闻乾达，王秀华
（1运城学院数学与信息技术学院 山西 运城 044000）
（2晋中学院信息技术与工程系 山西 晋中 030600）
网络信息的载体、传播方式的改变及互联网行业持续不断的创新发展，为网络信息传输提供便利的同时，也为攻击者提供了更加快捷的攻击渠道。为检测网络安全，相关研究人员设计了多种风险检测方法。其中，基于N-gram算法的检测方法，与基于自动化分析的检测方法应用较为广泛。基于N-gram算法的检测方法，主要是针对网络通信协议分析网络安全风险，并以特征匹配的方式，捕获存在风险的数据包，以此提升网络风险检测精准度[1]。基于自动化分析的检测方法，主要是利用自动化检测技术，对网络环境数据进行实时监督，并在网络环境监测过程中，引入自动化风险分析技术，从而提升网络风险检测精准度[2]。以上2种方法，主要是针对已发生的网络攻击进行检测，难以将网络用户的损失降到最低，且难以满足如今的网络环境[3]。
为解决上述方法中存在的问题，本文基于人工免疫算法设计了一种新的网络安全风险检测技术。人工免疫是将病毒接种到人体中，使人产生抗体，对抗相应的病毒[4]。应用至网络安全中，网络攻击即病毒，网络即人体，使网络适应攻击类型，并作出基本防御，提升网络安全性，确保网络用户的用网安全。
1.1 判别网络安全风险来源
在判定网络安全风险来源的过程中，主要从网络漏洞的严重程度、攻击者与受害者的漏洞逻辑关系，以及模拟网络攻击场景3个方面判定，定量分析网络潜在风险[5]。引进CVSS标度分析每个风险源，见表1。
表1 网络安全风险来源
在表1中，针对不同的风险源，对风险安全指标赋予不同级别的量化值。CVSS标度量化值受到取值的影响：本地AV量化值为0.365，邻近网络AV量化值为0.616，网络AV量化值为0；
高AC量化值为0.36，中AC量化值为0.62，低AC量化值为0.72；
多个AU量化值为0.46，单一AU量化值为0.57，无AU量化值为0.705；
无影响C/I/A量化值为0，部分影响C/I/A量化值为0.285，完全影响C/I/A量化值为0.665。
1.2 进行网络安全风险实时评估
从网络安全状态变化情况进行分析，考虑攻击者的攻击强度，对安全风险数据进行评估[7]。当网络攻击发生时，漏洞的潜在风险被引发，形成整个网络的风险[8]。本文利用网络漏洞的脆弱性，对网络进行科学的风险评估，以此构建一个风险动态评估图[9]。本文给定一个攻击路径集合A，找出最佳加固方案，使网络加固效果达到最佳，其公式可表示为
式中：δ为风险要素；
F()δ为风险评估的目标函数；
a1()δ为决策向量1a在攻击路径集合A的安全风险；
a2()δ为决策向量a2在攻击路径集合A的安全风险；
1a、a2为集合A的决策向量；
t为攻击次数。在此基础上，本文利用人工免疫算法对决策向量进行编码，并将风险评估的目标函数F()δ作为抗原，则抗原群体（网络风险攻击策略）可表示为
式中：K为抗原群体（网络风险攻击策略）；
iδ为抗原群体中的第i个风险要素；
I为网络攻击可能性；
Mδ为风险要素的CVSS标度量化值。人工免疫算法的克隆选择机制，能够针对K克隆，创建抑制共同抗体，使算法更快地收敛，达到最优解。
1.3 基于人工免疫算法检测网络免疫风险
为实现网络风险的定量检测，对网络进行免疫监视。其中，K每隔t就更新一次，在t次攻击过程中，被激活的免疫细胞与成熟细胞检测到的无效K进行自体删除。将网络中所有抗原数据集合，产生记忆细胞，抵抗风险抗原。将记忆细胞分类，网络面临的总体风险可表示为
式中：R(k)为网络面临的总体风险；
iκ为主机受到攻击的危险性。当R(k)=0时，表示网络攻击对主机没有威胁，为网络免疫风险状态，该值越大，网络风险越大，危险性越高。对网络风险度量指标进行计算，其公式可表示为
为验证本文设计的检测方法是否具有使用价值，以蒋荣萍[1]25基于N-gram算法的检测方法为对比方法1、严威等[2]16基于自动化分析的检测方法为对比方法2，进行3种方法的对比实验。
2.1 实验过程
