[發明專利]信息系統安全評估指標的拓充方法及裝置

在審

• 申請號: 201410346965.6
• 申請日: 2014-07-21
• 公開（公告）號: CN104143128A
• 公開（公告）日: 2014-11-12
• 發明（設計）人: 郁強;周瑞榮;吳慶九
• 申請（專利權）人: 快威科技集團有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06F17/30;H04L12/24
• 代理公司: 浙江凱麥律師事務所 33218
• 代理人: 王登遠

技術領域

本發明涉及信息安全領域，尤其是信息安全評估的基礎表征的監測和管理領域，具體為一種信息系統安全評估指標的拓充方法。

背景技術

安全評估管理，即IT企業或部門采用相關的方法、手段、技術、制度、流程和文檔等，對IT?運行環境（包括物理環境、軟硬件環境等）、IT?業務系統和?IT?運維人員進行的綜合管理。隨著?IT?建設的不斷深入和完善，計算機硬軟件系統的運行維護已經得到了重視，由于這是一個隨著計算機信息技術的深入應用而產生的新課題，因此研究如何進行有效的安全評估管理，將具有廣闊的發展前景和巨大的現實意義。

概括地講，安全評估的管理內容都可以經抽取成指標來進行管理和維護。指標，也即描述某一對象特征的數據。安全評估的管理行為，本質上都可以抽象成數據的變更。因此，研究?安全評估指標的管理很有意義。在本發明中，提出的是一種對于常規監控方法無法采集或難以采集的關鍵認知基礎指標的拓展采集方法。

智能化預報與感知，即通過非人工檢測的方式對某指標值進行告警或估測的過程。智能化的例子很多，如將模式識別的聚類算法應用于手機或終端手寫輸入法的功能，可以提高輸入效率；再如有些音樂軟件提供自動推薦歌曲的功能，通過記錄聽眾歷史記錄來進行感知，這種啟發式的方式可以進一步滿足聽眾的心愿；再如360安全衛士對操作系統的程序更新和維護提供自動預報的功能，可以優化系統，提高系統使用壽命。

智能化的理論體系已經發展得比較成熟，目前應用的智能化理論方法和手段主要包括：（1）自適應理論體系，該理論本質上是一種反饋理論，包括人工神經網絡體系，通過學習構設樣本，感知未來數據；（2）模式識別領域，通過構造不同模式體系達到識別的目的；（3）最優化理論體系，該理論包括支持向量機模型、蟻群算法、遺傳算法，線性以及非線性約束模型，通過建模達到優化目標數據的目的；（4）現代信號處理領域理論與方法，信號處理方法如滑動平均自適應回歸模型，以及濾波方法如維納濾波、卡爾曼濾波模型，通過建模對未來時間量進行感知、平滑或估計。

在本發明中，將不直接使用以上所述的智能方法，而是利用相關性。

安全評估某些指標間必然存在相關性。以WLAN指標檢測為例，WLAN信號的場強信噪比強度直接影響網絡數據帶寬，甚至如網絡的連通性如ping包成功率，網絡的擁塞程度則可能會影響WEB認證指標，因為當網絡負載過重時，WEB認證接入時延時間可能會增長。在實際的應用場景中，因成本問題，有些WLAN指標是不宜時刻監測的，如場強信噪比，而有些數據可以通過軟件監控的方式時刻獲得，而這兩種指標間或更多指標間卻存在著聯系，在這種情形下，利用指標間的相關性便可以克服其它智能化方案無法感知或感知準確率下降的問題，因為不論數據知道與否，指標間的相關性是時刻存在的，只需要如采用本發明中的方法就可以達到感知的效果。除此之外，相關性還可以在某些指標未知數據動態范圍時，預報其是否超標。

相關性的數學依據如下：

對于兩個向量那么兩者之間的協方差可以表示為?

????????????????????????????????????????????????????????????????????????（1）

由M個指標之間的互協方差構成M行M列的矩陣，

?

?????????????????????????????????????????????????????????????????????（2）

定義相關系數，根據相關系數的性質，自相關系數等于0，兩個向量不相關，自相關系數絕對值等于1，當且僅當兩個向量線性相關。由此，我們推斷，協方差絕對值越接近于0，兩個指標越不相關，反之則越相關。??

發明內容

本發明提供了一種信息系統安全評估指標的拓充方法，該方法每個步驟的特征是：

（1）原始數據發現，提供構設數據樣本和測試數據樣本數據，其中每個指標的構設數據是多維的，測試樣本是一維的，隨著時間推移，將測試樣本并入歷史數據庫后使得構設樣本逐漸龐大。

（2）構設，包含數據預處理和數據計算兩個步驟，構設樣本源經過數據預處理后能消除極大極小等毛刺數據，達到平滑效果，從而為下一步提供準確合理的數據來源；經預處理后的數據經過數據計算步驟時，按照公式（1）、（2）得到一個協方差矩陣，再計算協方差波動范圍。

優選地，首先，對矩陣（2）做特征值分解得到