IT自動化運維平臺大規模集群信息安全性建模分析

方 芳， 石王陽

（安徽機電職業技術學院互聯網與通信學院，安徽 蕪湖 241000）

隨著互聯網技術的飛速發展，網絡技術在各個領域得到了深入的研究和應用，人們在享受極大便利的同時，也逐漸依賴網絡系統［1-2］。但是，資源共享和網絡信息安全兩者是相互矛盾的，網絡在給人們帶來方便的同時，也帶來了巨大的網絡信息安全風險。相關專家對如何快速、有效地完成信息安全性評估，進行了大量研究。例如，許碩等［3］對行業設定標準精準識別信息系統中的各種要素進行研究，并以此為依據構建層次化結構模型；通過基于D 數理論的層次分析法（D-AHP），對各個評估指標的影響權重進行求解；同時，引入灰色理論求解灰色評價矩陣，在此基礎上完成信息安全性評估。王姣等［4］通過信息安全風險評估的流程和相關要素，構建風險評估指標體系，明確風險影響因子；采用高斯隸屬函數，求解專家對不同影響因素的評價意見，將其劃分為不同的等級；同時，引入基本概率分配相關理論，將多位專家的評估意見進行融合，結合貝葉斯理論獲取風險等級，完成信息安全性評估。上述兩種模型雖然取得較為顯著的研究成果，但是由于未能對評估指標進行預處理，導致評估結果不準確且評估復雜度偏高。為此，構建了一種IT 自動化運維平臺大規模集群信息安全性評估模型，建立了集群信息安全性評估指標體系，搜索訓練樣本數據。優先通過模糊系統對各項評估指標進行預處理后，將其輸入到支持向量機（Support Vector Machine，SVM）中進行訓練學習。通過蟻群算法對SVM 參數進行優化處理，對最優位置的螞蟻在領域內進行局部精細搜索，并分解最優螞蟻的位置，進而獲取SVM最優參數。

1 建立IT 自動化運維平臺大規模集群信息安全性評估體系

由信息安全性評估流程可知，進行安全性評估的第一個步驟是建立IT自動化運維平臺大規模集群信息安全性評估體系。對大規模集群信息安全性進行評估是一個十分復雜的過程，涉及大量不同的內容，考慮的因素范圍也十分廣泛。建立的信息安全性評估體系是否科學合理，關系到能否全面發揮評估的作用和功能，同時還關系到能否利用評估提升大規模集群信息的安全性。

1.1 建立評估體系的原則

評估體系的建立需要遵循以下幾方面的原則。

（1）科學性原則。建立大規模集群信息安全性評估體系，更好地反映信息的安全狀況和本質［5］。

（2）全面性原則。對大規模集群信息安全性進行評估是一種全面的綜合評估，評估指標的選取需要具有代表性。同時，應該從集群信息安全性方面出發，雖然最終確定的評估因素不需要很多，但是在初始選擇的過程中，需要選擇大量的備選因素，使其有選取的余地。

（3）可行性原則。建立的IT 自動化運維平臺大規模集群信息安全性評估體系需要全方位收集資料，全面反映事物的可比性，并使評估程度和相關工作盡量簡化。

（4）可比性原則。為了方便比較，需要將評估因素進行量化處理。

（5）穩定性原則。在建立評估指標的過程中，指標的選取具有規律性，因此，偶然因素無法入選。

1.2 建立評估體系

信息安全的關鍵因素是資產、威脅和脆弱性等3 種［6-7］。按照指標體系建立基本原則，建立以這3 種因素為依據的IT 自動化運維平臺大規模集群信息安全性評估體系如圖1所示。

圖1 IT自動化運維平臺大規模集群信息安全性評估體系

1.2.1 資產方面 資產主要是指對單位具有價值的任何東西，其中支持組織中的信息和系統等均為重要的組織資產。資產的保密性、完整性等對于維持競爭及現金流動而言，制定合理的組織形象是十分必要的。另外，資產的重要程度決定了風險等級。組織的資產越重要，則信息風險等級就越高。一般IT自動化運維平臺資產統計如表1所示。

表1 IT自動化運維平臺資產統計

1.2.2 威脅方面 安全威脅是對機構或者資產形成潛在的威脅或者破壞等事件。無論系統安全性有多高，安全威脅都是客觀存在的，同時也是信息安全性評估的核心因素之一。

在威脅識別的過程中，需要根據資產目前所在的環境及資產前期受到的威脅程度進行判斷分析［8］。一般IT自動化運維平臺形成的威脅如表2所示。

表2 IT自動化運維平臺形成的威脅

1.2.3 脆弱性方面 脆弱性評估也可以被稱為評估，是信息安全性評估中的重要內容。

脆弱性評估是針對各項需要保護的資產，獲取任意一種威脅所能使用的脆弱性［9-10］，同時對脆弱性的嚴重程度進行評估。IT 自動化運維平臺可能存在的脆弱性如表3所示。

