基于动态贝叶斯网络的复杂网络攻击方法研究

基于动态贝叶斯网络的复杂网络攻击方法研究刘飞飞;蔺婧娜;刘潇潇【摘要】在制定网络攻击策略时,目标网络信息存在不确定性,攻击方缺乏综合、可靠、实时的攻击依据,难以达到攻击效果,为此提出一种科学的复杂网络攻击方法.对网络攻击中攻击方收益、损耗、代价和遇到的风险进行分析,建立指标体系,利用动态贝叶斯网络对网络节点的攻击效果进行综合评估,克服了传统节点重要度评估方法依靠网络拓扑单一指标或者对目标节点进行静态评估的缺点.仿真实验表明该方法在攻击时综合了更多节点关系和观测信息,避免了依靠静态评估手段实施攻击时实际攻击效果与理论期望的差距,同时在攻击精度上更加准确,攻击效能更高.%The uncertain attack information and the lack of a reliable basis for command and decision-maker in the formu-lation of the attack plan in complex network attacks, lead to the effect of attacks difficult to achieve mission objectives when implementing action. For this situation, this paper presents a scientific complex network attack effect evaluation method. By analyzing income, cost of attack, loss of the attacker, attacker risks encountered network attacks, the paper establishes the corresponding index system, through DBN method for a comprehensive assessment of the effect of attacking nodes in the network, effectively overcomes the traditional node selection method relying on a single indicator of network topology, the results show that the fuzzy dynamic model synthesizes more nodes connection and informations of observed data and can overcome the static evaluation method to carry out attacks in the gap between theactual attack and theory of expectation effect while making more precision and higher performance on attack.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)011【总页数】9页(P18-25,60)【关键词】网络攻击;动态贝叶斯网络;复杂网络;综合评估【作者】刘飞飞;蔺婧娜;刘潇潇【作者单位】山西大学商务学院,太原 030031;山西大学商务学院,太原 030031;山西大学商务学院,太原 030031【正文语种】中文【中图分类】TP391网络空间信息对抗中的态势感知系统、监测控制系统、信息枢纽中心及各类力量单元由高度联结复杂网络所构成，在信息对抗中首先攻击对方网络系统，能够直接破坏或瓦解对方的信息防御体系，随着信息技术的不断发展，复杂网络在军事和经济领域的应用越来越广泛、网络应用的组织结构更具协同化，应用的层次朝多方向发展，网络攻击行为更具不确定性，攻击策略呈复杂化和多样化趋势，怎样使用有限的力量对目标网络的众多节点进行最具价值的攻击，关系到攻击效能的高低，网络攻击策略的制定需要对网络攻击效果进行精确的效果评估已经形成共识，如何在复杂的网络环境下对网络攻击的效果作出定性和定量的评估，检验攻击行为的有效性和网络系统的安全性，已成为相关领域的研究热点，目前，国内外学者在相关领域基于传统攻击方法的研究取得了一定成果，Petter Holme等人研究了不同网络模型在随机攻击和选择性攻击下的抗毁性，陈盼和吴晓峰等人提出一种基于局部拓扑结构已知的复杂网络攻击策略，Tsen F P和T Y Sung提出了基于最小生成树准则来评价链路重要性算法，胡爱群、王勇等人以此为基础从网络的节点角度出发，提出了基于最小生成树准则的节点删除法，来判定网络各节点的重要性，上述及现有大部分研究主要以网络局部拓扑结构或者网络节点的单一特性在攻击中的表现为基础，没有考虑网络攻击的代价以及面临的风险，现实世界中许多网络都是无标度网络例如Internet，这类网络在这种假设前提下的攻击中表现出了很强的鲁棒性，当遭受选择性攻击时并没有出现崩溃，此外大多数方法主要是对网络系统的攻击效果进行局部或孤立的看待，以此来对复杂网络节点特性进行评估[1]，没有考虑时间因素和攻击频率，对未知的网络攻击态势分析不彻底，不能有效应对未知及不确定信息对网络节点攻击造成的影响[2]，在进行复杂网络攻击时应该全面衡量攻击策略强度，将攻击代价，风险，收益全面纳入考量因素，动态贝叶斯网络（Dynamic Bayesian Network）是近年来不确定环境下效果评估的一个发展方向，当获得的目标网络节点情报信息为模糊状态且在时序上呈动态不确定时，建立DBN评估模型可以对网络系统中节点受攻击前后的信息变化对网络局部和全局所产生影响进行连续感知和评估，为复杂网络攻击行动提供一种更加精确的定量分析手段，获得更加有利的攻击态势信息，从而选择更加有效的攻击策略。

由于网络节点重要性的度量不下数十种，涵盖拓扑结构、动力学过程等多个方面，所以对复杂网络中节点的攻击效果进行客观评价，必须建立合理完备的评估指标体系，按照构建指标体系的一般原则，综合考虑分析的各类影响因素，从网络局部、全局属性、级联失效三个方面考虑构建评估指标体系，通过一系列反应网络系统结构信息的关键度量指标，分析拓扑结构属性，量化演化网络的结构属性值的变化，说明在对复杂网络系统攻击时，网络动态演化过程中节点的连接关系变化，从而判断受攻击后的网络功能受损情况，得出攻击效果综合性评估结论，为后续选择性攻击提供目标性强的策略。

