基于ER算法的物聯網網絡安全評估*

張雨禾，李世明，高 麗

（哈爾濱師范大學）

0 引言

物聯網（Internet of Things，IoT）是一個由異構設備組成的網絡，它可以在無需人與人之間交互的前提下實現數據的交換，從而完成智能化生產和服務［1］.物聯網可擴展至數億個連接到云、數據庫和決策系統的傳感器［2］，隨著信息技術的不斷發展，當前物聯網在醫療保健、農業和制造業等各個領域發揮著巨大的作用，大量的物聯網應用蓬勃涌現，深刻改變了傳統產業形態和社會生活方式［3］.

通常的物聯網可以自下而上劃分為三層結構［4］：底層主要包含各類感知設備，也就是物聯網中“物”的所在層，這一層包括多種發展成熟度差異較大的技術，如二維碼技術、RFID 技術、生物識別等.該層將獲取的信息進行初步處理并通過接入網絡把處理結果傳輸至網絡層；中間層為網絡層，這一層最重要的功能是對數據進行可靠和及時的傳輸，該層包含了所有物聯網中的網絡連接元素；最頂層為應用層，負責深入處理那些底層生成的物聯網數據，挖掘其中包含的各類信息并將其應用在各個領域，實現從“信息化”向“智能化”的轉變.上述的物聯網三層架構如圖1所示.

圖1 物聯網網絡拓撲結構圖

雖然物聯網可以通過遠程管理提高各行業的工作效率，但由于物聯網設備的功能有限且存在漏洞，使得它們很容易遭受各類網絡攻擊［5］.一個易受攻擊的物聯網設備，無論其安全級別高低，都有可能會成為一個極其危險的漏洞.許多網絡攻擊都會利用物聯網設備漏洞，例如重放攻擊、零日攻擊、僵尸網絡等.統計顯示，超過25%的僵尸網絡攻擊的目標是智能電視、嬰兒顯示器和其他智能家居設備［6］.

物聯網網絡攻擊可能導致隱私安全、數據安全、通信安全、終端節點安全等多類安全問題［7］，影響生產線、制造流程和供應鏈的正常運轉，從而導致重大經濟損失.因此，確保物聯網安全對社會生產有序進行和物聯網技術的進一步發展極其重要.

現如今，對物聯網應用潛在威脅的識別和風險的降低已成為網絡安全領域的一個熱門話題.一些傳統安全工具（防火墻、加密和入侵檢測系統等）已經被廣泛應用于物聯網中，然而一般來說，物聯網和物聯網應用程序由輕量級通信協議和資源受限的設備組成，其計算能力和存儲容量有限［8］.因此，需要高計算能力的安全應用程序和加密解決方案很難應用于物聯網［9］.這使得現有物聯網安全評估方法暴露出許多不足：

（1）物聯網網絡安全評估大多只考慮網絡攻擊本身特點，較少考慮其他因素的影響.現有方法常常忽視受到網絡攻擊的設備在物聯網網絡中所處的位置，導致評估精確度不高.

（2）難以利用物聯網異構數據中包含的所有信息，對感知層設備安全情況考察不足，且得到的評估結果大多只是一個整體的結果值，難以分析出網絡攻擊所發生的位置.

為了解決在物聯網網絡安全評估中存在的上述問題，該文對物聯網中處在不同層的不同設備制定相應的評價屬性和評估等級，采用ER 融合方法得到各個設備的網絡安全評估結果，最后將評估結果融合得到IoT 整體的安全評估結果值.該結果能夠充分利用物聯網網絡安全數據中的定量數據和專家知識，得到更加精確和詳細的安全評估結果，為判斷網絡整體安全情況提供更加可靠的依據.

1 ER算法

將ER 推理過程中的X 個基礎屬性用{r1，r2，…rp，…，rx}表示，用｛ω1，ω2，…ωp，…，ωx｝對應表示這X個基礎屬性的權重，且權重的范圍均處于［0，1］區間之內.將ER 算法的基本步驟用如下的算法形式進行表達：

將上述求得的置信度轉換為評估結果，就可以將最終的評估結果量化到區間［0，1］之間表示，該結果值越高，物聯網網絡就處在越危險的狀態中.

2 基于ER算法的物聯網網絡安全態勢評估

2.1 評估屬性

根據網絡攻擊對物聯網網絡的影響程度，該文建立了IoT 三級安全評估框架，其中“攻擊頻率”為定量數據類安全指標，而“攻擊嚴重程度”和“攻擊影響范圍”則為定性知識類安全指標.將不同的安全指標用“Q”進行標記，構建的IoT三級安全評估框架見表1.

表1 IoT三級安全評估框架

2.2 評估等級

參考國家計算機網絡應急技術處理協調中心（CNCERT／CC）的網絡安全基本態勢指數，該文將IoT的安全評估等級也按照5個等級進行劃分，見表2.

表2 網絡安全等級

通過調研結果和專家知識，將3.1中確定的評價指標也劃分為5個等級，建立定量數據的評價區間，以確保實驗結果的準確性和可解釋性.定性指標根據專家知識確定，有助于降低計算復雜度和提高推理速度，使ER算法在解決高復雜性的安全評價問題上具有明顯的優勢，各個安全指標的評價等級見表3.

