] (3)
Exp＝8.22×AV×AC×PR×UI (4)
其中，Pr(ei)表示漏洞利用概率，Isc表示基础影响因子，Exp表示漏洞利用因子，C代表隐秘性影响，I代表整体性影响，A代表可用性影响，AV代表攻击完整性，AC代表攻击复杂度，PR代表权限限制，UI代表用户间相互作用。
7.根据权利要求5所述的一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，所述局部条件概率分布表示受祖先节点影响下的节点风险程度，在一次原子攻击ai:Si→Sj中，属性节点Sj的条件概率函数定义如下：
(1)dj＝AND时，
(2)dj＝OR时，
对于dj＝AND，目标节点被攻陷的概率取决于所有攻击事件：
<mrow>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi></mi>
<mo>&cap;</mo>
</mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</munder>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
而对dj＝OR，目标节点被攻陷的条件为至少一个攻击成功，该条件符合Noisy-OR模型：
<mrow>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</munder>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
所述无条件概率表示节点的安全风险，计算公式为：
<mrow>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>Pr</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>P</mi>
<mi>a</mi>
<mo>&lsqb;</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Pa[Si]表示节点Si的祖先节点集合。
8.根据权利要求5所述的一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，所述基于概率-收益模型的攻击路径预测方法能真实还原入侵者选择入侵节点时的决策过程，Va(Si,ei)表示一次原子攻击的价值，结合攻击概率和攻击收益，公式如下：
Va(Si,ei)＝Pr(Si)×V(ei) (10)
AVa(Si,Sj)表示攻击路径(Si,Sj)对于攻击者的价值，计算公式如下：
(1)当dj＝AND时，
AVa(Si,Sj)＝Va(Si,ei)+Va(Si+1,ei+1)； (11)
(2)当dj＝OR时，
AVa(Si,Sj)＝max{Va(Si,ei),Va(Si+1,ei+1)} (12)。
9.根据权利要求5所述的一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，所述最优策略选择问题形式化表示为：已知策略集M＝(m1,m2,…,mn)的取值、策略成本ci和防护收益vi，要求在限定策略集总成本C的情况下使得防护收益最大化，即，
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其约束条件为：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mi>C</mi>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
10.根据权利要求5所述的一种基于改进蚁群算法的最优防护策略分析方法，其特征在于，所述基于改进蚁群算法的防护策略选择算法，其步骤包括：
1)初始化：初始化算法各变量的初值，设定蚁群的总数为m，总的迭代次数为maxGEN，当前迭代次数为GEN，某一策略上的信息素浓度τ(i)＝1；
2)k号蚂蚁(k＝1,2,…,m)随机选择一个策略mi装入策略集，strategy(k,i)＝1，tabu(i)＝1；
3)每只蚂蚁独立地构造一个解：根据公式(15)、公式(16)计算蚂蚁选择某一策略的概率：
<mrow>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&tau;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&beta;</mi>
</msup>
</mrow>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&tau;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>s</mi>
<mo>&NotElement;</mo>
<mi>t</mi>
<mi>a</mi>
<mi>b</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>t</mi>
<mi>a</mi>
<mi>b</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
τi(t+1)＝ρτi(t)+Δτ(i) (16)
式中，τi(t)表示在t时刻策略mi上的信息素浓度，α反映蚂蚁在搜索路径时的不确定性，β表示蚁群算法运行中的确定性，禁忌表tabu(k)表示蚂蚁已经搜索过的策略集合，ρ表示信息素的保留度，当mi属于一次迭代中总价值最大的蚂蚁的策略集时，Δτ(i)＝Q·vi/lmv，lmv是迭代中价值最高的蚂蚁，否则Δτ(i)＝0，Q是介于[0,1]的常量；
4)若全部蚂蚁都遍历完所有的策略并得到各自的解，则执行步骤5)，否则执行步骤2)；
5)若不满足终止条件，则找出这一迭代过程中总价值最大的蚂蚁r，按步骤3)进行全局信息素的迭代，GEN＝GEN+1；若满足结束条件，则得到最优防护策略集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710790833.6A CN107528850A (zh) | 2017-09-05 | 2017-09-05 | 一种基于改进蚁群算法的最优防护策略分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710790833.6A CN107528850A (zh) | 2017-09-05 | 2017-09-05 | 一种基于改进蚁群算法的最优防护策略分析系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107528850A true CN107528850A (zh) | 2017-12-29 |
Family
ID=60683553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710790833.6A Pending CN107528850A (zh) | 2017-09-05 | 2017-09-05 | 一种基于改进蚁群算法的最优防护策略分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107528850A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108965035A (zh) * | 2018-09-13 | 2018-12-07 | 南京信息工程大学 | 一种基于攻击增益的攻击路径预测方法 |
