CN106411854A

CN106411854A - 一种基于模糊贝叶斯的网络安全风险评估方法

Info

Publication number: CN106411854A
Application number: CN201610805770.2A
Authority: CN
Inventors: 范科峰; 徐克超; 高林; 周睿康; 姚相振; 刘硕
Original assignee: China Electronics Standardization Institute
Current assignee: China Electronics Standardization Institute
Priority date: 2016-09-06
Filing date: 2016-09-06
Publication date: 2017-02-15
Anticipated expiration: 2036-09-06
Also published as: CN106411854B

Abstract

本发明公开了一种基于模糊贝叶斯的网络安全风险评估方法，本发明根据欧式空间向量投影的思想提出了一种评价等级信度算法，该算法可综合多位专家的意见并可处理专家由于不确定性而给出多个评价结果的情况，然后再通过高斯隶属度函数对评价结果进行模糊化处理，最后结合贝叶斯网络模型的推理算法求解被测信息系统所面临的风险大小。此方法可增强评估结果的客观性和有效性，从而为后续风险的控制和管理提供了更为合理有效的依据。

Description

一种基于模糊贝叶斯的网络安全风险评估方法

技术领域

本发明涉及一种安全风险评估方法，具体为一种基于信度向量正交投影分解的模糊贝叶斯网络安全风险评估方法，属于网络技术领域。

背景技术

随着互联网技术的发展和网络攻击技术的不断革新，网络带来的诸多安全问题已成为人们关注的焦点，信息安全风险评估作为信息安全保障工作的重要内容之一，只有尽可能客观有效地对风险进行识别和量化，才能保证后续对风险的防范和化解，将其控制在可接受的范围之内。

常用的信息安全风险评估方法大致可以分为三类：定量评估方法、定性评估方法和综合评估方法。典型的定量评估方法主要有聚类分析法、因子分析法、等风险图法等，此类方法可以较为客观地用数据来表示评估结果，但有时量化的数据可能会曲解问题；典型的定性评估方法主要有德尔斐法、逻辑分析法、历史比较法等，此类方法可以更为全面深刻地反映评估结论，但有时会存在较强的人为主观性；典型的综合评估方法主要有层次分析法等，此类方法将定量和定性评估结合起来，尽可能充分利用专家的知识和经验又用量化的方法使评估结果较为客观可信，然而如何根据具体问题将二者有效结合，充分发挥定量和定性各自的优势，是人们不断致力的方向。

目前，研究者们基于模糊集、D-S证据理论、灰色理论以及机器学习等理论提出了一系列改进的风险评估方法，推进了信息安全风险评估的研究进展。模糊综合评价方法是一种定性和定量相结合的分析方法，通过隶属度理论将定性评价转化为定量评价，可有效处理专家在评估过程的主观性和客观模糊现象难以量化的情况；D-S证据理论是一种不确定性的推理方法，能够处理由于不知道和不准确引起的不确定性问题；灰色理论的研究对象主要是信息量不足、具有不完整性的系统，能对客体进行一系列的评估预测工作；机器学习可模拟人类学习的过程，根据现有知识构建规则获取新知识来进行风险评估。

在信息安全风险评估过程中，倘若有多位专家对各风险影响因素进行评价，同时又由于自身的不确定性而给出多个评价结果，对于这种评估结果的多样性和不确定性的情况，现有方法往往不能很好地对其进行综合处理，所得结果的客观性有待提高。因此，研究一种能够综合考虑多位专家的评价结果及其不确定性的情况具有十分重要的现实意义。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于信度向量正交投影分解的模糊贝叶斯网络安全风险评估方法，用以处理由于专家的不确定因素而给出多个评价等级的情况，同时提高评估结果的客观性和有效性。

本发明通过以下技术方案来实现上述目的，一种基于模糊贝叶斯的网络安全风险评估方法，该方法包括：

S101、通过信度向量正交投影分解算法综合多位专家的评价结果，计算各风险影响因素处于不同风险等级的信度；

S102、对S101中计算的各风险影响因素处于不同风险等级的信度进行量化，再利用高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，计算隶属于不同风险等级的程度，再结合信度进行加权求和，计算各风险影响因素处于不同风险等级的概率值；

