CN110830287B - 一种基于监督学习的物联网环境态势感知方法 - Google Patents

Abstract

一种基于机器学习的物联网环境态势感知方法，包括机器学习和态势感知两部分，物联网分布式网络环境存在的安全问题更加复杂，传统的态势感知方法主要针对集中式的网络，已经不能有效应用在物联网环境中。通过合理提取分布式环境中存在的态势安全要素，使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型，进而对该环境的安全情况做出分析和预测，从而辅助安全人员或用户对该环境下的安全威胁做出及时的响应和排查。

Description

一种基于监督学习的物联网环境态势感知方法

技术领域

本发明属于网络安全相关领域，涉及一种基于监督学习的物联网环境态势感知方法。

背景技术

随着5G的发展，万物互联的世界即将到来，这意味着将会有越来越多的终端设备，同时人们对用户体验更加注重，使得对实时性的要求与日俱增，因此催生了边缘计算的发展。在海量的终端设备和边缘计算应用越来越广泛的双重条件下，“终端-->边缘服务器层-->云层”的三层网络已经越来越常见，相比传统的“终端-->云层”二层网络，边缘层的加入大大降低了带宽和资源的消耗，成本也越来越低，同时也满足了实时性，甚至可以实现离线处理，这给的生活带来了更多可能，如无人驾驶，然而网络环境更加复杂也意味着检测网络威胁变得更加困难。2016年消费者权益日晚会上，就专场对智能设备的安全漏洞进行了现场曝光。首先曝光的智能设备是无人机，黑客在直播中就劫持了用户正在进行操作的无人机，使其失去控制。除此之外，黑客演示了如何通过靠近家用WIFI网络入侵，从而对家庭中正在使用的智能设备进行控制。智能家电、智能微波炉可由黑客控制自动打开，智能插座也被远程打开，并且可以通过入侵控制智能摄像头，并获取其画面，甚至特斯拉也未能幸免。根据惠普安全研究院对10个最流行的智能设备做过安全测试之后，发现以下五大安全隐患在几乎所有智能设备上都有出现：80%的IOT设备存在隐私泄露或滥用风险；80%的IOT设备允许使用弱密码；70%的IOT设备与互联网或局域网的通讯没有加密；60%的IOT设备的web界面存在安全漏洞；60%的IOT设备下载软件更新时没有使用加密；以上仅仅是终端设备本身存在的问题，如此多的终端设备如果被黑客控制对边缘服务器甚至是云发动DDoS攻击，那么云可能瞬间瘫痪。传统的态势感知仅仅只是用来针对集中式的环境，比如某一个服务器，并没有考虑分布式环境下的问题，纵使是之前的DDoS攻击也都是使用PC作为肉鸡，PC本身的安全性还是优于物联网终端的安全性，因此新环境下的攻击相比之前变得更加简单了，所以研究针对新环境下的态势感知系统已经刻不容缓。机器学习方法是现在比较热门的方法，有监督学习、无监督学习甚至于神经网络方法，但是如何将其与态势感知相结合也是一个需要深思的问题。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种基于监督学习的物联网环境态势感知方法，首先合理提取物联网环境中存在的态势安全要素，接着使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型，进而使用模型对该环境的安全情况做出分析和预测，辅助安全人员或用户对该环境下的安全威胁做出及时的响应和排查。

为了实现上述目的，本发明采用的技术方案是：

一种基于机器学习的物联网环境态势感知方法，其特征在于，合理提取物联网环境中存在的态势安全要素，使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型，进而对该环境的安全情况做出分析和预测，包括以下步骤：

步骤1，合理提取物联网环境中的态势安全要素。

1）所述的物联网环境包含“终端设备-->边缘服务器层-->云中心”三层环境，为了保证整体环境的安全性，需要从这三个部分分别提取能够影响安全性的态势要素；

2）所述的终端设备层主要是从设备本身的安全性考虑，可提取的态势要素有：设备存储问题（设备存储不包含加密或者加密过于简单，使得攻击者能够轻易获取口令信息）、设备的Web接口问题（物联网仍然沿用互联网技术，所以Web安全漏洞成为了安全隐患之一）、设备的固件安全问题（固件是物联网终端产品的全部，可以被视为在产品设备上运行的实际代码）、终端的网络服务问题（网络服务未加密，则将使攻击者轻易地完成窃听和篡改操作）、终端更新机制（更新过程是否加密，是否需要签名）；

3）所述的边缘服务器层是云中心和终端层的中转站，终端不需要直接与云层进行交互，大大降低了资源消耗和带宽，与此同时边缘服务器层也拥有一定的数据处理和计算能力，同时又具有实时响应和离线处理功能，因此在分布式环境中边缘服务器层显得尤其重要；云层是最高层，负责边缘层处理不了的计算任务，拥有最高级的数据处理和计算能力，边缘层和云层都属于服务器层，所以综合考虑。可提取的态势要素有：防火墙、运行状态、数据备份、是否存在漏洞、身份认证功能、网络威胁、系统日志等；

