0 引言

隨著信息安全等級保護(hù)測評工作的推進(jìn)，測評過程中產(chǎn)生了海量的測評數(shù)據(jù)，但在測評工作結(jié)束以后，這些測評數(shù)據(jù)往往“石沉大海”，沒有被有效利用起來。從信息系統(tǒng)等級保護(hù)測評數(shù)據(jù)開始，綜合運(yùn)用定性和定量的方法，將各項測評數(shù)據(jù)進(jìn)行轉(zhuǎn)換、計算、分析等處理，運(yùn)用貝葉斯網(wǎng)絡(luò)算法對系統(tǒng)進(jìn)行風(fēng)險評估^［1］，可以了解系統(tǒng)中潛在的危害，并針對性地加以識別防范，從而提高系統(tǒng)抗風(fēng)險強(qiáng)度并進(jìn)一步保障被測評系統(tǒng)的安全運(yùn)行。

用概率理論的貝葉斯網(wǎng)絡(luò)方法來描述不同因素之間的關(guān)系，是一種基于有向無環(huán)圖的概率推理方法，其體現(xiàn)節(jié)點間的概率相關(guān)性，同時能夠較為有效地處理現(xiàn)實生活中的不確定性問題。許多專家都使用貝葉斯網(wǎng)絡(luò)方法進(jìn)行風(fēng)險評估，并應(yīng)用于交通事故^［2］、銀行系統(tǒng)^［3］、電力供應(yīng)和大型工程^［4］等方面。

1  等級保護(hù)和貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)對處理現(xiàn)實生活中的不確定性問題有明顯的效果，其具有很強(qiáng)的計算能力，能夠通過已知信息運(yùn)算預(yù)測未知信息^［5］，進(jìn)而形成準(zhǔn)確性較高的推理結(jié)果。通過貝葉斯網(wǎng)絡(luò)算法對系統(tǒng)的等級保護(hù)測評數(shù)據(jù)進(jìn)行分析推理，達(dá)成對系統(tǒng)的風(fēng)險評估。

風(fēng)險評估過程主要分為以下幾個階段：（1）首先安全測評機(jī)構(gòu)對系統(tǒng)進(jìn)行等級保護(hù)測評，從等級保護(hù)測評結(jié)果中獲得測評數(shù)據(jù)；（2）通過對數(shù)據(jù)進(jìn)行層次分析，確定各節(jié)點指標(biāo)之間的依賴關(guān)系以及關(guān)系強(qiáng)度，構(gòu)造出等級保護(hù)數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)；（3）定性和定量的風(fēng)險評估方法，首先，通過測評數(shù)據(jù)中測評項的識別，經(jīng)過專家經(jīng)驗以及歷史數(shù)據(jù)的統(tǒng)計分析，定性計算出各節(jié)點指標(biāo)的先驗概率以及條件概率，然后，通過上述概率定量的計算出各個節(jié)點的后驗概率，形成貝葉斯網(wǎng)絡(luò)風(fēng)險模型；（4）貝葉斯網(wǎng)絡(luò)因果推理。結(jié)合上述模型，確定在系統(tǒng)已出現(xiàn)故障的情況下，通過先驗概率、條件概率、后驗概率聯(lián)合推理出導(dǎo)致故障出現(xiàn)的測評項風(fēng)險概率(即故障定位)，其中使用的計算分析方法是貝葉斯網(wǎng)絡(luò)因果推理算法。隨后根據(jù)后驗概率和風(fēng)險概率等對被測評系統(tǒng)給出風(fēng)險評價，使用戶可以更加全面地了解被測評系統(tǒng)的安全態(tài)勢，并給出相應(yīng)的安全風(fēng)險化解解決方法。圖1所示為風(fēng)險評估模型研究流程圖。

1.1  貝葉斯網(wǎng)絡(luò)模型的建立

通過已知測評數(shù)據(jù)的層次拓?fù)浣Y(jié)構(gòu)以及測評節(jié)點之間的關(guān)系強(qiáng)度，構(gòu)建一個以測評項為下層父節(jié)點，層面結(jié)構(gòu)和控制點為中間子節(jié)點的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。其中構(gòu)成模型的最下層是無有向邊輸入的父節(jié)點；構(gòu)成模型的最上層是無有向邊輸出的子節(jié)點；中間節(jié)點按相對應(yīng)的關(guān)系依次排開，并且同一層節(jié)點之間相互獨(dú)立且符合伯努利分布，如圖2所示。

1.2 模型節(jié)點先驗概率的確定

根據(jù)歷史數(shù)據(jù)或?qū)＜抑饔^經(jīng)驗判斷得出的各測評項發(fā)生的概率被稱為先驗概率，此類概率未經(jīng)過實驗驗證，屬于檢驗前的概率。利用專家經(jīng)驗從資產(chǎn)、威脅、脆弱性三個方面確定先驗概率的過程是一個主觀模糊的過程，因為沒有統(tǒng)一的參考標(biāo)準(zhǔn)，所以結(jié)果往往不夠準(zhǔn)確。根據(jù)科學(xué)研究中工作人員的語言表達(dá)習(xí)慣在語言量詞和實際數(shù)值之間建立了一種相對應(yīng)關(guān)系，通過專家的評價對先驗概率的值進(jìn)行參數(shù)確定。將多位專家的結(jié)果進(jìn)行平均分析，就可以基本上確定最終的概率值。

