基于改進(jìn)DSET的電力視頻終端網(wǎng)絡(luò)安全評(píng)估

摘 要：提出一種改進(jìn)證據(jù)理論（dempster-shafer evidence theory，DSET）的物聯(lián)網(wǎng)智能終端網(wǎng)絡(luò)安全評(píng)估方法。通過(guò)k-means方法得到不同識(shí)別框架的聚類中心，作為數(shù)據(jù)驅(qū)動(dòng)曲線的中線值，改進(jìn)了數(shù)據(jù)驅(qū)動(dòng)法的信息源基本概率分配（basic probability allocation，BPA），特別是避免了焦元支持率為1的沖突證據(jù)生成。進(jìn)一步為了分配證據(jù)間的沖突，基于所有證據(jù)源計(jì)算關(guān)鍵證據(jù)，引入相似度權(quán)重沖突分配規(guī)則進(jìn)行融合，從而得到評(píng)估結(jié)果。為了驗(yàn)證本文提出的方法，搭建視頻終端實(shí)驗(yàn)網(wǎng)絡(luò)，采用設(shè)備應(yīng)用控制器（device application controller，DAC）設(shè)備探查設(shè)備運(yùn)行資產(chǎn)，以視頻終端網(wǎng)絡(luò)要素層安全評(píng)估為例，比較了不同方法得到的要素層運(yùn)行資產(chǎn)BPA在融合評(píng)估中的結(jié)果，以及針對(duì)沖突證據(jù)融合時(shí)不同融合規(guī)則得到的融合結(jié)果。實(shí)驗(yàn)結(jié)果表明，相比其他改進(jìn)方法，本文提出的改進(jìn)DSET方法能在避免生成沖突極大的證據(jù)同時(shí)合理分配沖突，并且保證了較高的物聯(lián)網(wǎng)終端網(wǎng)絡(luò)安全評(píng)估正確率。

關(guān)鍵詞：證據(jù)理論；聚類；物聯(lián)網(wǎng)；智能終端；網(wǎng)絡(luò)安全

DOI：10.15938/j.jhust.2024.03.008

中圖分類號(hào)： TP393

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2024）03-0060-11

Security Assessment of Electricity Video Terminal Network

Based on Improved Dempster-Shafer Evidence Theory

YANG Minjie1， LIN Jing1， HE Liangyuan2， XIA Fei2

（1.Jiading Power Supply Company， State Grid Shanghai Electric Power Co.， Ltd.， Shanghai 201800， China；

2.College of Automation Engineering， Shanghai University of Electric Power， Shanghai 200090， China）

Abstract：An improved DSET （dempster-shafer evidence theory） network security assessment method of Internet of Things intelligent terminal is proposed in this paper. The cluster centers of different frames of discernment are obtained through the k-means method as the median value of the data-driven curve， which improves the BPA （basic probability allocation） accuracy of the data-driven method， especially to avoid the generation of conflict evidence with a focal element support rate of 1. To distribute the conflict between evidences， key evidence is calculated based on all evidences’ sources， and similarity weight conflict allocation rules are addressed. In order to verify the method proposed in this paper， a video terminal network is built， and DAC （device application controller） equipment is used to explore equipment operating assets information. Taking the element layer security assessment of video terminal network as an example， fusion results of the elements BPA obtained by different methods and the fusion results of fusing conflict evidences obtained by different fusion rules were compared. The experimental results show that the improved DSET method proposed can greatly avoid generating conflict evidences and distribute conflict reasonably， thus ensuring a high accuracy rate of Internet of things terminal network security assessment.

Keywords：dempster-shafer evidence theory; clustering; Internet of Things; intelligent terminal; network security

0 引 言

隨著物聯(lián)網(wǎng)網(wǎng)絡(luò)智能化水平的提升，大量的智能終端設(shè)備入網(wǎng)，隱藏的網(wǎng)絡(luò)安全危機(jī)漸漸浮現(xiàn)［1］。2017年一種名為IOT-reaper的新型僵尸網(wǎng)絡(luò)快速擴(kuò)張，利用攝像頭等智能終端設(shè)備漏洞傳播僵尸程序感染大量主機(jī)，導(dǎo)致用電網(wǎng)絡(luò)癱瘓。2021年美國(guó)最大的燃油管道運(yùn)營(yíng)商遭受網(wǎng)絡(luò)滲透攻擊，被迫關(guān)閉國(guó)內(nèi)關(guān)鍵燃油網(wǎng)絡(luò)，敲響了智能終端網(wǎng)絡(luò)安全的警鐘［2］。

物聯(lián)網(wǎng)智能終端作為面向應(yīng)用底層的感知數(shù)據(jù)傳輸設(shè)備，是工業(yè)網(wǎng)絡(luò)的基礎(chǔ)，必須保證聯(lián)網(wǎng)設(shè)備的穩(wěn)定可靠［3］。目前，我國(guó)工業(yè)領(lǐng)域存在諸如視頻終端類似的VPN公網(wǎng)組成的物聯(lián)網(wǎng)終端網(wǎng)絡(luò)。該類視頻終端通過(guò)工業(yè)交換機(jī)和路由器接入管理控制大區(qū)，借助網(wǎng)內(nèi)主機(jī)監(jiān)控管理平臺(tái)實(shí)現(xiàn)對(duì)網(wǎng)內(nèi)終端的統(tǒng)一管理、配置和維護(hù)。相比傳統(tǒng)工業(yè)網(wǎng)絡(luò)，這類物聯(lián)網(wǎng)終端網(wǎng)絡(luò)具有終端數(shù)量大，區(qū)域分布的特點(diǎn)。為了滿足智能終端的高性能、高集成度和低功耗要求，智能終端的安全防護(hù)等級(jí)往往較低，存在弱口令嚴(yán)重的情況和較多通用設(shè)備漏洞［4］。因此，該類終端抵擋黑客非法攻擊的能力較弱，容易被當(dāng)作DDOS攻擊的來(lái)源。現(xiàn)有的物聯(lián)網(wǎng)防護(hù)通過(guò)例如訪問(wèn)控制、前端接入認(rèn)證等安全手段并不能完全達(dá)到防御要求。一旦被入侵控制，存在物聯(lián)網(wǎng)內(nèi)服務(wù)器數(shù)據(jù)刪除和篡改數(shù)據(jù)等安全風(fēng)險(xiǎn)，甚至造成經(jīng)濟(jì)損失。因此，當(dāng)前網(wǎng)絡(luò)環(huán)境下，如何應(yīng)對(duì)智能終端接入物聯(lián)網(wǎng)網(wǎng)絡(luò)帶來(lái)的網(wǎng)絡(luò)安全影響，保障網(wǎng)絡(luò)的安全穩(wěn)定運(yùn)行成為亟待解決的問(wèn)題。

