CN111428878A - 一种关于车联网安全事件严重程度的确定方法 - Google Patents

Abstract

本发明属于信息安全相关技术领域，公开了一种关于车联网安全事件严重程度的确定方法，其主旨在于更有效的区分不同事件的严重程度，有助于提高系统对不同安全级别的事件所采用对应方案的响应速度，有助于法律法规对有关相关事件的界定。其主要方案为定义全体评估项集合{I₁，I₂，I₃}；定义各种可能的定性评估结果L的集合为:{L₁无严重性,L₂较小的,L₃大的,L₄严重的,}；每一个L_i(i＝1,2,3,4)建立对应模糊子集l_i；以每一个模糊子集l_i来对每个严重程度评估项进行隶属度判定，得到隶属度矩阵R(d_ki)，对于车联网安全事件严重度的各评估项综合评估结果记为E＝W·R(d_ki)＝(a1,a2,a3…)；对E进行单值化，加权平均数

对Q的值四舍五入后的值作为L的下标，得到对应的ASIL严重度级别。

Description

一种关于车联网安全事件严重程度的确定方法

技术领域

本发明涉及车联网安全、信息安全等技术领域，具体涉及一种关于车联网安全事件严重程度的确定方法

背景技术

汽车的发展越来越步入智能化和互联化的今天，车联网安全问题也越来越受到业界的重视。相对于传统的网络安全防护，车联网有它的独特性，不仅类型错综复杂，而且和车辆安全紧密相关，车联网的安全问题对信息安全和人身财产安全均有重要的影响。

安全事件的定义是指在车联网系统中，所有和信息安全有关的行为和情况。如汽车ADAS故障，车载系统被黑客攻击的入侵等等。目前ISO-26262是关于汽车安全的最新国际标准，其中的ASIL(汽车安全完整性等级)是对汽车的电子电气子系统进行安全评价的标准模型，对车联网安全领域的评价具有较高的参考价值。根据ISO-26262，安全事件的风险危害于安全事件发生后的严重性(S)、发生时的可控性(C)、以及发生的暴露率(E)来共同决定，即f(S,C,E)＝S×(E×C)，因此确定安全事件的严重程度，即严重性S是一个非常重要的课题。

发明内容

本发明的目的在于：对错综复杂的车联网安全事件的提供一种可行的，具备实际操作性的确定严重性的方法。

本发明为解决上述技术问题采用的技术方案如下：

本发明提供了一种关于车联网安全事件的严重程度确定方法，其特征在于，包括下列步骤：

步骤1：根据信息安全的不同维度和车联网安全的特性，从隐私、人身财产安全、影响范围方面将严重程度分类：I₁信息机密性严重性，I₂信息完整性严重性，I₃信息可用性严重性，得到严重程度的全体评估项集合{I₁，I₂，I₃}；

步骤2：L为严重程度的评估项的各种可能的定性评估结果，L的集合应当为:{L₁无严重性,L₂较小的,L₃大的,L₄严重的,}，其中L₂、L₃、L₄对应对ASIL严重度中的S1、S2、S3；

每一个L_i(i＝1,2,3,4)建立对应模糊子集l_i，对于普通集合L_i，元素对应集合的关系为是或否，而模糊子集l_i每个元素对应模糊子集的关系为隶属度，隶属度的区间为[0,1]。

步骤3：以步骤2的每一个模糊子集l_i来对步骤1中的每个严重程度评估项进行隶属度判定，得到隶属度矩阵R(d_ki)，d_ki＝l_i|I_k表示I_k对l_i的隶属度，即第k评估项可以被指定评估结果L_i的程度；

步骤4：确定严重度的各项评估项的模糊权向量W＝(w1,w2,w3)；

步骤5：对于车联网安全事件严重度的各评估项综合评估结果记为E，E的值为模糊权向量与隶属度矩阵R(d_ki)的乘积，即E＝W·R(d_ki)＝(a1,a2,a3…)；

