[發明專利]一種安全應急處置評價體系構建方法及系統

有效

• 申請號: 201710363175.2
• 申請日: 2017-05-22
• 公開（公告）號: CN107273974B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 陳曉莉;章亮;劉亭;馬峰;林建洪
• 申請（專利權）人: 浙江鵬信信息科技股份有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q50/26
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.一種安全應急處置評價體系構建方法，其特征在于，包括步驟：

S1、建立一鍵應急評價指標體系并采集訓練樣本及測試樣本；

一級指標有四個，分別為：網頁篡改應急U1、域名劫持應急U2、入侵攻擊應急U3與惡意程序應急U4；將一級指標細分為二級指標，二級指標的構建結合兩部委及網絡安全主管單位對應急處置考核要求選定，分別從處置時長、接口能力、方案成熟度方面選取相關指標；

網頁篡改通過SQL注入、跨站腳本、漏洞利用、系統受控手段實現主業頁面修改；

入侵攻擊通過暴力破解、拒絕服務攻擊途徑導致系統業務受阻安全事件發生；

域名劫持事件由于DNS授權服務器或者本地DNS緩存遭受入侵導致被劫持行為；

惡意程序是帶有一段有攻擊或者傳播行為的代碼程序，通過運行后會導致系統受控或者受損，為木馬、蠕蟲；

根據一鍵應急評價標準，采用專家打分法依據百分之原則從U1、U2、U3及U4四個方面對一鍵應急的各個二級指標進行量化打分；

對樣本的數據進行預處理；包括缺失值、異常值處理，數據的歸一化處理，將數據歸一化到[0,1]區間；

建立意見應急評價指標體系，并且對樣本進行采集及預處理后，建立BP神經網絡模型；

S2、通過BP神經網絡模型確定所述訓練樣本的網絡權值；

S3、將所述測試樣本輸入所述BP神經網絡模型，并計算輸出結果的準確率以評價一鍵應急的效果；

還包括步驟：

將結果未知樣本的指標數據輸入訓練好的所述BP神經網絡模型并對預測效果進行預測和評價；

所述BP神經網絡模型包括輸入層，隱含層及輸出層，具體算法包括：

初始化網絡連接權值及節點閾值；

取一個訓練樣本輸入所述BP神經網絡模型；

計算所述隱含層節點輸出、所述輸出層節點輸出以及所述隱含層及所述輸出層的誤差值；

在t時刻，將網絡的實際輸出yi(t)與樣本給出的目標輸出di(t)進行比較，輸出產生的誤差εi(t)定義如下：

εi(t)＝di(t)-yi(t)

產生的誤差信號驅動了對學習算法的控制，其目的是對神經元的輸入權重進行校準調節，校準調整的目的是通過一步步的迭代，使輸出信號yi(t)接近目標輸出di(t)，目標通過成本函數E(t)最小化來實現；

計算網絡權值的調整量具體為：

權重的調整幅度為：

ΔWij(t)＝η·εi(t)xi(t)

ΔVj(t)＝η·εi(t)hj(t)

其中，η是一個數值為正的常量，代表學習率；

調整后的權重為：

Wij(t+1)＝αWij(t)+ΔWij(t)

Vj(t+1)＝αVj(t)+ΔVj(t)