步骤2，使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型。

1）确定模型的输入和输出。输入为态势要素的值，可能是布尔型也可能是数值型，输出则是当前环境的安全等级，按照危险级别从低到高将安全状态分为4个等级：等级1，安全级别：指整个环境没有受到或者受到轻微的网络安全威胁，整网运行一切正常；等级2，轻度危险级别：病毒、攻击等网络威胁具有一定活跃性，网络出现故障可能性较高，整网运行受到影响；等级3：中度危险，网络攻击、病毒等活动不断增强，甚至引起网络服务中断或者危及到网络关键基础设施，整网运行受到严重破坏；等级4：网络发生大规模病毒或攻击行为，恶意代码活跃程度达到最高，出现大量高级别的网络安全事件，网络运行收到更为严重破坏，整网几乎瘫痪。

2）态势要素值的定义和确定。对这三个层均使用四个阶段：0~0.2、0.2~0.5、0.5~0.8、0.8~1来判断安全性，1代表安全，0代表非常危险，中间则是介于二者之间，不同阶段代表危险程度不同；针对边缘层和云层，现有的检测服务器安全的方法相当多并且完善，采取现有的方法进行判断；针对终端设备层，根据以上提及的态势要素，使用基于遗传算法的BP神经网络不断对权重进行优化，最终得到终端设备层的安全状态，由此已经得到了三个层的安全状态范围；

3）使用监督学习的方法，使用三个层的安全状态值得到整个网络的安全状态值，如果三个层都是安全的，则认为是安全的，其中终端层由于只涉及终端，对整个网络影响较小，所以可以设置较小的权重，最终对三层的权重划分为：终端层0.2、边缘层0.4、云层0.4，通过权重比例得到整个网络环境的安全状态。

本发明的有益效果是：

1）针对新型网络结构提出的态势感知方法可以有效的对该环境中的安全状况进行实时监测；

2）使用基于遗传的BP神经网络重点对终端层进行了安全状况的判断，相比单一的BP神经网络或者是机器学习方法，其结果更加精确；

3）将新型网络分为三部分，对每个部分都使用机器学习的方法进行判断，最后再使用监督学习对三部分进行整合得到整个物联网环境的安全状况级别，使得在明确整个环境是否安全的同时也能够了解每个部分的安全情况，从而对解决安全威胁提供了帮助。

附图说明

图1是本发明的数据流图。

图2是本发明的基本架构图。

具体实施方式

以下结合附图对本发明进一步叙述。

如图1、2所示，一种基于机器学习的物联网环境态势感知方法，其特征在于，合理提取物联网环境中存在的态势安全要素，使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型，进而对该环境的安全情况做出分析和预测，包括以下步骤：

步骤1，合理提取物联网环境中的态势安全要素。

1）所述的物联网环境包含“终端设备-->边缘服务器层-->云中心”三层环境，为了保证整体环境的安全性，需要从这三个部分分别提取能够影响安全性的态势要素；

2）所述的终端设备层主要是从设备本身的安全性考虑，可提取的态势要素有：设备存储问题（设备存储不包含加密或者加密过于简单，使得攻击者能够轻易获取口令信息）、设备的Web接口问题（物联网仍然沿用互联网技术，所以Web安全漏洞成为了安全隐患之一）、设备的固件安全问题（固件是物联网终端产品的全部，可以被视为在产品设备上运行的实际代码）、终端的网络服务问题（网络服务未加密，则将使攻击者轻易地完成窃听和篡改操作）、终端更新机制（更新过程是否加密，是否需要签名）；

3）所述的边缘服务器层是云中心和终端层的中转站，终端不需要直接与云层进行交互，大大降低了资源消耗和带宽，与此同时边缘服务器层也拥有一定的数据处理和计算能力，同时又具有实时响应和离线处理功能，因此在分布式环境中边缘服务器层显得尤其重要；云层是最高层，负责边缘层处理不了的计算任务，拥有最高级的数据处理和计算能力，边缘层和云层都属于服务器层，所以综合考虑。可提取的态势要素有：防火墙、运行状态、数据备份、是否存在漏洞、身份认证功能、网络威胁、系统日志等；

步骤2，使用机器学习的方法对提取出的态势要素进行建模，构造物联网环境网络安全态势评估模型。

1）确定模型的输入和输出。输入为态势要素的值，可能是布尔型也可能是数值型，输出则是当前环境的安全等级，按照危险级别从低到高将安全状态分为4个等级：等级1，安全级别：指整个环境没有受到或者受到轻微的网络安全威胁，整网运行一切正常；等级2，轻度危险级别：病毒、攻击等网络威胁具有一定活跃性，网络出现故障可能性较高，整网运行受到影响；等级3：中度危险，网络攻击、病毒等活动不断增强，甚至引起网络服务中断或者危及到网络关键基础设施，整网运行受到严重破坏；等级4：网络发生大规模病毒或攻击行为，恶意代码活跃程度达到最高，出现大量高级别的网络安全事件，网络运行收到更为严重破坏，整网几乎瘫痪。