為了提高大量智能終端接入帶來(lái)的網(wǎng)絡(luò)安全判別問(wèn)題，可以采用多源信息融合的方法，即通過(guò)證據(jù)理論實(shí)現(xiàn)網(wǎng)絡(luò)安全評(píng)估。 Dempster在1967年提出集值映射概念［5］，進(jìn)而Shafer在Dempster文章的基礎(chǔ)上引入信任函數(shù)概念，形成了經(jīng)典的DSET［6］。通過(guò)D-S證據(jù)理論融合多源信息，可以降低主觀性，從而得到物聯(lián)網(wǎng)智能終端網(wǎng)絡(luò)安全評(píng)估結(jié)果。為了達(dá)到這一目的，需要分析研究對(duì)象的數(shù)據(jù)特征，對(duì)融合理論中的BPA證據(jù)源或組合規(guī)則進(jìn)行改進(jìn)。

國(guó)內(nèi)外很多學(xué)者選擇使用三角模糊函數(shù)解決BPA的分配問(wèn)題。如在文［7］中，根據(jù)核電冷卻系統(tǒng)的故障癥狀參數(shù)正常范圍，采用三角模糊函數(shù)構(gòu)建基本概率分配表達(dá)其不確定性。物聯(lián)網(wǎng)終端網(wǎng)絡(luò)安全評(píng)估與故障診斷一樣具有不確定性。文［8］將k-means聚類方法與模糊三角函數(shù)結(jié)合，解決了模糊數(shù)函數(shù)與定義區(qū)間不符合的問(wèn)題。但是三角模糊函數(shù)法在建立模糊函數(shù)時(shí)，沒有確切的方法確定模糊數(shù)的端點(diǎn)（即最大值和最小值），容易出現(xiàn)實(shí)驗(yàn)數(shù)據(jù)值與三角模糊函數(shù)端點(diǎn)重合的情況，導(dǎo)致無(wú)法轉(zhuǎn)換為正確的BPA。因此，文［9］提出了正態(tài)分布的數(shù)據(jù)驅(qū)動(dòng)模型。實(shí)際上，網(wǎng)絡(luò)設(shè)備采集的要素信息可能不一致，彼此之間會(huì)有很大差異，甚至出現(xiàn)矛盾信息［9］。焦元支持率為1的證據(jù)與其余證據(jù)有較大的沖突時(shí)，將在證據(jù)融合時(shí)因沖突系數(shù)過(guò)大無(wú)法合成并產(chǎn)生一票否決問(wèn)題。由于多源信息本身是不確定和模糊的，文［10］率先將證據(jù)間的不確定性全都分配給識(shí)別框架。但沖突賦予識(shí)別框架過(guò)于保守，并不適用于實(shí)際物聯(lián)網(wǎng)網(wǎng)絡(luò)安全融合決策。文［11］通過(guò)自沖突系數(shù)與互沖突系數(shù)的加權(quán)將沖突分配到每個(gè)元素，有效提高了融合結(jié)果的識(shí)別率，但計(jì)算過(guò)程過(guò)于復(fù)雜。基于距離函數(shù)的方法考慮了多源數(shù)據(jù)的差異性，描述了證據(jù)的信息量，有助于解決融合過(guò)程的沖突分配問(wèn)題［12］。距離函數(shù)計(jì)算方法的選擇受要素?cái)?shù)據(jù)影響，表現(xiàn)為融合結(jié)果的焦元支持率［13］。因此，不恰當(dāng)?shù)木嚯x計(jì)算方法會(huì)降低加權(quán)證據(jù)在融合中的可信度，從而降低要素層融合結(jié)果的焦元支持率。

綜上，本文提出基于改進(jìn)DSET的物聯(lián)網(wǎng)智能終端網(wǎng)絡(luò)安全評(píng)估方法并應(yīng)用在視頻終端網(wǎng)絡(luò)安全評(píng)估框架的要素層上，主要貢獻(xiàn)如下：

1）采用聚類方法優(yōu)化數(shù)據(jù)驅(qū)動(dòng)曲線，基于聚類中心距離生成BPA，避免生成沖突較大的證據(jù)在要素層中出現(xiàn)一票否決或無(wú)法融合的問(wèn)題。

2）引入相對(duì)關(guān)鍵證據(jù)權(quán)重計(jì)算加權(quán)證據(jù)，改進(jìn)沖突規(guī)則，提升了多源沖突證據(jù)的融合決策準(zhǔn)確率。

本文的結(jié)構(gòu)如下：在第1節(jié)中，首先對(duì)視頻終端網(wǎng)絡(luò)安全評(píng)估要素層的基本信息進(jìn)行了敘述，然后結(jié)合網(wǎng)絡(luò)安全評(píng)估框架圖詳細(xì)描述了改進(jìn)的BPA生成方法和改進(jìn)的融合組合規(guī)則；搭建的視頻終端實(shí)驗(yàn)網(wǎng)絡(luò)在第2節(jié)中給出，通過(guò)對(duì)該網(wǎng)絡(luò)實(shí)行ICMP數(shù)據(jù)包攻擊實(shí)驗(yàn)，比較了本文所提BPA生成方法和改進(jìn)融合規(guī)則與其他方法在視頻終端網(wǎng)絡(luò)安全評(píng)估中的效果；第3節(jié)對(duì)全文進(jìn)行總結(jié)。

1 基于改進(jìn)DSET的評(píng)估方法

物聯(lián)網(wǎng)智能終端網(wǎng)絡(luò)包含主機(jī)、交換機(jī)、路由器、DVR等基礎(chǔ)網(wǎng)絡(luò)設(shè)備以及分布式終端設(shè)備。由于AI應(yīng)用的需要大量智能攝像頭作為智能終端應(yīng)用于電力生產(chǎn)場(chǎng)景，因此本文以視頻智能終端網(wǎng)絡(luò)為例進(jìn)行研究。視頻智能終端設(shè)備作為感知視頻數(shù)據(jù)和傳輸視頻數(shù)據(jù)的載體分布在管理控制大區(qū)，如圖1所示。