S103、将S102中计算的各风险影响因素处于不同风险等级的概率值输入到由贝叶斯网络构建的信息安全风险评估指标体系中，计算整个信息系统处于不同风险等级的概率值；

S104、根据“重心法”进行反模糊化处理，量化整个信息系统的风险大小。

优选的，S101中的通过信度向量正交投影分解算法综合多位专家的评价结果，计算各风险影响因素处于不同风险等级的信度，具体包括：

1)、将K位专家对某一风险影响因素H的评价等级结果记作V_i(其中i＝1,2,…,K)，再将所有评价结果相并，用识别框架Ω来表示，记作因为Ω中的N个元素两两互不包含，利用欧式空间的思想作如下类比：

(1)把识别框架Ω看作是包含N个坐标轴的N维向量空间；

(2)把Ω中互不包含的N个元素看作是两两相互垂直的坐标轴，即x₁,x₂,…,x_j,…,x_n；

(3)将每位专家的评价等级结果V_i看作N维向量空间Ω的一个信度向量v_i(i＝1,2,…,K)；

2)、若某评价等级结果V_i有M个元素，令V_i对应的信度向量v_i与这M个坐标轴的夹角相等，与坐标系中其他的坐标轴夹角为90度，因此，当坐标轴x_j包含于信度向量v_i中时，v_i与这一坐标轴的方向夹角余弦当坐标轴x_j不包含于信度向量v_i中时，v_i与这一坐标轴的方向夹角余弦

3)、计算各信度向量v_i的模||v_i||，即每位专家的准确率归一化后的结果，然后计算各信度向量v_i在各坐标轴x_j(其中j＝1,2,…,n)上的正交投影分解值，即

4)、将每个信度向量v_i在同一个坐标轴上的正交投影分解值累加求和，然后再归一化，即得这一风险影响因素H在各评价等级的信度。

优选的，S102中的对各风险影响因素所处的不同风险等级进行量化，再利用高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，计算隶属于不同风险等级的程度，具体包括：

1)、将某一风险影响因素的风险大小分为N个等级，量化值均定义在[0，1]区间，风险越大值越大，反之，量化值越小；

2)、根据N个风险等级构造N个高斯隶属度函数

其中，所述的μ代表隶属度函数的中心，中心值的选取根据划分的风险等级来决定，且在[0，1]区间内，尽可能均匀分布；所述的σ表示隶属度函数的宽度，反映了专家对自己给出的评价结果的不确定度，σ越大，表明专家对评估值的确信度越低；

3)、通过高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，即把量化后的评价等级分别输入到N个隶属度函数中，再归一化，便可求得专家对这一风险影响因素的评价等级隶属于不同风险等级的程度。

优选的，S102中的结合隶属度和信度进行加权求和，计算各风险影响因素处于不同风险等级的概率值，具体包括：将信度向量正交投影分解算法求得的信度作为权重，与评价等级隶属于不同风险等级的程度相乘，再将同一风险等级的概率值相加，即得各风险影响因素处于不同风险等级的概率值。

优选的，S103中的将各风险影响因素处于不同风险等级的概率值输入到由贝叶斯网络构建的信息安全风险评估指标体系中，计算整个信息系统处于不同风险等级的概率值，具体包括：

1)、根据信息安全风险评估相关技术和管理标准，再结合实际情况构建贝叶斯网络模型；

其中，贝叶斯网络模型由模型结构和模型参数两部分构成，模型结构是一个有向无环图，由代表变量的节点和代表变量之间因果关系的有向弧组成，模型参数则是代表变量之间关系的条件概率表CPT；

2)、贝叶斯网络模型推理过程具体包括：倘若一个贝叶斯网络中有n个隐藏节点H＝{H₁,H₂,…,H_n}和m个可观测节点O＝{O₁,O₂,…,O_m}，节点H_i的父节点记作F(H_i)，节点O_j的父节点记作F(O_j)，根据条件独立性假设和d-分离法则，所有变量的联合概率分布为再结合贝叶斯公式，便可根据观测节点的概率推断隐藏节点的概率

3)、将各风险影响因素作为贝叶斯网络模型的可观测节点，整个信息系统的风险作为贝叶斯网络的根节点，把各风险影响因素处于不同等级的概率值输入到构建的贝叶斯网络模型中，计算整个信息系统处于不同风险等级的概率值。

优选的，具体实施时，贝叶斯网络模型中的条件概率表CPT由专家经验得来，可以根据大量的样本数据进行反复实验，对表中数据进行适当调整，来提高风险评估结果的客观性。

优选的，根据“重心法”进行反模糊化处理，量化整个信息系统的风险大小，具体包括：设定各风险等级的重心值，与各自对应的概率值相乘，再相加，便得到整个被测信息系统所面临的风险值。