对E＝(a1,a2,a3…)进行单值化，加权平均数

对Q的值四舍五入后的值作为L的下标，得到对应的ASIL严重度级别。

上述技术方案中，所述隶属度矩阵R(d_ki)如下：

其中k≤n,i≤m；

若使用隶属函数确定隶属度，则

其中

代表I_k评估项对L_i评估结果的隶属函数。

上述技术方案中，对l₁到l₄用指派方法建立论域为[0,+∞)的隶属函数如下：

对于信息机密性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息完整性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息可用性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

上述技术方案中，所述模糊权向量确定方法如下：根据CVSS信息安全漏洞评估标准，信息安全评估应当对信息完整性、信息机密性、信息可用性三者在特定问题倾斜，倾斜因子为重要评估项与其他两项的比例0.5：0.25：0.25，模糊权向量的确定公式为W＝(w1,w2,w3),w1＝ConfBias,

w2＝IntegBias,w3＝AvailBias其中，w1,w2,w3中任一一项为0.5，其他2项为0.25。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

一、采用国际标准ISO-26262的标准框架，对ASIL安全等级中的严重度S单独分析，有助于标准和规范的统一。

二、采用模糊综合评价法等成熟的数学工具，将影响安全事件严重性的多种制约因素综合考虑，最后得出整体评价。模糊综合评价法得出的结论具有结果清晰，系统性强的特点，较好地解决严重度模糊的、难以量化的问题。

三、本发明有助于更有效的区分不同事件的严重程度，有助于提高系统对不同安全级别的事件所采用对应方案的响应速度，有助于未来法律法规对有关相关事件的界定。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是ISO-26262标准中的严重程度分类表；

图2三信号灯攻击事件信息安全严重程度评估表；

图3是本发明应用于交通信号灯攻击事件的流程图。

具体实施方式

为了使本发明的目的、技术方案和有点更加清楚，下面结合实施方式和图表，对本发明作进一步地详细描述。

交通信号灯攻击事件

事件内容：2016年奥迪为提高红绿灯效率首先推出智能交通信号灯车联网系统。正常情况下，智能交通系统会监控正在通往路口的汽车，估计车队的通过时间从而动态地切换红灯、绿灯状态以提高交通效率。攻击者通过模拟车辆信号向车联网系统发出它需要很长时间才能加入车队的错误信息，受攻击的智能交通会延长绿灯时间以便让这辆“并不存在的的汽车”通过，从而造成严重的交通阻塞。此次信息安全事件造成至少150辆汽车的严重拥堵，共约约600个网络节点信息遭到污染。

具体实施：参见图1，在步骤101中，根据信息安全的不同维度和车联网安全的特性，从隐私、人身财产安全、影响范围等方面考虑将严重程度分为：I₁信息机密性(隐私)严重性，I₂信息完整性严重性，I₃信息可用性严重性，I₄人身财产影响严重性，I₅信息影响范围严重性。因此严重程度的全体评估项集合为{I₁,I₂,I₃,I₄,I₅,}，进入步骤102。

在步骤102中，假设L为严重性的评估项的各种可能的定性评估结果，根据信息安全国家标准，L的集合应当为:{L₁无严重性,L₂较小的,L₃大的,L₄严重的}。每一个L_i(i＝1,2,3,4)建立一个模糊子集l_i。其中L₂、L₃、L₄对应ASIL严重度中的S1、S2、S3，之后进入步骤103。

在步骤103中，设d_ki＝l_i|I_k表示I_k对l_i的隶属度，即第k评估项可以被指定评估结果L_i的程度，这里采用隶属函数的方法计算隶属度。

对于虚假信息攻击事件，对l₁到l₄用指派方法建立论域为[0,+∞)的隶属函数如下：

对于信息机密性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息完整性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息可用性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