當(dāng)前，視頻終端網(wǎng)絡(luò)需要在虛擬專用網(wǎng)絡(luò)通道上使用獨(dú)立的網(wǎng)絡(luò)設(shè)備組網(wǎng)，在物理層面上實(shí)現(xiàn)隔離。由于智能終端網(wǎng)絡(luò)邊界模糊，終端設(shè)備存在違規(guī)接入安全隱患。同時(shí)視頻終端傳輸視頻流量大，網(wǎng)絡(luò)延時(shí)要求仍然較高。此外，為保證網(wǎng)絡(luò)的正常運(yùn)行，視頻終端網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)系統(tǒng)的可靠性要求更高且應(yīng)具有一定的擴(kuò)展性，使網(wǎng)絡(luò)出現(xiàn)故障時(shí)能夠快速恢復(fù)運(yùn)行。

因此，結(jié)合視頻終端網(wǎng)絡(luò)對(duì)可用性要求高特點(diǎn)，本文參照通用安全漏洞評(píng)估系統(tǒng)（CVSS）、國(guó)標(biāo)GB 35114-2017文件［14］和文［15］，建立由下及上的要素層、設(shè)備層和指標(biāo)層模型。本文主要針對(duì)要素層進(jìn)行融合評(píng)估研究。針對(duì)視頻終端網(wǎng)絡(luò)安全評(píng)估特點(diǎn)，本文列出視頻終端網(wǎng)絡(luò)要素層信息源及其不同狀態(tài)對(duì)應(yīng)的范圍，如表1所示。

視頻終端網(wǎng)絡(luò)安全有3個(gè)不同的狀態(tài)。其中，Safe代表網(wǎng)絡(luò)處于安全狀態(tài)，Moderate代表網(wǎng)絡(luò)處于中等狀態(tài)，Dangerous代表網(wǎng)絡(luò)處于危險(xiǎn)狀態(tài)。表1中，CPU利用率、內(nèi)存使用率和磁盤利用率是網(wǎng)絡(luò)終端設(shè)備的運(yùn)行資產(chǎn)的具體表現(xiàn)，本文將主要以運(yùn)行資產(chǎn)為例進(jìn)行融合。

本文圍繞要素層信息源融合提出一種基于改進(jìn)DSET的評(píng)估方法，分為BPA生成和證據(jù)融合兩部分，如圖2所示。首先，根據(jù)表1中給出視頻終端網(wǎng)絡(luò)安全的3個(gè)狀態(tài)，采用k-means聚類改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法構(gòu)建要素層信息源BPA驅(qū)動(dòng)曲線，生成證據(jù)。然后對(duì)要素信息源證據(jù)作沖突判斷，沖突較小的采用Dempster組合規(guī)則。對(duì)于沖突較大的證據(jù)，基于關(guān)鍵證據(jù)來(lái)計(jì)算加權(quán)證據(jù)參與融合。最后根據(jù)相似度權(quán)重和沖突分配規(guī)則計(jì)算融合結(jié)果。

1.1 基于改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法的BPA生成

數(shù)據(jù)驅(qū)動(dòng)法是基于正態(tài)分布假設(shè)提出的［15］。因此，首先檢驗(yàn)數(shù)據(jù)是否滿足正態(tài)分布。然后通過(guò)k-means聚類得到聚類中心，從而建立正態(tài)分布函數(shù)曲線模型。在輸入樣本后根據(jù)分配規(guī)則得到BPA。

正態(tài)分布的“鐘”形曲線使其成為實(shí)踐中各種隨機(jī)變量建模的便捷選擇［15］。考慮到要素層信息源數(shù)據(jù)的可用性，本文采用Kolmogorov-Smirnov法檢驗(yàn)處理后數(shù)據(jù)顯著性是否滿足正態(tài)分布條件［16］，顯著性D如式所示：

D=maxx{｜F*（X）-Sn（X）｜}（1）

式中：X為待檢驗(yàn)的數(shù)據(jù)序列；樣本數(shù)為n；F*（X）代表累積正態(tài)分布函數(shù)，Sn（X）代表累積分布函數(shù)。

如果檢驗(yàn)結(jié)果顯著性大于固定值α=0.05，則通過(guò)正態(tài)性檢驗(yàn)。對(duì)不滿足的數(shù)據(jù)進(jìn)行BOX-COX變換［17］。

為了生成信息源BPA，假設(shè)識(shí)別框架（frame of discernment，F(xiàn)OD）為Θ={A1，A2，…，Ak}，若m（Ai）＞0，稱Ai為焦元，m（Ai）為焦元支持率，滿足：

m（）=0，∑AiΘm（Ai）=1（2）

式中：i=1，2，…，k，k為FOD個(gè)數(shù)。

本文中要素層的FOD個(gè)數(shù)為3個(gè)，分別為Safe、Moderate和Dangerous。通過(guò)構(gòu)造數(shù)據(jù)驅(qū)動(dòng)曲線進(jìn)行基本概率分配，設(shè)要素層信息源每個(gè)要素可以按照數(shù)據(jù)分布特點(diǎn)構(gòu)造個(gè)正態(tài)分布函數(shù)驅(qū)動(dòng)曲線。

k-means聚類根據(jù)驅(qū)動(dòng)曲線個(gè)數(shù)將X分成Ci個(gè)簇，Vi為簇Ci的聚類中心。當(dāng)d（Vi，x）滿足SSE（sum of squared error）最小時(shí)，所得聚類中心Vi為正態(tài)分布函數(shù)的中線值。

SSE=∑ki=1∑x∈Cid（Vi，x）（3）

式中：x為簇Ci的樣本點(diǎn)；d（Vi，x）表示歐式距離函數(shù)；i=1，2，…，k。

相應(yīng)的正態(tài)分布函數(shù)可表示為

fi（x，Vi，S2i）=12πS2ie-（x-Vi）2/（2S2i）（4）

式中：Si為標(biāo)準(zhǔn)差；i=1，2，…，k。

本文的每一個(gè)信息源包含3個(gè)焦元，下面以此為例說(shuō)明BPA的生成規(guī)則，其正態(tài)分布函數(shù)分別為f1（x）、f2（x）、f3（x）。具體的規(guī)則如下：