本发明的有益效果为：本发明根据欧式空间向量投影的思想提出了一种评价等级信度向量正交投影分解算法，该算法可综合多位专家的意见并可处理专家由于不确定性而给出多个评价结果的情况，然后再通过高斯隶属度函数对评价结果进行模糊化处理，最后结合贝叶斯网络模型的推理算法求解被测信息系统所面临的风险大小。与现有技术相比，本发明克服了传统贝叶斯网络风险评估方法中太过依赖专家主观性判断的缺点，尤其对于专家评估结果多样和不确定的现象，能对其进行合理的数据处理，从而增强了评估结果的客观性和有效性，为后续风险的控制和管理提供了更为合理有效的依据。

附图说明

图1为本发明实施例中一种基于信度向量正交投影分解的模糊贝叶斯网络安全风险评估方法的流程示意图；

图2为本发明实施例中评价等级信度向量正交投影分解算法的流程示意图；

图3为本发明实施例中基于贝叶斯网络的信息安全风险评估指标体系；

图4为本发明实施例中专家对各风险影响因素的评价结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明利用贝叶斯网络的推理算法计算信息系统所面临的风险大小，在此基础上，根据欧式空间向量投影的思想提出了一种评价等级信度向量正交投影分解算法，该算法可综合多位专家的意见并可处理专家由于不确定性而给出多个评价结果的情况。与现有技术相比，本发明克服了传统贝叶斯网络风险评估方法中太过依赖专家主观性判断的缺点，尤其对于专家评估结果多样和不确定的现象，能对其进行合理的数据处理，从而增强了评估结果的客观性和有效性。为了更好地理解本发明，下面以一个具体的例子对本发明进行详细的说明。

系统实施例

根据相关技术和管理标准，在信息安全风险评估过程中，主要涉及三个基本要素，分别是资产A、威胁T和脆弱性V。评价资产的三个安全属性是保密性A1、完整性A2和可用性A3；造成威胁的因素可分为环境因素T1和人为因素T2；对脆弱性进行识别主要从技术V1和管理V2两方面进行。在此基础上，构建了本发明实施例中基于贝叶斯网络的信息安全风险评估指标体系，参见图3，此贝叶斯网络模型包含7个可观测节点和4个隐藏节点。请五位专家对7个可观测风险影响因素进行评价，评价等级分为很低(VL)、低(L)、中等(M)、高(H)和很高(VH)，评价结果参见图4，五位专家的准确率分别为0.8，0.85，0.9，0.8，0.9。

本发明实施例提供了一种基于信度向量正交投影分解的模糊贝叶斯网络安全风险评估方法，参见图1，该方法包括：

S102、对各风险影响因素所处的不同风险等级进行量化，再利用高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，计算隶属于不同风险等级的程度，再结合信度进行加权求和，计算各风险影响因素处于不同风险等级的概率值；

S103、将各风险影响因素处于不同风险等级的概率值输入到由贝叶斯网络构建的信息安全风险评估指标体系中，计算整个信息系统处于不同风险等级的概率值；

本发明实施例所述的信度向量正交投影分解算法流程示意图参见图2，该算法可综合多位专家的评价结果，计算各风险影响因素处于不同风险等级的信度，具体包括：

将五位专家对资产保密性的评价等级结果记作V_i(其中i＝1,2,…,5)，V₁＝{高}，V₂＝{中等}，V₃＝{中等，高}，V₄＝{中等}，V₅＝{高}，再将所有评价结果相并，用识别框架Ω来表示，记作因为Ω中的两个元素互不包含，利用欧式空间的思想作如下类比：

(1)把识别框架Ω看作是包含两个坐标轴的二维向量空间；

(2)把Ω中互不包含的两个元素看作是相互垂直的坐标轴，即x₁,x₂，其中，x₁代表“中等”，x₂代表“高”；

(3)将每位专家的评价等级结果V_i看作二维向量空间Ω的一个信度向量v_i(i＝1,2,…,5)；

V₁有一个元素“高”，对应的信度向量v₁与两个坐标轴x₁和x₂的方向夹角分别为和x₁不包含于v₁中，因此，v₁与坐标轴x₁的方向夹角余弦x₂包含于v₁中，因此，v₁与坐标轴x₂的方向夹角余弦

