[发明专利]一种基于MLN的网络空间安全态势预测方法及系统

说明书

技术领域

本发明涉及计算机网络技术领域，尤其涉及一种基于MLN的网络空间安全态势预测方法及系统。

背景技术

随着计算机和网络技术的发展，网络的规模和复杂性不断增大。为了应对越来越复杂的网络攻击手段，需要充分考虑各个安全节点之间的关联和动态，从而支持更全面的安全防护。然而，传统的一些安全检测预警技术，例如防火墙技术、入侵检测技术等，仅限于对单一方面的防护，缺乏对网络全局的准确监控。针对这个问题，网络安全态势感知在融合海量安全数据信息的基础上，从宏观全局的角度判断系统的安全状况，并且评估系统的安全变化趋势。网络安全态势感知综合考虑了各种防护措施之间的关联性，对安全威胁行为进行更精确的描述。

网络安全态势感知模型的过程主要表现为三级模型。第一级是网络安全态势要素的获取，Jajodia等和Wang等采集网络的脆弱性信息系统来评估网络的脆弱性态势；Ning等通过采集网络的警报信息来评估网路的威胁性态势；王娟等人提出了一种网络安全指标体系，根据不同层次、不同信息来源、不同需求提炼了4个表征宏观网络性质的二级综合性指标，并拟定了20多个一级指标构建网络安全指标体系，通过网络安全指标体系需要提取的所有网络安全态势要素。第二级是网络安全态势要素的理解和评估，网络安全态势评估主要分析信息之间的关联性，对数据信息进行融合，从宏观角度考虑网络安全的整体性。针对这个问题，主要分成基于逻辑关系的融合方法，基于数学模型的融合方法，基于概率统计的融合方法及基于规则推理的融合方法。警报关联是典型的基于逻辑关系的融合方法。基于数学模型的融合方法需要构造评定函数，而最具代表的评定函数是加权平均。贝叶斯网络、隐马尔科夫模型是最常见的基于概率统计的融合方法，李伟生等根据网络安全态势和安全事件之间的不同的关联性建立态势评估的贝叶斯网络模型，并给出相应的信息传播算法，以安全事件的发生为触发点，根据相应的信息传播算法评估网络的安全态势。目前D-S证据组合方法和模糊逻辑是基于规则推理的融合方法中的常见方法，Rao等利用模糊逻辑与贝叶斯网络相结合的方法，对多源数据信息进行处理，生成宏观态势图。第三级是网络安全态势要素的预测。目前网络安全态势预测主要采用神经网络、时间序列预测和支持向量机等方法。

网络安全设备提供的信息，在一定程度上是包含大量的不确定性信息，而安全态势评估需要利用这些信息进行推理。在现有的技术中，基于逻辑的方法不能很好地解决这种不确定性。另外，基于概率推理的方法需要大量的训练样本，工作量非常大，实践中难以获取，且无法利用领域的背景知识。

发明内容

为了解决上述技术问题，本发明的目的是提供一种能有效提高准确率的一种基于MLN的网络空间安全态势预测方法及系统。

本发明所采取的技术方案是：

一种基于MLN的网络空间安全态势预测方法，包括以下步骤：

采集特定网络空间中的资产信息数据；

对采集得到的资产信息数据进行预处理，并构建训练网络空间安全态势感知模型；

根据网络空间安全姿态感知模型和当前网络空间中的实际数据，对当前的网络空间安全态势进行评估；

根据网络空间的安全态势评估结果，对未来的网络空间安全态势进行预测，得到安全态势预测结果。

作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进，还包括以下步骤：

将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。

作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进，所述的对采集得到的资产信息数据进行预处理，并构建训练网络空间安全态势感知模型，这一步骤具体包括：

根据采集到的资产信息数据，提取对应的谓词和变量；

根据资产信息数据中的异常事件数据和正常数据对应的谓词，构建模型的训练数据集；

将特定网络空间的背景知识转化为对应的一阶逻辑规则；

根据训练数据集和一阶逻辑规则进行权重学习，建立基于MLN的网络空间安全态势感知模型，并将建立得到的网络空间安全态势感知模型存入数据库中。

作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进，所述的根据网络空间安全姿态感知模型和当前网络空间中的实际数据，对当前的网络空间安全态势进行评估，这一步骤具体包括：

采集当前网络空间中的实际数据；

对实际数据提取对应的谓词和变量，得到谓词数据集；

根据谓词数据集和网络空间安全态势感知模型，进行最大后验概率估计，得出安全态势评估结果。