Step1：輸入要素層的數(shù)據(jù)x，當(dāng)f1（x），f2（x）和f3（x）都不等于0時(shí)，則按照公式計(jì)算BPA：

m（Ai）=fi（x）∑3i=1fi（x），i=1，2，3（5）

Step2：當(dāng)3個(gè)函數(shù)值中有一個(gè)值為0時(shí)，設(shè)f3（x），由式（3）和式（6）可得對(duì)應(yīng)的BPA。

f3（x）=minx{f1（x），f2（x）}mini=1，2{vi}maxi=1，2{vi}（6）

式中：vi=｜V2-V1｜｜V2-V1｜+｜Vi-V3｜；i=1，2；V1、V2和V3分別代表對(duì)應(yīng)的正態(tài)分布函數(shù)的中線值。

Step3：當(dāng)3個(gè)函數(shù)值中有兩個(gè)值為0時(shí)，設(shè)f2（x）=0和f3（x）=0，按照式（7）計(jì)算出x與3個(gè)函數(shù)中線值的距離權(quán)重Wi（x）。再根據(jù)式（7）和式（8）得到對(duì)應(yīng)的BPA。

Wi（x）=Di（x）∑3i=1Di（x），i=1，2，3（7）

Di（x）=｜V3-V1｜，i=1

｜V2-V1｜，i=2

｜x-V1｜，i=3

fi（x）=f1（x），i=1

QWi（x），i=2，3（8）

式中：Q=f1（x）（1W1（x）-1）。

通過(guò)以上步驟實(shí)現(xiàn)了基于改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法的信息源BPA分配。

1.2 組合規(guī)則的改進(jìn)

通過(guò)改進(jìn)的數(shù)據(jù)驅(qū)動(dòng)方法可以避免給曲線兩端分配焦元支持率為1的極端沖突證據(jù)，但仍會(huì)出現(xiàn)融合證據(jù)間沖突較大的問(wèn)題。設(shè)備運(yùn)行資產(chǎn)不同工況下會(huì)出現(xiàn)證據(jù)支持的焦元不同、生成證據(jù)存在沖突的情況，例如，CPU利用率的證據(jù)為mcpu=（0.9，0，0.1），對(duì)焦元Safe支持率為0.9，內(nèi)存利用率的證據(jù)為mmcm=（0.8，0.1，0.1），對(duì)焦元Safe的支持率為0.8，磁盤利用率的證據(jù)為mdisk=（0.2，0.7，0.1），對(duì)焦元Safe支持率僅為0.2。此時(shí)，不同證據(jù)支持的焦元不相同，沖突較大，需要采用沖突分配規(guī)則融合。

假設(shè)FOD中有兩個(gè)相互獨(dú)立的證據(jù)m1（As）和m2（Az），對(duì)應(yīng)的Dempster組合規(guī)則為

m（Ai）=11-K∑As∩Az=Aim1（As）m2（Az）（9）

K=∑As∩Az=m1（As）m2（Az）（10）

式中：i，s，z=1，2，…，k；k為FOD個(gè)數(shù)。

由于證據(jù)間沖突較大（如［0.7，1］），會(huì)影響證據(jù)的組合效果［18］。因此本文根據(jù)證據(jù)間沖突大小與Dempster組合規(guī)則結(jié)果的表現(xiàn)確定沖突系數(shù)閾值。為確定的值，根據(jù)本文所用數(shù)據(jù)計(jì)算融合前后目標(biāo)焦元支持率的變化，記為Delta。經(jīng)排序，K與Delta的關(guān)系如圖3所示。區(qū)域S中，當(dāng)K=0.6665時(shí)，Delta值為0。隨著沖突變大，Delta為負(fù)增長(zhǎng)。結(jié)合文［18］中給定參考范圍和本文數(shù)據(jù)情況，同時(shí)考慮到在K=0.6665附近可能并非線性關(guān)系，故調(diào)整K的閾值=0.67即當(dāng)K＞0.67時(shí)采用改進(jìn)的組合規(guī)則。

由于采用均值證據(jù)作為加權(quán)證據(jù)的方式容易忽略證據(jù)本身的差異性［19］。為了避免加權(quán)證據(jù)不合理而出現(xiàn)沖突分配不均勻的現(xiàn)象，本文采用基于關(guān)鍵證據(jù)權(quán)重的加權(quán)證據(jù)參與融合。

假設(shè)待融合證據(jù)為mj（Ai），關(guān)鍵證據(jù)由待融合證據(jù)的焦元支持概率通過(guò)公式計(jì)算得到，即：

Key（Ai）=（（∑mj=1m2j（Ai））/m）12（11）

式中：i=1，2，…，k;j=1，2，…，m；m為待融合證據(jù)個(gè)數(shù)。

受契比雪夫距離啟發(fā)，以與關(guān)鍵證據(jù)Key（Ai）差距最大的焦元支持概率作為距離，表示為相對(duì)關(guān)鍵證據(jù)距離KDj，由式計(jì)算得到。

KDj=maxj=1，2，…，m{mj（Ai）-Key（Ai）}（12）

與關(guān)鍵證據(jù)的距離越遠(yuǎn)，說(shuō)明相似度越低。因此，采用負(fù)指數(shù)函數(shù)計(jì)算相似度，并歸一化得到相對(duì)關(guān)鍵證據(jù)的相似度權(quán)重為wj。最后由公式求得加權(quán)證據(jù)體mavg（Ai）。

wj=e-KDj∑mj=1e-KDj（13）

mavg（Ai）=∑mj=1wjmj（Ai）（14）

為分配融合時(shí)的焦元沖突，首先以式的加權(quán)證據(jù)為基礎(chǔ)，按式計(jì)算得到待融合證據(jù)焦元與關(guān)鍵證據(jù)mavg（Ai）焦元的距離。