同理，信度向量v₂与两坐标轴的方向余弦分别是和信度向量v₃与两坐标轴的方向余弦分别是和信度向量v₄与两坐标轴的方向余弦分别是和信度向量v₅与两坐标轴的方向余弦分别是和

计算各信度向量v_i的模||v_i||，即每位专家的准确率归一化后的结果，||v₁||＝0.8/(0.8+0.85+0.9+0.8+0.9)＝0.1882，||v₂||＝0.2，||v₃||＝0.2118，||v₄||＝0.1882，||v₅||＝0.2118；

计算各信度向量v_i在各坐标轴x_j(其中j＝1,2,…,n)上的正交投影分解值，即计算结果如下：

将每个信度向量v_i在同一个坐标轴上的正交投影分解值累加求和，得到在坐标轴x₁上的投影值之和r₁＝0+0.2+0.1498+0.1882+0＝0.538，在坐标轴x₂上的投影值之和r₂＝0.1882+0+0.1498+0+0.2118＝0.5498，归一化后得到即得资产保密性使风险处于中等的信度为0.4946，处于高的信度为0.5054；

同理，资产完整性使风险处于低的信度为0.4，处于中等的信度为0.4118，处于高的信度为0.1882；资产可用性使风险处于中等的信度为0.4，处于高的信度为0.6；环境因素使风险处于很低的信度为0.3882，处于低的信度为0.6118；人为因素使风险处于中等的信度为0.5164，处于高的信度为0.4836；技术脆弱性使风险处于很低的信度为0.2，处于低的信度为0.8；管理脆弱性使风险处于低的信度为0.6118，处于中等的信度为0.3882。

本发明实施例所述的对各风险影响因素所处的不同风险等级进行量化，再利用高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，计算隶属于不同风险等级的程度，具体包括：

将五个风险等级进行量化，很低、低、中等、高和很高的量化值分别定为0.1、0.3、0.5、0.7和0.9；

根据五个风险等级构造五个高斯隶属度函数

其中，所述的μ代表隶属度函数的中心，中心值的选取根据划分的风险等级来决定，且在[0，1]区间内，尽可能均匀分布；所述的σ表示隶属度函数的宽度，反映了专家对自己给出的评价结果的不确定度，σ越大，表明专家对评估值的确信度越低；设本实施例中五个不同等级对应的隶属度函数分别为令σ＝0.1；

通过高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，若专家给出的评价等级为“很低”，量化值为0.1，将0.1输入到五个隶属度函数并归一化后，所得结果即为“很低”评价隶属于五个风险等级的程度为H_VL＝(0.6511 0.3485 0.0004 0 0)；

同理，“低”评价隶属于五个风险等级的程度为H_L＝(0.0108 0.8576 0.1316 00)；“中等”评价隶属于五个风险等级的程度为H_M＝(0 0.0404 0.9192 0.0404 0)；“高”评价隶属于五个风险等级的程度为H_H＝(0 0 0.1315 0.8577 0.0108)；“很高”评价隶属于五个风险等级的程度为H_VH＝(0 0 0.0004 0.3485 0.6511)。

本发明实施例所述的结合隶属度和信度进行加权求和，计算各风险影响因素处于不同风险等级的概率值，具体包括：

资产保密性使风险处于中等的信度为0.4946，处于高的信度为0.5054，“中等”评价隶属于五个风险等级的程度为H_M＝(0 0.0404 0.9192 0.0404 0)，“高”评价隶属于五个风险等级的程度为H_H＝(0 0 0.1315 0.8577 0.0108)，计算0.4946×H_M+0.5054×H_H＝(00.0200 0.5211 0.4535 0.0054)，即资产保密性使风险处于很低、低、中等、高和很高五个等级的概率分别为0、0.0200、0.5211、0.4535、0.0054；

同理，资产完整性使风险处于五个等级的概率分别为0.0043、0.3597、0.4559、0.1781、0.0020；资产可用性使风险处于五个等级的概率分别为0、0.0161、0.4466、0.5308、0.0065；环境因素使风险处于五个等级的概率分别为0.2594、0.6600、0.0806、0、0；人为因素使风险处于五个等级的概率分别为0、0.0209、0.5383、0.4356、0.0052；技术脆弱性使风险处于五个等级的概率分别为0.1388、0.7558、0.1054、0、0；管理脆弱性使风险处于五个等级的概率分别为0.0066、0.5404、0.4373、0.0157、0。