2）态势要素值的定义和确定。对这三个层均使用四个阶段：0~0.2、0.2~0.5、0.5~0.8、0.8~1来判断安全性，1代表安全，0代表非常危险，中间则是介于二者之间，不同阶段代表危险程度不同；针对边缘层和云层，现有的检测服务器安全的方法相当多并且完善，采取现有的方法进行判断；针对终端设备层，根据以上提及的态势要素，使用基于遗传算法的BP神经网络不断对权重进行优化，最终得到终端设备层的安全状态，由此已经得到了三个层的安全状态范围；

2）使用监督学习的方法，使用三个层的安全状态值得到整个网络的安全状态值，如果三个层都是安全的，则认为是安全的，其中终端层由于只涉及终端，对整个网络影响较小，所以可以设置较小的权重，最终对三层的权重划分为：终端层0.2、边缘层0.4、云层0.4，通过权重比例得到整个网络环境的安全状态。

通过上述方法可以得到各个子部分的安全状态，也可以了解整个物联网环境的安全状态，即使存在有安全问题，也可以第一时间找到安全隐患存在的区域，从而再进行具体的排查，这大大节省了时间，有助于安全人员的工作。

Claims (1)

1.一种基于机器学习的物联网环境态势感知方法，其特征在于，合理提取物联网环境中存在的态势安全要素，使用机器学习的方法对提取出的态势安全要素进行建模，构造物联网环境网络安全态势评估模型，进而对该环境的安全情况做出分析和预测，包括以下步骤：

步骤1:合理提取物联网环境中的态势安全要素;

1）所述的物联网环境包含“终端设备层-->边缘服务器层-->云中心”三层环境，为了保证整体环境的安全性，需要从这三个部分分别提取能够影响安全性的态势安全要素；

2）所述的终端设备层主要是从设备本身的安全性考虑，可提取的态势安全要素有：设备存储问题，设备存储问题不包含加密或者加密过于简单，使得攻击者能够轻易获取口令信息；设备的Web接口问题，物联网仍然沿用互联网技术，所以Web安全漏洞成为了安全隐患之一；设备的固件安全问题，固件是物联网终端产品的全部，可以被视为在产品设备上运行的实际代码；设备的网络服务问题，网络服务未加密，则将使攻击者轻易地完成窃听和篡改操作；终端更新机制，更新过程是否加密，是否需要签名；

3）所述的边缘服务器层是云中心和终端设备层的中转站，设备不需要直接与云中心进行交互，大大降低了资源消耗和带宽，与此同时边缘服务器层也拥有一定的数据处理和计算能力，同时又具有实时响应和离线处理功能，因此在分布式环境中边缘服务器层显得尤其重要；云中心是最高层，负责边缘服务器层处理不了的计算任务，拥有最高级的数据处理和计算能力，边缘服务器层和云中心都属于服务器层，所以综合考虑，可提取的态势安全要素有：防火墙、运行状态、数据备份、是否存在漏洞、身份认证功能、网络威胁、系统日志；

步骤2，使用机器学习的方法对提取出的态势安全要素进行建模，构造物联网环境网络安全态势评估模型：

1）确定模型的输入和输出，输入为态势安全要素的值，可能是布尔型也可能是数值型，输出则是当前环境的安全等级，按照危险级别从低到高将安全状态分为4个等级：等级1，安全级别：指整个环境没有受到或者受到轻微的网络安全威胁，整网运行一切正常；等级2，轻度危险级别：病毒、攻击等网络威胁具有一定活跃性，网络出现故障可能性较高，整网运行受到影响；等级3：中度危险，网络攻击、病毒等活动不断增强，甚至引起网络服务中断或者危及到网络关键基础设施，整网运行受到严重破坏；等级4：网络发生大规模病毒或攻击行为，恶意代码活跃程度达到最高，出现大量高级别的网络安全事件，网络运行收到更为严重破坏，整网几乎瘫痪；

2）态势安全要素值的定义和确定，对这三个层均使用四个阶段：0~0.2、0.2~0.5、0.5~0.8、0.8~1来判断安全性，1代表安全，0代表非常危险，中间则是介于二者之间，不同阶段代表危险程度不同；针对边缘服务器层和云中心，现有的检测服务器安全的方法相当多并且完善，采取现有的方法进行判断；针对终端设备层，根据以上提及的态势安全要素，使用基于遗传算法的BP神经网络算法不断对权重进行优化，最终得到终端设备层的安全状态，由此已经得到了三个层的安全状态范围；

使用监督学习的方法，使用三个层的安全状态值得到整个网络的安全状态值，如果三个层都是安全的，则认为是安全的，其中终端设备层由于只涉及终端，对整个网络影响较小，所以可以设置较小的权重，最终对三层的权重划分为：终端设备层0.2、边缘服务器层0.4、云中心0.4，通过权重比例得到整个网络环境的安全状态。

Images