FD（mj（Ai））=｜mj（Ai）-mavg（Ai）｜（15）

式中：i=1，2，…，k；j=1，2，…，m。

然后，效仿加權(quán)證據(jù)的相似度，按式可求得焦元信任度Sim（mj（Ai））：

Sim（mj（Ai））=2mj（Ai）mavg（Ai）（1-FD（mj（Ai）））（mj（Ai））2+（mavg（Ai））2（16）

式中：i=1，2，…，k;j=1，2，…，m。

最后對(duì)焦元信任度進(jìn)行歸一化，可得對(duì)應(yīng)的焦元沖突分配權(quán)重Dj（Ai）：

Dj（Ai）=Sim（mj（Ai））∑mj=1∑ki=1Sim（mj（Ai））（17）

式中：i=1，2，…，k;j=1，2，…，m。

當(dāng)待融合證據(jù)個(gè)數(shù)為m=2即j=1，2時(shí)，以m1（As）和m2（Az）兩個(gè)證據(jù)的組合為例，由式（20）可得各焦元的沖突分配值為f（Ai）。最終的組合規(guī)則如式（18）～（20）所示：

m（Ai）=∑As∩Az=Aim1（As）m2（Az）+f（Ai）（18）

m（U）=∑As∩Az=Um1（As）m2（Az）（19）

f（Ai）=∑kz=1D1（As）m1（Az）m1（As）m2（Az）D1（As）m1（As）+D2（Az）m2（Az）+

∑kz=1D2（As）m2（As）m2（As）m1（Az）D2（As）m2（As）+D1（Az）m1（Az）-

D1（A1）m1（A1）m1（A1）m2（A1）D1（A1）m1（A1）+D2（A1）m2（A1）-

D2（A2）m2（A2）m2（A2）m1（A2）D2（A2）m2（A2）+D1（A2）m1（A2）（20）

式中：i=s=1，2，…，k;z=1，2，…，k。

最后，本文中采用文［20］的決策規(guī)則：當(dāng)焦元支持率最高的m（A1）與僅次于焦元支持率的m（A2）滿足m（A1）-m（A2）＞ε=0.2時(shí)，可以得到?jīng)Q策結(jié)果為焦元A1。通過(guò)以上步驟實(shí)現(xiàn)了基于改進(jìn)組合規(guī)則的沖突證據(jù)融合。

2 實(shí)驗(yàn)驗(yàn)證

參照杭州迪普科技的DAC物聯(lián)網(wǎng)應(yīng)用安全控制系統(tǒng)手冊(cè)，以VPN內(nèi)部網(wǎng)絡(luò)為網(wǎng)絡(luò)基礎(chǔ)，搭建視頻終端監(jiān)控網(wǎng)絡(luò)，如圖4所示。由于需要獲取網(wǎng)絡(luò)內(nèi)設(shè)備資產(chǎn)信息，故選用DAC（device application controller）為探測(cè)設(shè)備。它是針對(duì)多個(gè)視頻終端接入認(rèn)證的管控設(shè)備，有探查設(shè)備運(yùn)行資產(chǎn)能力、流量信息測(cè)量和接入身份認(rèn)證。在外部互聯(lián)網(wǎng)中設(shè)置一臺(tái)攻擊主機(jī)。攻擊主機(jī)與測(cè)試主機(jī)為windows 10系統(tǒng)。IP camera型號(hào)為WS8413-4mm。路由器共4個(gè)Lan口和1個(gè)Wan口。交換機(jī)采用WS-C2960L-24TS-AP。DVR采用DS-7824HQH-K2。

在搭建的網(wǎng)絡(luò)基礎(chǔ)上采用Tenable Nessus對(duì)各個(gè)設(shè)備進(jìn)行漏洞掃描得到漏洞要素。同時(shí)，采用Snort-2.9.1.14的NIDS模式對(duì)該網(wǎng)絡(luò)進(jìn)行入侵檢測(cè)。視頻終端網(wǎng)絡(luò)可能面臨的攻擊有很多種，本文方法的數(shù)據(jù)源需求是入侵攻擊的數(shù)目，與攻擊種類無(wú)關(guān)。因此，本文選擇以攻擊主機(jī)去模仿黑客對(duì)該網(wǎng)絡(luò)實(shí)行ICMP數(shù)據(jù)包攻擊，每隔一段時(shí)間記錄NIDS和Nessus掃描結(jié)果，最終整理得到50組要素層原始數(shù)據(jù)。

2.1 改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法的BPA生成結(jié)果

本文中要素層共有7個(gè)要素，以CPU利用率為例，經(jīng)檢驗(yàn)每一組數(shù)據(jù)的顯著性都明顯大于0.05，數(shù)據(jù)滿足正態(tài)分布，如表2所示。

根據(jù)第1節(jié)的安全評(píng)估框架，以要素層運(yùn)行資產(chǎn)要素的BPA生成為例。根據(jù)式（3）計(jì)算對(duì)應(yīng)焦元分布函數(shù)的中線值，分別是21、55.167和87.82，代入式（4）得到經(jīng)過(guò)k-means聚類改進(jìn)的正態(tài)分布函數(shù)，如圖5（c）所示。為了對(duì)比改進(jìn)方法的BPA分配結(jié)果，采用數(shù)據(jù)驅(qū)動(dòng)法和三角模糊函數(shù)法進(jìn)行BPA分配，分別得到BPA分配曲線，如圖5（a）和圖5（b）所示。

由圖5可知，相較于數(shù)據(jù)驅(qū)動(dòng)法和三角模糊函數(shù)法，改進(jìn)后數(shù)據(jù)驅(qū)動(dòng)曲線橫軸分布更加符合理想分布。某一實(shí)際狀態(tài)，已知CPU利用率為60%時(shí)（在曲線中部），對(duì)應(yīng)的目標(biāo)焦元為Moderate。原始數(shù)據(jù)驅(qū)動(dòng)法的縱坐標(biāo)值faM=0.0136，對(duì)應(yīng)目標(biāo)焦元支持率為ma（Moderate）=0.7953。改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法對(duì)應(yīng)縱坐標(biāo)fbM=0.0332，通過(guò)式（3）～（8）計(jì)算得到目標(biāo)焦元支持率為mc（Moderate）=0.9410。圖5（b）是以均值為中線建立的正則三角模糊函數(shù)，根據(jù)模糊數(shù)分配規(guī)則，樣本與曲線的交點(diǎn)即為對(duì)應(yīng)的焦元支持率mb（Moderate）=0.1149。同樣數(shù)據(jù)情況下，改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法曲線所得證據(jù)的目標(biāo)焦元支持率較高，BPA的生成比較準(zhǔn)確。因此，在曲線中部的樣本使用改進(jìn)后的BPA生成方法能夠生成更準(zhǔn)確的BPA。

選取CPU利用率的數(shù)據(jù)驅(qū)動(dòng)曲線上選取左端（數(shù)據(jù)范圍為0～35），采用上述三種方法進(jìn)行BPA分配，其結(jié)果如表3所示。其中，數(shù)據(jù)驅(qū)動(dòng)法的BPA分配結(jié)果對(duì)焦元Safe均為完全支持。為了規(guī)避極端支持率的出現(xiàn)，導(dǎo)致無(wú)法融合的問(wèn)題，本文通過(guò)折算支持率的方法，得到改進(jìn)數(shù)據(jù)驅(qū)動(dòng)法（即本文方法）的BPA和三角模糊函數(shù)的BPA。兩者比較，由本文方法得到的BPA分配結(jié)果優(yōu)于三角模糊函數(shù)法，從而通過(guò)融合得到的結(jié)果具有更高的正確率。因此，本文采用的BPA分配方法相比數(shù)據(jù)驅(qū)動(dòng)法和三角模糊函數(shù)法生成BPA，具有更好的效果。