表3 IT自動化運維平臺的脆弱性

建立IT自動化運維平臺大規模集群信息安全性評估體系之后，需要確定不同評估指標的權重取值，通過層次分析法聘請相關專家確定不同指標的相對權重值。

樣本數據是在集群信息安全性評估的基礎上獲取的，直接關系到整個評估工程的質量。對于集群信息安全而言，主要通過以下方式進行樣本數據收集：通過已有先驗知識，獲取數據；分析IT自動化運維平臺的運行記錄，獲取數據；根據現場調查，分析IT 自動化運維平臺的影響因素以及風險等級，獲取樣本數據［11］。

樣本數據收集完成后，根據IT 自動化運維平臺的實際運行情況，對數據進行篩選，選取各個風險等級的樣本數據。

2 構建IT 自動化運維平臺大規模集群信息安全性評估模型

優先通過模糊系統對各項評估指標進行預處理，然后將其輸入到SVM 中進行訓練學習。共計有n個學習樣本{xi，yi}，其中xi為樣本輸入；yi為樣本期望輸出，SVM估計函數為

式中：k為約束因子；x為回歸系數。

從SVM建模角度來看，SVM可以預測性能和參數之間存在的聯系。蟻群算法是一種智能仿生算法［14］，具有螞蟻的特性。通過蟻群算法對SVM參數進行優化處理，同時將其應用于IT自動化運維平臺大規模集群信息安全性評估中，達到提升評估結果準確性的目的。具體操作流程如下：

（1）初始化蟻群的位置和信息素。通過SVM參數范圍確定螞蟻i的初始信息素為

式中：ρ為信息素揮發系數。

在上述分析的基礎上，給出具體的IT 自動化運維平臺大規模集群信息安全性評估步驟。

步驟1 采集IT 自動化運維平臺的歷史信息。

步驟2 對歷史信息進行預處理［15］，同時劃分為訓練集和測試集兩個部分。

步驟3 對各個螞蟻的位置進行初始化處理，其中每個位置對應SVM參數。

步驟4 將訓練樣本輸入到SVM 中進行訓練，同時計算SVM 誤差，將其設定為螞蟻個體的適應度取值，通過相關計算公式更新信息素濃度。

步驟5 選取P只螞蟻，通過信息素濃度獲取最優螞蟻所在的坐標位置。

步驟6 全部螞蟻向目標螞蟻移動，同時進行全局搜索。

步驟7 最優螞蟻進行精細的局部搜索。

步驟8 更新蟻群中全部螞蟻的信息素濃度。

步驟9 將最優螞蟻的位置進行分解，進而獲取SVM最優參數。

步驟10 根據最優參數建立IT 自動化運維平臺大規模集群信息安全性評估模型，通過模型完成評估。

3 實驗分析

為驗證所構建的IT自動化運維平臺大規模集群信息安全性評估模型的有效性，實驗選取1 000個樣本作為實驗數據，其中50%為測試樣本，剩余部分為訓練樣本。參數樣本數據如表4所示。

表4 參數樣本數據

用本文模型、文獻［3］模型和文獻［4］模型分別對500個樣本進行實驗，將相對誤差和平均絕對誤差作為衡量評估結果準確性的主要依據，具體的實驗對比結果如表5和表6所示。

分析表5 和表6 中的實驗數據可知，本文模型在實際研究的過程中，采用模糊系統對安全性評估指標進行了預處理，能夠對不同信息安全性特點進行精準描述，全面提升了評估結果的準確性，同時克服了傳統評估模型存在的弊端。

表5 相對誤差

表6 平均絕對誤差

為了進一步驗證本文模型的有效性，實驗測試對比3種評估模型的評估復雜度，具體實驗結果如圖2所示。

圖2 集群信息安全性評估復雜度

分析圖2中的實驗數據可知，本文所構建模型的集群信息安全性評估復雜度明顯更低，證明了該模型進行評估指標預處理的可行性及有效性，為后續的安全防范提供了相關的科學依據。

4 結 語

現階段，IT 安全評估被業界主流所關注，成為目前研究的熱點話題。本文構建了一種IT自動化運維平臺大規模集群信息安全性評估模型。通過實驗對模型的性能進行分析，結果表明：本文所構建模型能夠獲取高準確度的評估結果，同時還能夠有效降低集群信息安全性評估復雜度。