表3 安全指標評價等級 次／h

3 實驗結果及分析

3.1 IoT安全評估結果及分析

該實驗選用TON－IoT［10］數據集進行仿真試驗，該數據集具有目前物聯網數據集中所缺乏的優勢，它對不同的物聯網服務有各種類型的正常和攻擊事件，且包括異構的數據源、操作系統日志和物聯網網絡流量情況.

對數據集中的數據進行篩選、預處理和整合，選取2019.4.25 ～2019.4.29 5天共120 h的數據進行融合，得到各個設備的安全態勢評估結果.感知設備1（運動指示燈）、感知設備2（家用冰箱）、感知設備3（溫度傳感器）的安全評估結果如圖2 ～4所示.

圖2 感知設備1安全評估結果值

圖3 感知設備2安全評估結果值

圖4 感知設備3安全評估結果值

分析圖2 ～4，可以看出網絡攻擊主要發生在統計的第2天與第4天，安全評估的峰值也出現在這兩天.此時3個設備均收到嚴重程度和影響范圍較大的網絡攻擊.而第1天設備受到網絡攻擊的持續時間短、嚴重程度低，故第一天的安全態勢評估結果要低于第2天和第4天.

物聯網網關的安全評估結果如圖5所示.

圖5 IoT網關安全態勢評估結果

由圖5可知，物聯網網關安全評估結果有更多較低的安全評估結果峰值，這說明物聯網網關在統計期間遭受到更多次的網絡攻擊，雖然有些攻擊嚴重程度不及感知設備，但發生次數多說明物聯網網關更容易遭受網絡攻擊，因此單獨給出其安全評估結果值可以使網絡管理員更全面掌握物聯網的網絡安全情況，可以幫助管理員對受到嚴重網絡攻擊設備的位置進行迅速判斷，并針對該部分作出相應反應，而無需檢查整個龐大的物聯網來排查網絡安全隱患.

將3 個設備及物聯網網關的安全評估結果再次用ER規則融合，得到物聯網網絡整體的安全評估結果，如圖6所示.

圖6 IoT整體安全評估結果

綜合分析圖6，由于感知設備的安全情況在物聯網整體的安全情況中所占的權重較大，故融合后整體評估結果與感知設備安全評估結果趨勢類似.在統計的第3 天，雖然物聯網網關遭受到了網絡攻擊，但由于各感知設備都處于相對較安全的狀態，所以此次網絡攻擊造成的影響范圍相對較小，該時間段物聯網整體的安全評估結果也不會過高，評估結果更貼合物聯網實際的網絡安全狀態.

3.2 對比實驗及分析

由于物聯網安全評估結果沒有真實值可以參考，因此，該節通過數學方法計算得出物聯網網絡安全評估實際參考值，并使用常見的評估模型與基于ER 的物聯網網絡安全評估模型相比較.

首先根據數據集統計得到各種攻擊類型發生的實際次數，然后再計算攻擊嚴重度算子［11］，接著根據各類網絡攻擊對保密性、完整性、可用性的影響計算得到攻擊影響度.由于部分統計值區間范圍差異過大，該文采用數值歸一化處理方法［12］消除其對評估結果造成的影響.最后根據攻擊嚴重度和攻擊影響度計算得到物聯網安全評估實際參考值［13］.

從實驗使用的數據中選取前4 天的數據作為訓練集，最后一天的數據作為測試集，分別采用SVM和RF模型進行物聯網網絡安全態勢評估.圖7為測試數據在不同模型下的網絡安全態勢評估值與實際安全評估結果的均方根誤差值對比.

圖7 不同模型與實際評估參考值的均方根誤差

由圖7可知，ER 模型與實際評估參考值的均方根誤差值最小，比RF 模型減小了62%，比SVM模型減小了92.8%，且該文提出的模型與其他模型相較還能給出各個設備的安全評估結果，更有利于對物聯網整體網絡安全情況的分析.綜上所述，基于ER算法的物聯網網絡安全評估模型能夠更準確全面的評估物理網安全狀況.

物聯網現存的許多安全評估模型中缺少一種準確度高，能給出各部分詳細評估結果的評估模型，這樣的模型能夠減少對大規模的網絡進行分析的時長，快速定位網絡攻擊發生的位置.因此，該文提出一個基于ER算法的物聯網網絡安全評估模型，利用ER 算法具有的融合速度快、可解釋性高的優勢，針對物聯網不同設備確定相對應的評估屬性、評估等級和權重.使用ER 算法融合得出物聯網整體及各部分的安全評估結果值.經過實驗驗證，此模型得出的評估結果貼近物聯網網絡安全實際參考值，且相較其他模型而言能給出各個部分的安全評估結果，便于及時對網絡攻擊作出安全響應.未來可以對該評估模型進一步進行擴充，加入更多物聯網設備，使模型能夠滿足大規模的物聯網網絡安全評估的要求.