為證明本文經(jīng)過(guò)折算的BPA在要素層融合的效果，選取主機(jī)節(jié)點(diǎn)的網(wǎng)絡(luò)運(yùn)行資產(chǎn)要素實(shí)驗(yàn)數(shù)據(jù)，按文［9］的原始數(shù)據(jù)驅(qū)動(dòng)法、文［21］的三角模糊函數(shù)法和本文方法分別生成BPA，如表4所示。

某一時(shí)刻，當(dāng)CPU利用率60%（記為C60）、內(nèi)存使用率80%（記為M80）和磁盤利用率15%（記為D15）時(shí)，C60和M80分別位于數(shù)據(jù)驅(qū)動(dòng)曲線的中部，實(shí)際運(yùn)行資產(chǎn)的安全狀態(tài)為Moderate。按文［9］方法生成的證據(jù)D15僅支持焦元Safe且支持率為1，其余焦元支持率為0。證據(jù)C60和M80對(duì)焦元Safe支持率分別為0.2047和0.0789，而對(duì)焦元Moderate支持率較高，分別為0.7953和0.8635，可見沖突較大。因此，按文［9］方法生成的證據(jù)在使用式（9）融合時(shí)會(huì)出現(xiàn)一票否決的現(xiàn)象。文［21］與本文方法通過(guò)距離折算的方法能避免生成極高支持率證據(jù)帶來(lái)的全沖突悖論，但文［21］所分配的BPA對(duì)焦元Moderate支持率較低。

表4中存在焦元支持率為1的極端沖突證據(jù)。為了比較不同方法生成的BPA在極端沖突證據(jù)的情況下，要素層融合的情況，因此只要保證融合規(guī)則相同即可。簡(jiǎn)單起見，本文選用了Dempster組合規(guī)則融合表4中三種方法生成的BPA。從BPA生成的角度去解決極端焦元支持率證據(jù)對(duì)融合的影響，結(jié)果如表5所示。

表5中，文［9］方法生成的證據(jù)沖突過(guò)大，根據(jù)決策規(guī)則得到的最終目標(biāo)焦元為Safe，出現(xiàn)了誤判。文［21］生成證據(jù)的融合結(jié)果對(duì)焦元Moderate支持率為0.4780且對(duì)另外兩個(gè)焦元支持率分別為0.1829和0.3391。依據(jù)決策規(guī)則mb（Moderate）-mb（Dangerous）＜0.2，無(wú)法決策。同時(shí)，本文方法焦元Moderate支持率為0.9921，滿足決策規(guī)則mc（Moderate）-mc（Safe）＞0.2。因從，本文方法生成的證據(jù)能夠避免生成沖突較大的證據(jù)且融合決策能準(zhǔn)確識(shí)別目標(biāo)焦元。

為進(jìn)一步驗(yàn)證焦元支持率極高的沖突證據(jù)在視頻終端網(wǎng)絡(luò)安全實(shí)驗(yàn)要素層中的融合決策效果，分別采用文［9］、［21］與本文方法生成的數(shù)據(jù)組進(jìn)行Dempster組合測(cè)試。此處選擇15組由不同方法生成的BPA的證據(jù)源，均包含極端沖突證據(jù)進(jìn)行融合測(cè)試。

文［9］方法會(huì)生成包含焦元支持概率為1的沖突證據(jù)，15組中存在5組證據(jù)按式（9）無(wú)法融合，1組證據(jù)出現(xiàn)誤判，正確率為60%。三種方法生成的證據(jù)的融合結(jié)果與實(shí)際結(jié)果相比，文［21］的證據(jù)融合結(jié)果在3組證據(jù)決策后焦元識(shí)別錯(cuò)誤，正確率為80%。然而，本文改進(jìn)的BPA生成方法得到的證據(jù)融合決策后均能識(shí)別目標(biāo)焦元。綜上，本文實(shí)驗(yàn)中，經(jīng)本文改進(jìn)后的BPA生成方法所得證據(jù)在融合決策結(jié)果時(shí)正確率最高。

2.2 改進(jìn)組合規(guī)則的融合結(jié)果比較

根據(jù)待融合的證據(jù)的沖突系數(shù)，本文對(duì)組合規(guī)則進(jìn)行了改進(jìn)。依據(jù)沖突系數(shù)大小分為常規(guī)融合情況和沖突融合情況。首先，需要驗(yàn)證改進(jìn)后的組合規(guī)則對(duì)常規(guī)融合情況（沖突系數(shù)K＜0.67）的結(jié)果影響，此處選擇Dempster與改進(jìn)方法進(jìn)行比較。

實(shí)驗(yàn)結(jié)果表明待測(cè)的15組待融合證據(jù)經(jīng)過(guò)改進(jìn)的組合規(guī)則能夠正確決策的為15組，均與實(shí)際決策一致（Dempster組合決策結(jié)果）。故本文的組合方法對(duì)常規(guī)情況下的證據(jù)組合并無(wú)負(fù)面影響。

其次，需要驗(yàn)證改進(jìn)后組合規(guī)則對(duì)沖突情況的影響。此處的證據(jù)源是使用本文BPA方法生成的，已經(jīng)沒有極端沖突證據(jù)，但仍具有較大沖突證據(jù)的證據(jù)。例如某一時(shí)刻，已知其決策結(jié)果為Safe，對(duì)應(yīng)的CPU利用率為15%（記為C15）、內(nèi)存利用率為80%（記為M80）和磁盤利用率為15%（記為D15）。采用本文BPA生成方法，得到BPA結(jié)果如表6所示。

由表6可知，C15與D15的BPA對(duì)焦元Safe支持率分別為0.8159和0.8218，但M80對(duì)焦元Safe的支持率僅為0.0439，明顯存在沖突。

為驗(yàn)證本文提出的加權(quán)證據(jù)融合規(guī)則的處理沖突證據(jù)融合的有效性，采用D-S組合規(guī)則、基于歐式距離的加權(quán)證據(jù)融合規(guī)則［12］、基于契比雪夫距離加權(quán)證據(jù)的融合規(guī)則［19］以及本文融合規(guī)則融合表6中BPA，對(duì)比不同融合規(guī)則的融合結(jié)果。