根据上述信息，整理得到表2。其中0表示无隶属关系，1表示完全隶属。因此可得隶属度矩阵

之后进入步骤104。

在步骤104中，根据CVSS信息安全漏洞评估标准，信息安全评估应当对信息完整性、信息机密性、信息可用性三者在特定问题倾斜，倾斜因子为重要评估项与其他两项的比例0.5：0.25：0.25。此次事件车联网调控交通的手段被严重阻碍，因此信息可用性的倾斜因子AvailBias应为0.5，ConfBias、IntegBias为0.25。故模糊权向量的确定公式为W＝(w1,w2,w3),w1＝ConfBias＝0.25，w2＝IntegBias＝0.5，w3＝AvailBias＝0.25。因此所有评估项的权向量为(0.25，0.5，0.25)即W＝(0.25，0.5，0.25)。之后进入步骤110，通过计算

对E进行单值化，若E向量为：(a1,a2,a3…),则单值化后的结果

得到Q＝2.52≈3，Q对应为L的下标，即总的综合评价结果为L₃严重的，对应ASIL严重度级别为S2。

以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (4)

1.一种关于车联网安全事件的严重程度确定方法，其特征在于，包括下列步骤：

步骤1：根据信息安全的不同维度和车联网安全的特性，从隐私、人身财产安全、影响范围方面将严重程度分类：I₁信息机密性严重性，I₂信息完整性严重性，I₃信息可用性严重性，得到严重程度的全体评估项集合{I₁，I₂，I₃}；

步骤2：L为严重程度的评估项的各种可能的定性评估结果，L的集合为:{L₁无严重性,L₂较小的,L₃大的,L₄严重的,}，其中L₂、L₃、L₄对应对ASIL严重度中的S1、S2、S3；

每一个L_i(i＝1,2,3,4)建立对应模糊子集l_i，对于普通集合L_i，元素对应集合的关系为是或否，而模糊子集l_i每个元素对应模糊子集的关系为隶属度，隶属度的区间为[0,1]；

步骤3：以步骤2的每一个模糊子集l_i来对步骤1中的每个严重程度评估项进行隶属度判定，得到隶属度矩阵R(d_ki)，d_ki＝l_i|I_k表示I_k对l_i的隶属度，即第k评估项可以被指定评估结果L_i的程度；

步骤4：确定严重度的各项评估项的模糊权向量W＝(w1,w2,w3)；

步骤5：对于车联网安全事件严重度的各评估项综合评估结果记为E，E的值为模糊权向量与隶属度矩阵R(d_ki)的乘积，即E＝W·R(d_ki)＝(a1,a2,a3…)；

对E＝(a1,a2,a3…)进行单值化，加权平均数

对Q的值四舍五入后的值作为L的下标，得到对应的ASIL严重度级别。

2.根据权利要求1所述的一种关于车联网安全事件的严重程度确定方法，其特征在于：

所述隶属度矩阵R(d_ki)如下：

其中k≤n,i≤m；

若使用隶属函数确定隶属度，则

其中

代表I_k评估项对L_i评估结果的隶属函数。

3.根据权利要求2所述的隶属函数确定方法，其特征在于：对l₁到l₄用指派方法建立论域为[0,+∞)的隶属函数如下：

对于信息机密性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息完整性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

对于信息可用性，x代表根据涉事单位信息可用性遭到破坏的数量，带入隶属函数，信息可用性对于模糊子集的l₁到l₄的属度向量为

4.根据权利要求3所述的一种关于车联网安全事件的严重程度确定方法，其特征在于：所述模糊权向量确定方法如下：根据CVSS信息安全漏洞评估标准，信息安全评估应当对信息完整性、信息机密性、信息可用性三者在特定问题倾斜，倾斜因子为重要评估项与其他两项的比例0.5：0.25：0.25，模糊权向量的确定公式为W＝(w1,w2,w3),w1＝ConfBias,

w2＝IntegBias,w3＝AvailBias其中，w1,w2,w3中任一一项为0.5，其他2项为0.25。

Images