| CN109918935A (zh) * | 2019-03-19 | 2019-06-21 | 北京理工大学 | 一种内部泄密威胁防护策略的优化方法 |
| CN110191120A (zh) * | 2019-05-28 | 2019-08-30 | 中国科学院信息工程研究所 | 一种网络系统漏洞风险评估方法及装置 |
| CN110392048A (zh) * | 2019-07-04 | 2019-10-29 | 湖北央中巨石信息技术有限公司 | 基于ce-rbf的网络安全态势感知模型和方法 |
| CN111030837A (zh) * | 2019-10-28 | 2020-04-17 | 哈尔滨安天科技集团股份有限公司 | 一种网络环境现状评估方法、装置、电子设备及存储介质 |
| CN111582714A (zh) * | 2020-05-07 | 2020-08-25 | 南京风数智能科技有限公司 | 网络安全措施的有效性评估方法、装置、设备和存储介质 |
| CN111741025A (zh) * | 2020-08-06 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于数字蚁群的网络安全主动防御方法、存储介质和系统 |
| CN112204553A (zh) * | 2018-05-25 | 2021-01-08 | 三菱电机株式会社 | 安全风险评价装置、安全风险评价方法以及安全风险评价程序 |
| CN112822004A (zh) * | 2021-01-14 | 2021-05-18 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN112904817A (zh) * | 2021-01-19 | 2021-06-04 | 哈尔滨工业大学（威海） | 一种面向智能制造生产线的全局安全检测系统及其工作方法 |
| CN112995176A (zh) * | 2021-02-25 | 2021-06-18 | 国电南瑞科技股份有限公司 | 应用于电力通信网络中的网络攻击可达性计算方法及装置 |
| CN113238579A (zh) * | 2021-05-18 | 2021-08-10 | 西安电子科技大学 | 一种基于Oc-ACO算法的多无人机集群编队避障方法 |
| CN114465758A (zh) * | 2021-12-14 | 2022-05-10 | 哈尔滨理工大学 | 一种基于贝叶斯决策网络的网络态势感知方法 |
| CN114553489A (zh) * | 2022-01-24 | 2022-05-27 | 北京北卡星科技有限公司 | 一种基于多目标优化算法的工业控制系统安全防护方法及装置 |
| WO2022127482A1 (zh) * | 2020-12-18 | 2022-06-23 | 华为技术有限公司 | 一种网络安全防护方法及装置 |
| CN114884694A (zh) * | 2022-04-06 | 2022-08-09 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
| CN114915475A (zh) * | 2022-05-18 | 2022-08-16 | 中国联合网络通信集团有限公司 | 攻击路径的确定方法、装置、设备及存储介质 |
| CN115065491A (zh) * | 2022-03-30 | 2022-09-16 | 成都市以太节点科技有限公司 | 一种功能与信息安全策略综合选择方法、电子设备及存储介质 |
| CN115174263A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 攻击路径动态决策方法与装置 |
| CN116684135A (zh) * | 2023-06-02 | 2023-09-01 | 中国兵器工业信息中心 | 一种基于改进sga的武器装备网络攻击面评估方法 |
| CN116866084A (zh) * | 2023-08-30 | 2023-10-10 | 国网山东省电力公司信息通信公司 | 基于强化学习的入侵响应决策方法及系统 |
| CN117176476A (zh) * | 2023-11-02 | 2023-12-05 | 江苏南通鑫业网络科技有限公司 | 一种基于节点权重的网络安全评估方法及系统 |
| CN117200978A (zh) * | 2023-11-07 | 2023-12-08 | 中国移动紫金(江苏)创新研究院有限公司 | 可监管的区块链资产跨链流通方法及区块链安全测试系统 |
| CN117354052A (zh) * | 2023-12-04 | 2024-01-05 | 北京国双科技有限公司 | 一种基于数据识别的网络入侵防护系统 |
| CN118039163A (zh) * | 2024-04-07 | 2024-05-14 | 北京惠每云科技有限公司 | 基于大模型和蚁群算法的临床风险管理方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8881288B1 (en) * | 2008-10-28 | 2014-11-04 | Intelligent Automation, Inc. | Graphical models for cyber security analysis in enterprise networks |
| CN105162752A (zh) * | 2015-06-17 | 2015-12-16 | 河南理工大学 | 一种网络威胁传播路径预测方法 |
| CN105681338A (zh) * | 2016-03-04 | 2016-06-15 | 西北大学 | 漏洞利用成功概率计算方法及网络安全风险管理方法 |
| CN106341414A (zh) * | 2016-09-30 | 2017-01-18 | 重庆邮电大学 | 一种基于贝叶斯网络的多步攻击安全态势评估方法 |
| CN106453217A (zh) * | 2016-04-13 | 2017-02-22 | 河南理工大学 | 一种基于路径收益计算的网络攻击路径行为的预测方法 |
-
2017
- 2017-09-05 CN CN201710790833.6A patent/CN107528850A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8881288B1 (en) * | 2008-10-28 | 2014-11-04 | Intelligent Automation, Inc. | Graphical models for cyber security analysis in enterprise networks |