1.1 建立指标体系1.1.1 基于网络局部属性攻击收益攻击收益指网络攻击前预期行动收到的效果。

在网络攻击过程中主要指被攻击的网络节点瘫痪后，对方网络会有多大的影响，受蓄意攻击的节点在敌方网络中的重要度以及其受攻击瘫痪后可能对全局的影响，从而据此确定攻击策略[3-5]。

节点的网络局部属性重要性指标较容易量化，只需考虑相邻节点的自身的属性信息，适用于分析大规模网络中局部网络节点重要性。

定义1（节点度）网络中节点i的度定义为与其相邻的节点数目，其表达如下：aij=1表示节点i,j（i≠j）间直接连接，否则aij=0，该属性体现单个节点在局部网络中影响其他节点的功能特性的程度，同时网络中节点的重要性不仅取决于其自身的属性信息，相邻节点的度对其重要性也存在一定影响，基于相邻节点信息与集聚系数，节点重要度可以定义为L(i)，具体如下：Γ(i)表示节点i的相邻节点集合，Γ(j)是节点与j最近邻居节点集合，N(u)为节点u最近邻居节点数以及次相邻节点数的和。

定义2（接近中心性）节点的接近表示节点i与网络中其余节点的最短路径距离之和的倒数，若dij为节点i到节点j的最短距离，则其表达式为：节点接近中心性值越大，其居于网络中心位置的程度越大，该节点就越重要。

定义3（介数中心性）若gjk(i)表示节点j和k之间经过节点i的最短路径的条数，gjk表示节点j和k之间所有最短路径条数，则介数中心性表达式为：如果一个节点为网络中其余节点通信的必经之路，则其地位越重要，其对网络通信的影响力越大。

定义4（簇系数）网络中和一个节点相连的全部节点间连接程度，可定义为节点簇系数和网络簇系数两种。

节点簇系数定义用系数Ci表达如下：ui是与节点i相连的节点数量，ei为与该节点相连的节点间可能存在的边数量。

网络簇系数定义为网络中各个节点簇系数平均值，表达如下：网络内节点间联系紧密程度与网络簇系数成正比关系，当系数值为1时，该网络是完全图，任意节点间都有边连接；若系数为0表示网内节点都为孤立节点，节点间没有边存在。

此外在综合考虑节点的相邻节点个数，以及其间的关联程度后，使用一种基于相邻节点信息与簇系数的方法可以更加客观判断节点重要性，具体定义如下：式中fi是节点i的度和相邻节点度的和，为节点u的度，gi表示如下：式中ci为节点簇系数。

1.1.2 基于网络全局属性攻击收益基于网络全局属性的重要性指标，主要考量网络系统整体的拓扑信息，指标的选取要求综合、精确反应网络的功能结构，计算复杂度较高，适用于对复杂网络中较大区域或多层次、多子网并行攻击时所考量的指标参数[6-7]。

定义5（特征向量）使用度指标对节点重要度进行评价时，相邻的节点都被看作相同重要，这种考虑不现实，节点间是不平等的，判断该节点的重要性时，相邻节点对其的影响也应当考虑，若一个节点受相邻节点的影响较大，则该节点重要性很可能较高，若受相邻节点影响不大，就算该节点的邻居数量很多，也不一定不重要，视这种情况为相邻节点的重要性反馈。

本文使用特征向量来衡量节点的这一特性，即网络邻接矩阵对应的最大特征值的特征向量，具体定义如下：式中λ为邻接矩阵的最大特征值，ε=(ε1,ε2,…,εn)T是邻接矩阵对应最大特征值的特征向量，网络中单个节点的声望可以看作其他节点声望的线性组合，得到一个线性方程组，方程组的最大特征值对应的特征向量便可以度量各个节点的重要性。

定义6（紧密度）紧密度可以度量网络中的节点对其他节点赋予影响的能力，节点的紧密性越强，表明该节点对于网络系统的功能实现越为重要，在网络拓扑结构中越处于中心位置，定义如下：式中dij为节点i,j间最短距离，紧密度指标很大程度取决于网络的拓扑结构，需考虑计算时的时间复杂度。

1.1.3 基于级联失效的复杂负载网络节点重要度前两节对网络节点的重要性评估主要从静态角度考虑，现实中大部分网络上是有负载的，可以是具体的，也可以是抽象的[6-9]，其分布可以由多个因素决定，网络拓扑结构是其中一个主要因素，由拓扑结构决定的负载可以定义为“结构负载”，在无法判断网络中具体的物理负载时，可以使用“结构负载”来进行复杂网络的抗毁性及节点重要度估计，这里用最短路介数Li来度量负载大小，即认为经过节点的最短路径越多该节点上的负载越高[8]，具体定义如下：式中sij为节点i,j间所有最短路径数目，sij(k)为i,j间经过节点k的最短路径数。