本发明实施例所述的将各风险影响因素处于不同风险等级的概率值输入到由贝叶斯网络构建的信息安全风险评估指标体系中，计算整个信息系统处于不同风险等级的概率值，具体包括：

将各风险影响因素作为贝叶斯网络模型的可观测节点，整个信息系统的风险作为贝叶斯网络的根节点，把各风险影响因素处于不同等级的概率值输入到构建的贝叶斯网络模型中，计算整个信息系统处于不同风险等级的概率值，结果表明风险处于很低、低、中等、高和很高的概率分别为0.0591、0.2208、0.5007、0.1709、0.0485；

具体实施时，贝叶斯网络模型中的条件概率表CPT由专家经验得来，可以根据大量的样本数据进行反复实验，对表中数据进行适当调整，来提高风险评估结果的客观性。

本发明实施例所述的根据“重心法”进行反模糊化处理，量化整个信息系统的风险大小，具体包括：

设定很低、低、中等、高和很高这五个风险等级的重心值分别为0.1、0.3、0.5、0.7和0.9；

由上所得，五个风险等级对应的概率分别为0.0591、0.2208、0.5007、0.1709、0.0485，计算整个被测信息系统所面临的风险值为0.1×0.0591+0.3×0.2208+0.5×0.5007+0.7×0.1709+0.9×0.0485＝0.4858。

综上，本发明根据欧式空间向量投影的思想提出了一种评价等级信度向量正交投影分解算法，该算法可综合多位专家的意见并可处理专家由于不确定性而给出多个评价结果的情况，然后再通过高斯隶属度函数对评价结果进行模糊化处理，最后结合贝叶斯网络模型的推理算法求解被测信息系统所面临的风险大小。此方法可增强评估结果的客观性和有效性，从而为后续风险的控制和管理提供了更为合理有效的依据。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims

1.一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：该方法包括：

2.根据权利要求1所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：S101中的通过信度向量正交投影分解算法综合多位专家的评价结果，计算各风险影响因素处于不同风险等级的信度，具体包括：

(1)把识别框架Ω看作是包含N个坐标轴的N维向量空间；

3.根据权利要求1所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：S102中的对各风险影响因素所处的不同风险等级进行量化，再利用高斯隶属度函数对专家给出的评价等级量化值进行模糊化处理，计算隶属于不同风险等级的程度，具体包括：

2)、根据N个风险等级构造N个高斯隶属度函数

4.根据权利要求1所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：S102中的结合隶属度和信度进行加权求和，计算各风险影响因素处于不同风险等级的概率值，具体包括：将信度向量正交投影分解算法求得的信度作为权重，与评价等级隶属于不同风险等级的程度相乘，再将同一风险等级的概率值相加，即得各风险影响因素处于不同风险等级的概率值。

5.根据权利要求1所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：S103中的将各风险影响因素处于不同风险等级的概率值输入到由贝叶斯网络构建的信息安全风险评估指标体系中，计算整个信息系统处于不同风险等级的概率值，具体包括：

2)、贝叶斯网络模型推理过程具体包括：倘若一个贝叶斯网络中有n个隐藏节点H＝{H₁,H₂,…,H_n}和m个可观测节点O＝{O₁,O₂,…,O_m}，节点H_i的父节点记作F(H_i)，节点O_j的父节点记作F(O_j)，根据条件独立性假设和d-分离法则，所有变量的联合概率分布为

再结合贝叶斯公式，便可根据观测节点的概率推断隐藏节点的概率

P (h_{1}, h_{2}, ..., h_{n} / o_{1}, o_{2}, ..., o_{m}) = \frac{Π_{i = 1}^{n} P (h_{i} | F (H_{i})) Π_{j = 1}^{m} P (o_{j} | F (O_{j}))}{\underset{h_{1}, h_{2}, ..., h_{n}}{Σ} Π_{i = 1}^{n} P (h_{i} | F (H_{i})) Π_{j = 1}^{m} P (o_{j} | F (O_{j}))};

6.根据权利要求5所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：具体实施时，贝叶斯网络模型中的条件概率表CPT由专家经验得来，可以根据大量的样本数据进行反复实验，对表中数据进行适当调整，来提高风险评估结果的客观性。

7.根据权利要求1所述的一种基于模糊贝叶斯的网络安全风险评估方法，其特征在于：根据“重心法”进行反模糊化处理，量化整个信息系统的风险大小，具体包括：设定各风险等级的重心值，与各自对应的概率值相乘，再相加，便得到整个被测信息系统所面临的风险值。