| CN105162752A (zh) * | 2015-06-17 | 2015-12-16 | 河南理工大学 | 一种网络威胁传播路径预测方法 |
| CN105681338A (zh) * | 2016-03-04 | 2016-06-15 | 西北大学 | 漏洞利用成功概率计算方法及网络安全风险管理方法 |
| CN106453217A (zh) * | 2016-04-13 | 2017-02-22 | 河南理工大学 | 一种基于路径收益计算的网络攻击路径行为的预测方法 |
| CN106341414A (zh) * | 2016-09-30 | 2017-01-18 | 重庆邮电大学 | 一种基于贝叶斯网络的多步攻击安全态势评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高妮: "网络安全多维动态风险评估关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112204553A (zh) * | 2018-05-25 | 2021-01-08 | 三菱电机株式会社 | 安全风险评价装置、安全风险评价方法以及安全风险评价程序 |
| CN108965035B (zh) * | 2018-09-13 | 2021-06-29 | 南京信息工程大学 | 一种基于攻击增益的攻击路径预测方法 |
| CN108965035A (zh) * | 2018-09-13 | 2018-12-07 | 南京信息工程大学 | 一种基于攻击增益的攻击路径预测方法 |
| CN109918935A (zh) * | 2019-03-19 | 2019-06-21 | 北京理工大学 | 一种内部泄密威胁防护策略的优化方法 |
| CN110191120A (zh) * | 2019-05-28 | 2019-08-30 | 中国科学院信息工程研究所 | 一种网络系统漏洞风险评估方法及装置 |
| CN110191120B (zh) * | 2019-05-28 | 2020-07-07 | 中国科学院信息工程研究所 | 一种网络系统漏洞风险评估方法及装置 |
| CN110392048A (zh) * | 2019-07-04 | 2019-10-29 | 湖北央中巨石信息技术有限公司 | 基于ce-rbf的网络安全态势感知模型和方法 |
| CN111030837A (zh) * | 2019-10-28 | 2020-04-17 | 哈尔滨安天科技集团股份有限公司 | 一种网络环境现状评估方法、装置、电子设备及存储介质 |
| CN111582714A (zh) * | 2020-05-07 | 2020-08-25 | 南京风数智能科技有限公司 | 网络安全措施的有效性评估方法、装置、设备和存储介质 |
| CN111741025A (zh) * | 2020-08-06 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于数字蚁群的网络安全主动防御方法、存储介质和系统 |
| WO2022127482A1 (zh) * | 2020-12-18 | 2022-06-23 | 华为技术有限公司 | 一种网络安全防护方法及装置 |
| CN112822004A (zh) * | 2021-01-14 | 2021-05-18 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN112822004B (zh) * | 2021-01-14 | 2022-12-06 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN112904817B (zh) * | 2021-01-19 | 2022-08-12 | 哈尔滨工业大学（威海） | 一种面向智能制造生产线的全局安全检测系统及其工作方法 |
| CN112904817A (zh) * | 2021-01-19 | 2021-06-04 | 哈尔滨工业大学（威海） | 一种面向智能制造生产线的全局安全检测系统及其工作方法 |
| CN112995176A (zh) * | 2021-02-25 | 2021-06-18 | 国电南瑞科技股份有限公司 | 应用于电力通信网络中的网络攻击可达性计算方法及装置 |
| CN113238579A (zh) * | 2021-05-18 | 2021-08-10 | 西安电子科技大学 | 一种基于Oc-ACO算法的多无人机集群编队避障方法 |
| CN114465758A (zh) * | 2021-12-14 | 2022-05-10 | 哈尔滨理工大学 | 一种基于贝叶斯决策网络的网络态势感知方法 |
| CN114553489A (zh) * | 2022-01-24 | 2022-05-27 | 北京北卡星科技有限公司 | 一种基于多目标优化算法的工业控制系统安全防护方法及装置 |
| CN115065491A (zh) * | 2022-03-30 | 2022-09-16 | 成都市以太节点科技有限公司 | 一种功能与信息安全策略综合选择方法、电子设备及存储介质 |
| CN114884694A (zh) * | 2022-04-06 | 2022-08-09 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
| CN114884694B (zh) * | 2022-04-06 | 2023-05-30 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
| CN114915475B (zh) * | 2022-05-18 | 2023-06-27 | 中国联合网络通信集团有限公司 | 攻击路径的确定方法、装置、设备及存储介质 |
| CN114915475A (zh) * | 2022-05-18 | 2022-08-16 | 中国联合网络通信集团有限公司 | 攻击路径的确定方法、装置、设备及存储介质 |
| CN115174263A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 攻击路径动态决策方法与装置 |
| CN116684135A (zh) * | 2023-06-02 | 2023-09-01 | 中国兵器工业信息中心 | 一种基于改进sga的武器装备网络攻击面评估方法 |
| CN116684135B (zh) * | 2023-06-02 | 2023-12-29 | 中国兵器工业信息中心 | 一种基于改进sga的武器装备网络攻击面评估方法 |
| CN116866084A (zh) * | 2023-08-30 | 2023-10-10 | 国网山东省电力公司信息通信公司 | 基于强化学习的入侵响应决策方法及系统 |
| CN116866084B (zh) * | 2023-08-30 | 2023-11-21 | 国网山东省电力公司信息通信公司 | 基于强化学习的入侵响应决策方法及系统 |
| CN117176476B (zh) * | 2023-11-02 | 2024-01-02 | 江苏南通鑫业网络科技有限公司 | 一种基于节点权重的网络安全评估方法及系统 |