為解決上述沖突證據(jù)融合問(wèn)題，本文所提融合規(guī)則首先根據(jù)式（10）判斷C15與M80之間的沖突系數(shù)：K=0.8320大于0.67，按照文中融合規(guī)則融合時(shí)需要計(jì)算加權(quán)證據(jù)。

本文中的關(guān)鍵證據(jù)由所有待融合證據(jù)按式（11）計(jì)算得到。然后，在關(guān)鍵證據(jù)的基礎(chǔ)上按照式（12）～（14）計(jì)算加權(quán)證據(jù)mavg（Aj），所得加權(quán)證據(jù)為：mavg（Safe）=0.5961，mavg（Moderate）=0.3540，mavg（Dangerous）=0.0490。最后，根據(jù)式（15）～（20）分配沖突。由于各個(gè)方法生成的加權(quán)證據(jù)都不相同，即使沖突分配規(guī)則相同，沖突分配到各個(gè)焦元的量也不同。因此，本文通過(guò)對(duì)比逐次融合的目標(biāo)焦元支持率（Safe）來(lái)進(jìn)行決策。融合結(jié)果對(duì)目標(biāo)焦元的支持概率如表7、表8所示。

表7中，當(dāng)融合兩條證據(jù)（C15M80）時(shí)，文［19］方法與文［12］在均值的基礎(chǔ)上分別作歐氏距離加權(quán)和契比雪夫距離加權(quán)，并未將沖突證據(jù)與其他證據(jù)有效區(qū)分，放大了干擾焦元的作用。因此，這兩種融合規(guī)則結(jié)果的目標(biāo)焦元支持概率基本相同分別為0.4328和0.4207且對(duì)應(yīng)支持率最高的焦元（Moderate）與目標(biāo)焦元（Safe）不一致。本文加權(quán)證據(jù)的焦元Safe支持率為0.5961，明顯高于0.5，與實(shí)際目標(biāo)焦元一致，降低了干擾焦元的影響，從而判斷出正確的目標(biāo)焦元。融合結(jié)果目標(biāo)焦元Safe的支持率為0.5725，相比另外三者支持率最大差距為0.3593。

由表8可見，當(dāng)增加新的證據(jù)（D15）時(shí)，本文規(guī)則表7的結(jié)果與D50證據(jù)間沖突減小，為0.4585，小于0.67無(wú)需計(jì)算加權(quán)證據(jù)。因此，本文融合結(jié)果的目標(biāo)焦元支持率從兩條證據(jù)的0.5725增加到三條證據(jù)的0.8688，對(duì)比文［12］融合結(jié)果、文［19］融合結(jié)果和Dempster組合結(jié)果，最大差距為0.3062。根據(jù)決策規(guī)則，本文結(jié)果中支持率較大的兩個(gè)焦元—Safe和Moderate支持率差值ε=0.7376，不僅高于閾值0.2，而且高于文［12］的0.4147與文［19］的0.3884。然而，D-S組合規(guī)則結(jié)果的ε=0.1252＜0.2，無(wú)法決策。因此，本文方法的決策結(jié)果更具可靠性。

為驗(yàn)證改進(jìn)組合規(guī)則融合決策的正確率，選擇15組由本文方法生成的BPA的證據(jù)源，已不包含極端沖突證據(jù)，進(jìn)行融合。經(jīng)過(guò)組合，文［12］與文［19］規(guī)則融合沖突證據(jù)不會(huì)發(fā)生錯(cuò)誤決策，但存在1組無(wú)法融合的情況，正確率均為93.3%。經(jīng)典Dempster組合方法由于不具備處理沖突證據(jù)的能力，出現(xiàn)2組錯(cuò)誤決策的情況，決策正確率最低，為86.7%。本實(shí)驗(yàn)中，本文方法能夠解決沖突較大的證據(jù)融合問(wèn)題且15組均能正確決策。

為了對(duì)比本文方法與其他非DSET方法在評(píng)估運(yùn)行資產(chǎn)時(shí)的決策結(jié)果，采用支持向量機(jī)（support vector machines，SVM）方法和FAHP方法分別對(duì)上述15組數(shù)據(jù)進(jìn)行評(píng)估。

由于SVM本身對(duì)小樣本數(shù)據(jù)識(shí)別中具有優(yōu)勢(shì)，SVM方法的結(jié)果中僅出現(xiàn)1組決策錯(cuò)誤，正確率為93.3%。 FAHP通過(guò)構(gòu)建運(yùn)行資產(chǎn)三個(gè)要素的層次結(jié)構(gòu)，借助FAHP計(jì)算要素權(quán)重，然后結(jié)合專家經(jīng)驗(yàn)構(gòu)建模糊評(píng)價(jià)矩陣。經(jīng)計(jì)算15組中僅有1組決策錯(cuò)誤，正確率為93.3%，決策正確率很大程度上取決于專家經(jīng)驗(yàn)。而本文方法均能正確決策，正確率為100%。綜上，本文方法和其他非DSET方法相比，具有更高的決策正確率。

綜上，融合沖突較大的證據(jù)時(shí)，經(jīng)過(guò)沖突判斷和加權(quán)證據(jù)融合能夠分配證據(jù)間沖突進(jìn)行正確決策。相較于SVM方法和FAHP方法，能夠得到準(zhǔn)確率更高的視頻終端網(wǎng)絡(luò)安全評(píng)估結(jié)果。

3 結(jié) 論

本文以物聯(lián)網(wǎng)智能終端網(wǎng)絡(luò)安全評(píng)估為對(duì)象，結(jié)合視頻終端網(wǎng)絡(luò)的具體場(chǎng)景進(jìn)行了研究。針對(duì)融合評(píng)估中的BPA生成問(wèn)題，及Dempster組合規(guī)則無(wú)法處理沖突證據(jù)的問(wèn)題，提出了一種基于改進(jìn)DEST的要素層網(wǎng)絡(luò)安全評(píng)估方法。首先，采用基于聚類中心距離的BPA生成方法，無(wú)法生成焦元支持率為1的極端沖突證據(jù)，避免了視頻終端網(wǎng)絡(luò)要素層融合時(shí)的一票否決現(xiàn)象。其次，在證據(jù)間沖突較大的證據(jù)融合時(shí)引入基于關(guān)鍵證據(jù)距離的加權(quán)證據(jù)合成方法，通過(guò)沖突分配規(guī)則，使證據(jù)融合時(shí)的決策結(jié)果與實(shí)際情況相符。最后，通過(guò)搭建的視頻終端網(wǎng)絡(luò)進(jìn)行ICMP數(shù)據(jù)包攻擊實(shí)驗(yàn)，驗(yàn)證了本文提出的方法不僅能夠避免焦元支持率為1的沖突證據(jù)生成，而且能合理分配證據(jù)間沖突，從而提高了視頻終端網(wǎng)絡(luò)要素層安全評(píng)估的準(zhǔn)確性。