其次由于不同專家的知識程度和經(jīng)驗水平略有不同，導(dǎo)致不同的專家得到的結(jié)果正確性有差異，因此在此種情況下，需要對專家的權(quán)重進(jìn)行分析。假設(shè)若有z個專家就某參數(shù)值n進(jìn)行分析，記ni,i=0,1,2,3…,z為第i個專家給出的參數(shù)值，Wi為第i個專家的權(quán)重，

∑zi=1Wi=1，由加權(quán)平均公式可以得出概率P=∑zi=1niWi。

表1為專家權(quán)重的判斷標(biāo)準(zhǔn)，通過表中計算得出節(jié)點先驗概率的數(shù)值如表2所示。

1.3  條件概率

條件概率表征父節(jié)點運(yùn)行狀態(tài)對子節(jié)點運(yùn)行狀態(tài)影響程度，貝葉斯網(wǎng)絡(luò)采用條件概率矩陣確定上層子節(jié)點與下層父節(jié)點之間的關(guān)系。采用的條件概率是從歷史數(shù)據(jù)中獲取變量參數(shù)的概率分布，同時按照發(fā)生的可能性概率填入表中。表3為圖2中崗位設(shè)置的條件概率。

1.4  聯(lián)合概率推理

利用當(dāng)前給定的拓?fù)浣Y(jié)構(gòu)和節(jié)點的狀態(tài)，通過式（1）所示貝葉斯網(wǎng)絡(luò)運(yùn)算公式，計算節(jié)點發(fā)生問題的概率，形成基于等級保護(hù)的貝葉斯網(wǎng)絡(luò)模型。

上式即為重要的貝葉斯網(wǎng)絡(luò)公式，其中P(Li)的值為先驗概率，P(Li|R)的值需要根據(jù)先驗概率P(Li)和觀測數(shù)據(jù)重新修正后得到，被稱為后驗概率。通過上述先驗概率、條件概率得到后驗概率值，其中運(yùn)算過程使用貝葉斯網(wǎng)絡(luò)算法。

然后，利用上述已經(jīng)構(gòu)建完成的貝葉斯網(wǎng)絡(luò)，可以使用故障診斷理論對貝葉斯網(wǎng)絡(luò)重新定義，即假設(shè)系統(tǒng)發(fā)生故障的情況下，故障可能發(fā)生節(jié)點的概率變化，其中運(yùn)用的算法是貝葉斯網(wǎng)絡(luò)因果推理算法，其中算法的偽代碼如下所示。

貝葉斯網(wǎng)絡(luò)因果推理算法偽代碼

輸入：貝葉斯網(wǎng)絡(luò)概率結(jié)構(gòu)模型G(包括子節(jié)點概率Score、條件概率GL)。確定因果推理中因(即父節(jié)點概率變化Fuscore)發(fā)生情況；

輸出：貝葉斯網(wǎng)絡(luò)因果推理結(jié)果模型。

1、G←貝葉斯網(wǎng)絡(luò)概率結(jié)構(gòu)模型

2、Sum←0

3、Sumf←0 //反向F的和

4、C←［］

5、Cf←［］

6、For i←0 to Score.length

7、do C［i］←0;Cf［i］←0

8、End for

9、For i←0 to GL.length

10、do GLocate←PrefixInteger(i.toString(2),Score.length)

//調(diào)用函數(shù)PrefixInteger(T=0,

F=1)，的個數(shù)依順序的二進(jìn)制變換，與子節(jié)點數(shù)量同步補(bǔ)零

(T=0,F=1)，根據(jù)二值邏輯確定條件概率(T和F)的位置分布

11、B←1

12、For j←0 to Score.length

13、do B←B*Score［j］GLocate［j］

//同為一個父節(jié)點的j個子節(jié)點概率概率乘積

14、End for

15、Sum←Sum+B*GL［i］*Fuscore//上述概率乘

積與每個條件概率(GL)為T以及父節(jié)點T變化的乘積之總和

16、Sumf←Sumf+B*(100-GL［i］)*(100-Fuscore)

//上述概率

乘積與每個條件概率(GL)為F以及父節(jié)點F變化的乘積之總和

17、For k←0 to C.length

18、do C［k］←C［k］+B*GL［i］*Fuscore

//子節(jié)點為C=T時概率

19、Cf［k］←Cf［k］+B*(100-GL［i］)*(100-Fuscore) //子節(jié)點為Cf=T時概率

20、End for

21、End for

22、For n←0 to C.length

C［n］←(C［n］+Cf［n］)/(Sum+Sumf)

23、End for//C［n］即為因果推理中出現(xiàn)的果(由

父節(jié)點原因引起變化的概率導(dǎo)致n個子節(jié)點的概率變化結(jié)果)