| CN117176476A (zh) * | 2023-11-02 | 2023-12-05 | 江苏南通鑫业网络科技有限公司 | 一种基于节点权重的网络安全评估方法及系统 |
| CN117200978A (zh) * | 2023-11-07 | 2023-12-08 | 中国移动紫金(江苏)创新研究院有限公司 | 可监管的区块链资产跨链流通方法及区块链安全测试系统 |
| CN117200978B (zh) * | 2023-11-07 | 2024-02-13 | 中国移动紫金(江苏)创新研究院有限公司 | 区块链安全测试系统 |
| CN117354052A (zh) * | 2023-12-04 | 2024-01-05 | 北京国双科技有限公司 | 一种基于数据识别的网络入侵防护系统 |
| CN117354052B (zh) * | 2023-12-04 | 2024-03-12 | 北京国双科技有限公司 | 一种基于数据识别的网络入侵防护系统 |
| CN118039163A (zh) * | 2024-04-07 | 2024-05-14 | 北京惠每云科技有限公司 | 基于大模型和蚁群算法的临床风险管理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107528850A (zh) | 一种基于改进蚁群算法的最优防护策略分析系统及方法 | |
| Bilge et al. | Riskteller: Predicting the risk of cyber incidents | |
| Miehling et al. | A POMDP approach to the dynamic defense of large-scale cyber networks | |
| US11347867B2 (en) | Methods and apparatuses to evaluate cyber security risk by establishing a probability of a cyber-attack being successful | |
| Amiri et al. | Mutual information-based feature selection for intrusion detection systems | |
| Sendi et al. | Real time intrusion prediction based on optimized alerts with hidden Markov model | |
| Li | An immunity based network security risk estimation | |
| Shin et al. | Advanced probabilistic approach for network intrusion forecasting and detection | |
| Asif et al. | Network intrusion detection and its strategic importance | |
| Sharma et al. | DFA-AD: a distributed framework architecture for the detection of advanced persistent threats | |
| Rahman et al. | Attacks classification in adaptive intrusion detection using decision tree | |
| Khalaf et al. | An adaptive protection of flooding attacks model for complex network environments | |
| Khosravi et al. | Alerts correlation and causal analysis for APT based cyber attack detection | |
| Hu et al. | Online algorithms for adaptive cyber defense on Bayesian attack graphs | |
| Ioannou et al. | A Markov multi-phase transferable belief model: An application for predicting data exfiltration APTs | |
| Saia et al. | A Probabilistic-driven Ensemble Approach to Perform Event Classification in Intrusion Detection System. | |
| Nafea et al. | Efficient non-linear covert channel detection in TCP data streams | |
| Mallikarjunan et al. | Real time attacker behavior pattern discovery and profiling using fuzzy rules | |
| Mehresh et al. | A deception framework for survivability against next generation cyber attacks | |
| Gill et al. | A systematic review on game-theoretic models and different types of security requirements in cloud environment: challenges and opportunities | |
| Wutyi et al. | Heuristic rules for attack detection charged by NSL KDD dataset | |
| Saini et al. | Modelling intrusion detection system using hidden Markov model: A review | |
| Baklizi et al. | Web Attack Intrusion Detection System Using Machine Learning Techniques. | |
| Albusalih et al. | XSS detection using hybrid machine learning methods | |
| Banadaki et al. | Design of intrusion detection systems on the internet of things infrastructure using machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
| RJ01 | Rejection of invention patent application after publication |