其中，α為沖量項，ΔWij(t)為由輸入層到隱含層的權值調整幅度，ΔVj(t)為由隱含層到輸出層的權值調整幅度；

更新網絡連接權值及節點閾值；

判斷是否取出全部樣本，若否，繼續取出所述訓練樣本；若是，判斷所述誤差值是否小于預設閾值，若是，結束訓練，否則，繼續取出所述訓練樣本；

所述步驟S2及步驟S3之間還包括步驟：

根據所述網絡權值將所述訓練樣本的指標進行重要度排序；

通過BP神經網絡模型訓練后，網絡的權重反映了評價指標的重要度信息，權重的大小與指標的重要度成正比，得到影響一鍵應急效果的關鍵指標；

步驟S2具體包括：

建立所述BP神經網絡模型；

初始化所述BP神經網絡模型的各個參數；

將所述訓練樣本輸入BP神經網絡模型以得到輸出值與實際值的誤差值；

判斷所述誤差值是否大于預設閾值，若是，對網絡權值進行修正；否則，初始化所述BP神經網絡模型的各個參數。

2.一種安全應急處置評價體系構建系統，其特征在于，包括：

建立模塊，用于建立一鍵應急評價指標體系并采集訓練樣本及測試樣本；

一級指標有四個，分別為：網頁篡改應急U1、域名劫持應急U2、入侵攻擊應急U3與惡意程序應急U4；將一級指標細分為二級指標，二級指標的構建結合兩部委及網絡安全主管單位對應急處置考核要求選定，分別從處置時長、接口能力、方案成熟度方面選取相關指標；網頁篡改通過SQL注入、跨站腳本、漏洞利用、系統受控手段實現主業頁面修改；

入侵攻擊通過暴力破解、拒絕服務攻擊途徑導致系統業務受阻安全事件發生；

域名劫持事件由于DNS授權服務器或者本地DNS緩存遭受入侵導致被劫持行為；

惡意程序是帶有一段有攻擊或者傳播行為的代碼程序，通過運行后會導致系統受控或者受損，為木馬、蠕蟲；

根據一鍵應急評價標準，采用專家打分法依據百分之原則從U1、U2、U3及U4四個方面對一鍵應急的各個二級指標進行量化打分；

對樣本的數據進行預處理；包括缺失值、異常值處理，數據的歸一化處理，將數據歸一化到[0,1]區間；

建立意見應急評價指標體系，并且對樣本進行采集及預處理后，建立BP神經網絡模型；

訓練模塊，用于通過BP神經網絡模型確定所述訓練樣本的網絡權值；

評價模塊，用于將所述測試樣本輸入所述BP神經網絡模型并計算輸出結果的準確率以評價一鍵應急的效果；

預測模塊，用于將結果未知樣本的指標數據輸入訓練好的所述BP神經網絡模型并對預測效果進行預測和評價

所述BP神經網絡模型包括輸入層，隱含層及輸出層，具體包括：

第二初始化單元，用于初始化網絡連接權值及節點閾值；

取樣單元，用于取一個訓練樣本輸入所述BP神經網絡模型；

第二計算單元，用于計算所述隱含層節點輸出、所述輸出層節點輸出以及所述隱含層及所述輸出層的誤差值；

在t時刻，將網絡的實際輸出yi(t)與樣本給出的目標輸出di(t)進行比較，輸出產生的誤差εi(t)定義如下：

εi(t)＝di(t)-yi(t)

產生的誤差信號驅動了對學習算法的控制，其目的是對神經元的輸入權重進行校準調節，校準調整的目的是通過一步步的迭代，使輸出信號yi(t)接近目標輸出di(t)，目標通過成本函數E(t)最小化來實現；

計算網絡權值的調整量具體為：

權重的調整幅度為：

ΔWij(t)＝η·εi(t)xi(t)

ΔVj(t)＝η·εi(t)hj(t)

其中，η是一個數值為正的常量，代表學習率；

調整后的權重為：

Wij(t+1)＝αWij(t)+ΔWij(t)

Vj(t+1)＝αVj(t)+ΔVj(t)

其中，α為沖量項，ΔWij(t)為由輸入層到隱含層的權值調整幅度，ΔVj(t)為由隱含層到輸出層的權值調整幅度；

更新單元，用于更新網絡連接權值及節點閾值；

第二判斷單元，用于判斷是否取出全部樣本，若否，繼續取出所述訓練樣本；若是，判斷所述誤差值是否小于預設閾值，若是，結束訓練，否則，繼續取出所述訓練樣本；

還包括：

排序模塊，用于根據所述網絡權值將所述訓練樣本的指標進行重要度排序；

通過BP神經網絡模型訓練后，網絡的權重反映了評價指標的重要度信息，權重的大小與指標的重要度成正比，得到影響一鍵應急效果的關鍵指標；

所述訓練模塊包括：

建模單元，用于建立所述BP神經網絡模型；

第一初始化單元，用于初始化所述BP神經網絡模型的各個參數；

第一計算單元，用于將所述訓練樣本輸入BP神經網絡模型以得到輸出值與實際值的誤差值；

第一判斷單元，用于判斷所述誤差值是否大于預設閾值，若是，對網絡權值進行修正；否則，初始化所述BP神經網絡模型的各個參數。