近年来,针对工业生态系统的高级持续性威胁(APT)的复杂性急剧增加。这使得开发超越传统解决方案的高级安全服务成为必须,舆论动力学(Opinion Dynamics)就是其中之一。这种新颖的方法提出了一个多智能体协作框架,允许跟踪APT的整个生命周期。在本文中,我们介绍了TI&TO,这是一个攻击者和防御者之间的双人博弈,代表了一个现实的场景,双方都在争夺现代工业结构中的资源控制权。通过使用博弈论来验证这种技术,我们证明,在大多数情况下,舆论动力学包括有效的第一项措施,以阻止和减少APT对基础设施的影响。为了实现这一目标,攻击者和防御者的模型都被标准化,并应用了一个公平的评分系统,后者用不同的策略和网络配置运行了几个模拟测试案例。

引言

世界各地的公司面对的网络安全攻击数量明显增长,导致了巨大的经济损失[2]。当涉及到关键的基础设施(即核电站、电网、运输和制造系统)时,这种情况变得更加严重,其工业控制系统必须在所有条件下保持工作。在这里,我们处理的是SCADA(监督控制和数据采集)系统,几十年来一直在与外部网络隔离的情况下工作;反过来,如今它们正越来越多地整合新技术,如物联网(IoT)或云计算,在削减成本的同时外包各种服务。因此,需要做出更大的努力来跟上这种进步,以应对这些系统可能带来的最新的攻击载体和可利用的漏洞。

近年来最关键的问题之一是高级持续性威胁(APTs),这是一种复杂的攻击,特别是针对目标基础设施,由一个资源丰富的组织实施。它们的特点是利用零日漏洞(零时差攻击),采用隐蔽技术,使威胁在受害者网络中长期无法被发现。Stuxnet是第一个报道的这种性质的威胁[6],但许多其他的威胁在之后被发现,通常是在攻击完全执行后的几个月[7]。在网络安全方面,只是提出了一些机制来从整体上解决这个问题,超越了传统的机制(如防火墙、入侵防御系统(IPS)、入侵检测系统(IDS)、防病毒),这些机制只代表了在第一阶段对APT的准时保护[21]。

在这些新颖的机制中,舆论动力学(Opinion Dynamics)[15]包括一个多智能体协作系统,通过分布式异常关联,使攻击的整个生命周期都可以被追踪。在本文中,我们提出了一个理论但现实的方案,以证明该方法在不同类型的攻击模式下的有效性,使用结构可控性领域[8]和博弈论[14]支持的概念。为了这个目标,我们开发了TI&TO,这是一个双人博弈,攻击者和防御者为控制现代工业结构中的资源而竞争。两个玩家都有自己的动作和相关的分数,分别根据APT和基于Opinion Dynamics的检测系统的行为。这个博弈最终在不同的模拟中运行,旨在展示算法的能力,同时也建议将该技术与其他防御方案结合起来进行最佳配置。因此,我们可以把我们的贡献总结为:

  • 正式定义TI&TO博弈,指定游戏板、每个玩家的目标和得分规则。
  • 设计一个攻击者模型,以一组阶段的形式,灵活地表示APT的各个阶段,以表示攻击者的行动,这些行动受制于一个确定的分数。
  • 设计一个基于使用意见动态和响应技术(即本地检测、冗余链接、蜜罐)的防御者模型,以减少APT在网络中的影响,这也意味着博弈中的相关得分。
  • 进行的实验验证了该算法,并推荐了返回最佳结果的防御者的配置。

本文的其余部分组织如下。第2节介绍了 "舆论动力学"的概念,并强调了应用博弈论来检测网络攻击的建议。在第3节中,定义了博弈,包括规则以及攻击和防御模型。然后,进行了几次模拟,并在第4节进行了讨论。最后,在第5节中提出了结论和未来的工作。

成为VIP会员查看完整内容
43

相关内容

博弈论(Game theory)有时也称为对策论,或者赛局理论,应用数学的一个分支,目前在生物学、经济学、国际关系、计算机科学、政治学、军事战略和其他很多学科都有广泛的应用。主要研究公式化了的激励结构(游戏或者博弈)间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。也是运筹学的一个重要学科。
《综述:基于博弈论和机器学习的防御性欺骗方法》
专知会员服务
50+阅读 · 2022年10月2日
【2022新书】网络安全的博弈论与机器学习,547页pdf
专知会员服务
114+阅读 · 2022年8月12日
「工业物联网异常检测技术」最新2022研究综述
专知会员服务
63+阅读 · 2022年5月3日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年11月9日
Arxiv
0+阅读 · 2022年11月9日
Arxiv
13+阅读 · 2021年3月29日
Adaptive Synthetic Characters for Military Training
Arxiv
46+阅读 · 2021年1月6日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
VIP会员
相关VIP内容
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员