本文实验在某大学网络安全实验室进行，共计20台计算机参与实验。模拟出DOS、MITM、syn flood、land、teardrop、鲸鱼钓鱼、勒索软件、SQL注入等约20种网络攻击，并进行检测。当网络攻击的威胁性超过0.5，即为“病情”严重，需要管理。利用人工免疫算法进行风险检测，抗原由风险源地址、目的地址、端口号等组成，其更新时间设为6，免疫细胞的成熟周期设为3 d。实验前对每个参数进行10次及以上实验以调整参数设置，确保实验参数的稳定性。
调整激活阈值μ参数，TP值是人工免疫算法的关键指标，代表免疫细胞的凝血时间。TP值越高，免疫细胞在成熟周期内被激活进化为记忆细胞的可能性越大。m对TP值得影响如图1所示。可以看出，在μ=4时，免疫细胞在23 000 s处成熟，TP=0.9；
μ=8时，免疫细胞在15 000 s处成熟，TP=1.1；
μ=12时，免疫细胞在11 000 s处成熟，TP=1.0。由此可见，在μ=12时，免疫细胞成熟速度较快，TP值较大，生成记忆细胞的数目较多，网络风险的检测精准度较高。
图1 μ对值TP的影响
对参数ε进行分析，ε为免疫细胞成熟的最大数目。TP值越高，成熟的细胞数目越多，检测得到的风险越精准。ε对TP值的影响如图2所示，设置ε取值为300、500、700。可以看出，当ε=300时，细胞在10 000 s处成熟数目稳定，TP=0.8；
当ε=500时，细胞在21 000 s处成熟数目稳定，TP=0.9；
当ε=700时，细胞在10 000 s处成熟数目稳定，TP=1.0。由此可见，在ε=700时，TP值较大，免疫细胞成熟数目最多且稳定，网络风险的检测精准度较高。
图2 ε对TP值的影响
在免疫细胞成熟后，对免疫细胞抗体浓度保持周期η进行分析。风险指标越高，网络风险越大，对网络用户的危害越大。已知网络风险指标为1.0，在η取值为5 000、10 000、20 000基础上，风险指标达到1.0才能保证检测效果。h对风险评估的影响如图3所示，可以看出，当h=5 000时，在60～70 s处存在稳定的风险指标，为1.0；
当h=10 000时，在50～60 s处存在稳定的风险指标，为1.0；
当h=20 000时，在70～80 s处存在稳定的风险指标，为1.0。由此证明，在h=10 000时，能够快速地检测出风险指标，缩短网络攻击检测时间。
图3 η对风险评估的影响曲线
2.2 实验结果
对比3种方法检测到的风险指标，检测到的风险指标与实际指标越接近，风险等级判定越合理，风险检测精准度也越高。实验结果见表2，可见，在其他条件均一致的情况下，2种对比方法检测到的风险指标与网络风险度量指标分别相差±0.05和±0.02，检测误差相对较高。而本文方法检测到的风险指标与网络风险度量指标相差±0.001，检测误差相对较低，且本文方法检测的风险指标与实际指标一致，能够保证后续风险等级的判定有效性，对于网络安全使用具有重要作用，符合本文研究目的。
表2 实验结果
风险检测能够挖掘出网络自身的脆弱性，并找出风险源，在网络攻击发生之前，及时作出示警并进行安全加固，最大限度地保证网络用户的用网安全。本文利用人工免疫算法，提出了一种网络安全风险检测方法。从风险源判别、风险评估、风险免疫检测等方面，实现网络风险的精准检测。再在实验室中模拟出多种网络攻击类型，对网络风险指标进行检测，结果表明本文方法在网络安全风险检测中具备较为良好的效果，为网络后续安全加固提供支撑。
猜你喜欢精准度网络安全指标一类带临界指标的非自治Kirchhoff型方程非平凡解的存在性数学物理学报(2022年5期)2022-10-09让党建活动更加有“味”——礼泉县增强“两新”党建精准度当代陕西(2020年24期)2020-02-01最新引用指标计算机应用(2018年12期)2019-01-08网络安全中国生殖健康(2019年10期)2019-01-07莫让指标改变初衷商周刊(2018年26期)2018-12-29网络安全人才培养应“实战化”信息安全研究(2018年12期)2018-12-29基于高精度差分法的线性常微分方程边值问题研究安阳工学院学报(2018年6期)2018-11-28上网时如何注意网络安全？小学生必读(中年级版)(2018年4期)2018-07-052017年IoT设备DDoS攻击更严重网络安全和信息化(2018年3期)2018-03-03论提高不动产产权保护精准度的若干问题自然资源情报(2017年4期)2017-11-26
