基于貝葉斯算法的網絡安全風險評估研究

張 偉

（青島市技師學院 山東 青島 266229）

0 引言

隨著計算機網絡技術的迅速發展，網絡系統已經普遍運用于金融、工業、航天等諸多領域，人們依賴于網絡系統互通共享各類信息資源。近年來，各行業出現各類網絡系統被惡意攻擊的事件，造成了巨大的經濟損失和不良的社會影響，因此，網絡安全問題變得越來越重要，引起了社會各界的高度關注。在當今復雜的計算機網絡系統中，網絡安全風險管理可以有效地減少安全事故的發生，能夠降低危害程度和縮小危害范圍，最大限度地減少或消除網絡系統中的潛在風險。網絡安全風險管理主要有風險評估、風險解決和風險監控等過程，其中，風險評估是研究網絡系統安全問題的基礎，通過識別和評估網絡安全風險，提出對應的解決策略降低風險發生的概率[1-2]。

目前用于識別和評估網絡安全風險的方法主要有攻擊圖、粗糙集理論、隱馬爾科夫、信息熵、層次分析和神經網絡等。如Tavana等[3]針對金融領域流動性風險對銀行造成的威脅，利用人工神經網絡精確度識別和評估復雜的流動性風險，通過智能系統測試表明該方法能夠有效地識別和評估金融流動性風險；Herland等[4]利用貝葉斯網絡模型評估智能手機的信息安全風險和后果，研究結果表明，將近50%的用戶通過智能手機與他人共享的信息，提示用戶需要提高智能手機用戶的安全意識。王增光等[5]提出了基于貝葉斯攻擊圖的網絡安全風險評估方法，實現了對目標網絡的動態風險評估，為實施網絡安全防護策略提供依據；王純子等[6]提出了基于粗糙集和D-S證據理論的云網絡風險評估方法，通過量化網絡攻擊行為對虛擬機層和物理機層的影響，實現了云網絡風險評估；王庭均等[7]采用模糊層次分析方法對電力通信系統網絡安全進行了安全評估，實現了定量與定性相結合的指標權重確定方法，提高電力通信網絡的安全風險評估準確性。

雖然這些技術有助于識別和評估安全風險，在一定程度上量化了網絡風險，但在分析過程中只關注單一的風險，存在一定的局限性，如不能夠提供風險被利用的概率信息，不提供風險的級別，很難評估多步攻擊對網絡系統安全造成的風險。貝葉斯網絡結合了概率論、圖論和統計學等多個學科的原理方法，可以表示各類安全風險之間因果關系和定量化的描述評估過程，能夠反映安全評估的連續性和累積性[8-10]。Hudson等[11]首次在2001年恐怖主義威脅的風險評估分析中使用貝葉斯網絡模型，后來，貝葉斯網絡被廣泛用于各種領域的風險管理，如銀行、核電站、建筑火災、地震和其他自然災害等[12-13]。

因此，本文從資產指標、威脅性指標和脆弱性指標3個方面選取了風險評估指標因子，構建風險評估指標體系。基于貝葉斯算法進行網絡安全風險評估研究，對網絡安全策略及其特征進行建模，有效地處理不確定性因素，對風險等級進行量化表示，實現了網絡風險安全管理的目標，對網絡風險管理具有重要的現實意義。

1 貝葉斯算法原理

貝葉斯算法（BA）可以對不確定的知識類別進行預測，依據特定的數據集計算概率，利用計算得出的概率值分類不同的數據集，在大數據計算、信息處理、圖像識別等領域應用廣泛。計算原理見公式（1）。

式中，P(A)、P(B)分別表示事件A和B發生的概率；P(A/B)表示事件A的后驗概率，P(B/A)表示事件B的后驗概率。

貝葉斯網絡（BN）是通過概率學與有向無環圖相結合的方式來表示變量之間概率關系，主要由節點、弧線和概率組成，通過學習后驗概率與先驗概率之間關系解決各類問題。本文采用貝葉斯網絡作為網絡安全風險評估分析方法，主要是因為貝葉斯網絡模型能夠有效地整合原始數據和專家意見，通過簡單的格式可視化變量之間因果關系，適合簡單的專家咨詢方法，并且對于不完全信息具有很好的魯棒性。