參 考 文 獻(xiàn)：

［1］ 劉奇旭，劉嘉熹，靳澤，等.基于人工智能的物聯(lián)網(wǎng)惡意代碼檢測(cè)綜述［J］.計(jì)算機(jī)研究與發(fā)展，2023，60（10）：2234.

LIU Qixu， LIU Jiaxi， JIN Ze， et al. Survey of Artificial Intelligence Based IoT Malware Detection［J］. Journal of Computer and Development， 2023，60（10）：2234.

［2］ 沈文科. 網(wǎng)絡(luò)安全問(wèn)題不容忽視［N］. 北京： 解放軍報(bào)社， 2021-05-27（7）.

［3］ 王皓然，付鋆，劉俊榮.多級(jí)訪問(wèn)安全下電網(wǎng)綜合運(yùn)維信息加密共享［J］.信息技術(shù)，2023 （8）：88.

WANG Haoran， FU Jun， LIU Junrong， et al. Encryption and Sharing of Power Grid Comprehensive Operation and Maintenance Information Under Multi-level Access Security［J］. Information Technology， 2023， （8）：88.

［4］ 王宇， 李俊娥， 周亮， 等. 針對(duì)嵌入式終端安全威脅的電力工控系統(tǒng)自愈體系［J］. 電網(wǎng)技術(shù)， 2020， 44（9）： 3582.

WANG Yu， LI June， ZHOU Liang， et al. A Self-healing Architecture for Power Industrial Control Systems Against Security Threats to Embedded Terminals［J］. Power System Technology， 2020， 44（9）： 3582.

［5］ DEMPSTER A. P. Upper and Lower Probabilities Induced by a Multivalued Mapping［J］. The Annals of Mathematical Statistics， 1967， 38（2）： 325.

［6］ SHAFER G. A Mathematical Theory of Evidence［M］. Princrton： Princrton University Press， 1976.

［7］ GONG Yongjian， SU Xiaoyan， QIAN Hong， et al. Research on Fault Diagnosis Methods for the Reactor Coolant System of Nuclear Power Plant Based on ds Evidence Theory［J］. Annals of Nuclear Energy， 2018， 112： 395.

［8］ MA Tianshuo， XIAO Fuyuan. An Improved Method to Transform Triangular Fuzzy Number Into Basic Belief Assignment in Evidence Theory［J］. IEEE Access， 2019， 7： 25308.

［9］ XU Peida， DENG Yong， SU Xiaoyan， et al. A New Method to Determine Basic Probability Assignment from Training Data［J］. Knowledge-Based Systems， 2013， 46（1）： 69.

［10］YAGER R R. On the Dempster-shafer Framework and New Combination Rules［J］. Information Sciences， 1987， 41（2）： 93.

［11］席在芳， 令狐強(qiáng)， 易暢， 等. 基于改進(jìn)沖突系數(shù)的證據(jù)理論組合新方法［J］. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 49（7）： 1700.

XI Zaifang， LING Huqaing， YI Chang， et al. A Novel Combination of Evidence Theory Based on Improved Conflict Coefficient［J］. Journal of Central South University （Science and Technology）， 2018， 49（7）： 1700.

［12］LIU Yuting， PAL N R， MARATHE A R， et al. Weighted Fuzzy Dempster-shafer Framework for Multimodal Information Integration［J］. IEEE Transactions on Fuzzy Systems， 2017， 26（1）： 338.

［13］LIN Yun， LI Yuyao， YIN Xuhong， et al. Multisensor Fault Diagnosis Modeling Based on the Evidence Theory［J］. IEEE Transactions on Reliability， 2018， 67（2）： 513.

［14］中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì). GB 35114-2017，公共安全視頻監(jiān)控聯(lián)網(wǎng)信息安全技術(shù)要求［S］. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2017.

［15］苗科. 基于指標(biāo)提取的網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)研究［D］. 北京： 北京郵電大學(xué)， 2015： 1.

［16］GAIGALL D. Rothman-Woodroofe Symmetry Test Statistic Revisited［J］. Computational Statistics & Data Analysis， 2020， 142： 106837.

［17］BOX G， COX D. An Analysis of Transformations［J］. Journal of the Royal Statistical Society. Series B （Methodological）， 1964， 26（2）： 211.

［18］LIU Weiru. Analyzing The Degree of Conflict among Belief functions［J］. Artificial Intelligence， 2006， 170（5）： 909.

［19］袁小珂， 王欣. 一種改進(jìn)的D-S證據(jù)合成方法［J］. 計(jì)算機(jī)測(cè)量與控制， 2013， 21（7）： 1953.

YUAN Xiaoke， WANG Xin. Improved Synthesis Method to d-s Evidence Theory［J］. Computer Measurement & Control， 2013， 21（7）： 1953.

［20］夏飛， 馬茜， 張浩， 等. 改進(jìn)D-S證據(jù)理論在電動(dòng)汽車鋰電池故障診斷中的應(yīng)用［J］. 智能系統(tǒng)學(xué)報(bào)， 2017， 12（4）： 526.

XIA Fei， MA Xi， ZHANG Hao， et al. Application of Improved d-s Evidence Theory in Fault Diagnosis of Lithium Batteries in Electric Vehicles［J］. CAAI Transactions on Intelligent Systems， 2017， 12（4）： 526.

［21］謝苗苗，李華龍.基于改進(jìn)D-S證據(jù)理論的室內(nèi)環(huán)境控制決策系統(tǒng)［J］.計(jì)算機(jī)工程與科學(xué)，2020， 42（5）：938.

XIE Miaomiao， LI Hualong. An Indoor Environment Control Decision-making System Based on Improved D-S Evidence Theory［J］. Computer Engineering & Science， 2020， 42（5）：938.

（編輯：溫澤宇）