圖3即為構(gòu)造的貝葉斯網(wǎng)絡(luò)因果推理風(fēng)險概率，并由圖中概率情況對被測評系統(tǒng)做風(fēng)險評價。

圖3貝葉斯網(wǎng)絡(luò)因果推理概率

2  實驗仿真

通過上述風(fēng)險評估過程的計算，下面介紹使用貝葉斯網(wǎng)絡(luò)對等級保護(hù)測評數(shù)據(jù)進(jìn)行風(fēng)險評估的實例，以某電力單位財務(wù)部門等級保護(hù)測評數(shù)據(jù)為樣本，分別對應(yīng)用安全、物理安全、網(wǎng)絡(luò)結(jié)構(gòu)等方面進(jìn)行風(fēng)險評估。首先對測評數(shù)據(jù)的先驗概率定性分析，得出如表4所示測評分?jǐn)?shù)的先驗概率。

表4測評分?jǐn)?shù)先驗概率

根據(jù)等級保護(hù)測評數(shù)據(jù)（如表5所示）生成貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

表5等級保護(hù)測評數(shù)據(jù)(部分)

風(fēng)險評估結(jié)果圖如圖5、圖6所示。通過拓?fù)浣Y(jié)構(gòu)的下層節(jié)點測評分?jǐn)?shù)得出先驗概率，同時與條件概率得出上層節(jié)點的概率值，即為后驗概率；假設(shè)當(dāng)已知系統(tǒng)出現(xiàn)故障的情況下各層節(jié)點的概率變化值，也即是當(dāng)系統(tǒng)發(fā)生故障即概率值(T=100)時，相應(yīng)的節(jié)點概率變化。

由圖5、圖6節(jié)點概率的變化可以得出如表6所示結(jié)果。

通過對表6的聯(lián)合概率和故障預(yù)測概率分析得出，在系統(tǒng)故障已發(fā)生的情況下系統(tǒng)建設(shè)管理、系統(tǒng)運(yùn)維管理以及SQl Server 2008等方面風(fēng)險發(fā)生的可能性加大，同時參考?xì)v年標(biāo)準(zhǔn)中定義風(fēng)險嚴(yán)重程度，如下表7所示，系統(tǒng)建設(shè)管理、系統(tǒng)運(yùn)維管理以及SQl Server 2008方面，需以預(yù)警的手段通知被測機(jī)構(gòu)方，使被測機(jī)構(gòu)對整體風(fēng)險態(tài)勢有所感知。上述風(fēng)險評估僅應(yīng)用于貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的控制點方面，可以更深層次地對最下層節(jié)點進(jìn)行風(fēng)險運(yùn)算，使風(fēng)險評價更加全面準(zhǔn)確。

3  結(jié)束語

本文主要研究了基于貝葉斯網(wǎng)絡(luò)方法的等級保護(hù)測評數(shù)據(jù)風(fēng)險評估問題，提出了相應(yīng)的計算模型，并根據(jù)計算模型進(jìn)行了實例計算。風(fēng)險評估的過程主要包括模型構(gòu)造、定性定量計算、貝葉斯網(wǎng)絡(luò)計算、貝葉斯網(wǎng)絡(luò)因果推理。利用貝葉斯網(wǎng)絡(luò)的不確定推理、條件獨(dú)立性假設(shè)等特性^［6］，簡化了模型的運(yùn)算復(fù)雜度，增加了因果推理計算，比較分析風(fēng)險結(jié)果，具有一定的應(yīng)用價值。但需要指出的是，由于風(fēng)險的量化問題，評估過程還存在一定的不確定性，下一步研究的重點是如何更好地對測評數(shù)據(jù)進(jìn)行量化，從而使風(fēng)險評估過程更加科學(xué)高效。

參考文獻(xiàn)

 ［1］ SEBok.ISO/IEC 27001［Z］.2013.

［2］ KONDAKCI S.Network security risk assessment using bayesian belief networks［C］. IEEE Second International Conference on Social Computing.IEEE Computer Society,2010:952-960.

［3］ 陸靜,王捷.基于貝葉斯網(wǎng)絡(luò)的商業(yè)銀行全面風(fēng)險預(yù)警系統(tǒng)［J］.系統(tǒng)工程理論與實踐,2012,32(2):225-235.

［4］ CHEN T T,LEU S S.Fall risk assessment of cantilever bridge projects using Bayesian network［J］.Safety Science,2014,70(70):161-171.

［5］ 高倩.基于貝葉斯網(wǎng)絡(luò)預(yù)測的故障診斷的應(yīng)用與研究［D］.北京： 華北電力大學(xué)(北京),2011.

［6］ 張鳴天.基于貝葉斯網(wǎng)絡(luò)的信息安全風(fēng)險評估研究［D］.北京： 北京化工大學(xué)，2016.

（收稿日期：2018-10-15）

作者簡介：

趙一鳴(1992-)，男，碩士，主要研究方向：軟件開發(fā)與信息安全。

謝炯(1981-)，男，博士，主要研究方向：大數(shù)據(jù)。

王鋼(1971-)，男，碩士，主要研究方向：計算機(jī)網(wǎng)絡(luò)與信息安全。