設X={X1,X2,X3…Xn}代表相互獨立的網絡事件的變量集合，每一個事件對應的發生概率表示為P(Xi)，這些變量事件節點Xi組合成為一個貝葉斯網絡S，每個事件節點之間用一條弧線表示條件概率關系，見圖1[14]。

圖1中每一個節點代表一個網絡安全事件Xi，根據條件概率表可得貝葉斯網絡的表達式，見公式（2）。

2 建立風險評估模型

2.1 選取風險評估指標因子

網絡安全風險的發生是受多種因素綜合作用而產生的，不同應用領域的環境條件差異性會導致風險發生的影響因素有所不同。因此，在網絡安全風險評估研究中，評估指標因子的選取是非常重要的，選取指標因子應具有代表性、獨立性、可操作性和繼承性[15]。

根據指標因子選取的原則和網絡風險的形成機理，參考近年來國內外學者在網絡安全風險評估研究中最常使用的指標因子，并考慮指標因子數據的可量化、可獲取性，本研究從資產指標、威脅性指標和脆弱性指標3個方面，選取了實體信息、電子數據、資產遺失、非法訪問、技術漏洞、人為誤差、軟件安全、硬件安全和管理安全9項指標因子，各類指標因子的狀態收集見表1。

表1 風險評估指標因子狀態

2.2 數據模糊化處理

網絡信息系統結構復雜，每個指標因子之間關系復雜，獲取的指標因子數據具有一定的模糊性，如果將初始數據直接用于模型分析，會降低模型計算的精確度，影響最終的評估結果。因此，本文采用模糊綜合評價理論對指標因子進行處理，處理主要步驟如下所示。

（1）分析選取的評估指標因子，構建對應的評判因素集。

（2）采用專家咨詢的方式構建指標評價集合。

（3）通過風險評估小組對評價因素集中的每一個因素進行描述，構建評估指標的隸屬度矩陣。

（4）計算指標因子權重值，利用模糊變換計算風險評估值。

2.3 建立貝葉斯網絡模型

搭建一個優化的網絡結構模型是計算網絡安全風險等級的關鍵。本文依據選取的9項評估指標因子與安全風險程度的關系建立的貝葉斯網絡模型，見圖2。

3 風險評估案例分析

3.1 原始數據采集

本文基于GeNIe軟件進行仿真模擬實驗，首先對實體信息、電子數據、資產遺失、非法訪問、技術漏洞、人為誤差、軟件安全、硬件安全和管理安全9個網絡節點信息進行獨立觀測，得到的觀測值見表2。

表2 評估指標因子的觀測值

3.2 仿真結果

利用GeNIe軟件對每一時段的網絡風險進行貝葉斯模型網絡模型推理，結果見表3，風險數據趨勢圖見圖3。

表3 網絡安全風險評估仿真結果

由圖3可知，從時段1至時段4區間內，高風險的值依次為0.652、0.718、0.766、0.808，呈逐漸增大的趨勢；高風險、中風險和低風險的曲線變化趨勢穩定，變化情況能夠明確地表示資產指標、威脅性指標和脆弱性指標之間的關系。仿真結果表明，基于貝葉斯算法能夠科學合理地評估網絡安全風險等級，并且評估的結果準確度比較高。

4 結語

網絡安全風險評估是大規模網絡架構中網絡風險管理的重要環節，評估結果是判定安全性和合理性的重要指標數據。本文參考已有的研究成果，從資產指標、威脅性指標和脆弱性指標3個方面選取了實體信息、電子數據、資產遺失、非法訪問、技術漏洞、人為誤差、軟件安全、硬件安全和管理安全9項指標因子構建評價指標體系；基于貝葉斯算法進行了網絡安全評估研究。通過仿真實驗得到的風險趨勢圖表明，貝葉斯算法能夠科學合理地評估網絡安全風險等級，并且評估的結果準確度比較高，能夠為網絡風險管理提供一定的科學依據。