基于跨视图一致性的网络攻击归因与响应方法与流程
本发明实施例涉及工控系统信息安全,具体涉及一种基于跨视图一致性的网络攻击归因与响应方法。
背景技术:
1、随着工控网络与管理信息网络以至外部网络的逐步互联,发电工控系统所面临的网络攻击日趋复杂,包括被篡改的上位逻辑所下发的恶意控制命令,以及针对量测通道的虚假数据注入与报文重放等。此类攻击在协议、地址、功能码乃至单条取值范围与互锁校验上往往完全合法,因而既不触发特征匹配,也能够绕过身份认证与访问控制。已有工控系统重大攻击事件表明,攻击者通常会长期潜伏并以合法信道实施操作,使得仅依赖边界与特征的防御失效。
2、现有的工控网络攻击防御技术大致可分为基于边界与特征的检测、协议白名单与取值范围校验、单一视图的行为异常检测。上述方法分别存在对未知攻击辨识能力不足、只能逐条判断命令合法性、容易混淆物理扰动与恶意攻击等局限,因此难以满足发电侧对实时性及可解释性的综合要求。
3、在正常运行条件下,一条控制命令的语义、来源、操作上下文与其可观测效应之间存在稳定而强耦合的一致性关系,这些信息是区分同一条命令是合法操作还是恶意操作的关键线索。合法命令通常由特定来源在特定操作阶段下发,并在其后的时间窗内引起特定的、可在量测或离散状态上观察到的效应。攻击即便精心伪装其中某一视图,也会破坏若干视图之间本应吻合的一致性。如何在不引入复杂物理模型的前提下,综合利用来源、上下文与效应等多方面线索以降低误报并提升对网络攻击的辨识力,是现有技术尚未充分解决的问题。
技术实现思路
1、本发明实施例旨在至少解决现有技术中存在的技术问题之一,提供了一种基于跨视图一致性的网络攻击归因与响应方法。
2、本发明实施例提供一种基于跨视图一致性的网络攻击归因与响应方法,包括:
3、从面向被保护工控设备的通信链路中采集控制命令、事件与量测数据;
4、为每条所述控制命令构建至少包括语义视图、来源视图、操作上下文视图与效应视图的多视图表示;
5、利用在正常运行数据上以掩码预测方式训练得到的跨视图一致性模型,对当前命令以其余视图重建被掩视图,得到各视图的重建结果;
6、依据各视图的重建偏差计算逐视图不一致度,并加权得到最终不一致度;
7、当所述最终不一致度或其累积统计量超过阈值时判定为异常命令,依据各视图不一致度的相对大小确定占主导的反常视图,并据此对攻击类型进行归因;以及,
8、依据所述不一致能量、其累积统计量与当前操作阶段的关键程度,对该命令进行分级遏制响应。
9、可选地,所述操作上下文视图的取值由事件与命令序列经隐马尔可夫模型推断得到的操作阶段及序列特征构成;其中,所述操作阶段以阶段信念的最大后验估计确定,且其发射概率与转移概率由正常运行的事件序列统计得到。
10、可选地,所述效应视图为控制命令下发后给定时间窗内与该命令相关的量测与离散状态的可观测变化;
11、所述语义视图包括命令的目标点位、功能码与取值;
12、所述来源视图包括命令的发起来源、角色与会话标识。
13、可选地,所述跨视图一致性模型包括与各视图对应的编码器与解码器,其训练目标为在正常运行数据上最小化掩码视图的重建误差,且仅采用正常运行数据进行训练。
14、可选地,所述逐视图不一致度按各视图在正常数据上的重建方差进行归一化;
15、所述最终不一致度为各视图不一致度的非负加权和,且各权重之和为1。
16、可选地,利用累积和统计量对所述最终不一致度进行持续偏离检测,且所述阈值在正常运行数据上按给定的误报率上界进行标定。
17、可选地,对攻击类型进行归因包括将主导的反常视图映射到下述攻击类型:
18、效应视图主导反常而其余视图正常时,归因为虚假数据注入或盲注入;
19、来源视图主导反常时,归因为来源失陷或越权;
20、操作上下文视图主导反常时,归因为阶段或时序越权命令。
21、可选地,所述分级遏制响应包括放行、限流、挂起待证与阻断转安全态四个等级,且其分级阈值与当前操作阶段的关键程度有关。
22、可选地,对于被挂起待证的命令,仅当其应当引起的效应签名在独立量测通道上于给定时间窗内与该命令相符时方予放行,否则阻断该命令或转入预设安全态。
23、可选地,所述多视图构建还包括对各视图的缺失或不可观测情形进行标记,当某一视图在特定命令下不可用时,以掩码方式将其排除出当次的一致性计算。
24、本发明实施例的基于跨视图一致性的网络攻击归因与响应方法,对在单一视图内伪装的命令注入、虚假数据注入与重放等攻击具有更强的辨识力;逐视图归因保证了关键判定的可解释性,便于面向发电侧的运维。
1.一种基于跨视图一致性的网络攻击归因与响应方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述操作上下文视图的取值由事件与命令序列经隐马尔可夫模型推断得到的操作阶段及序列特征构成;其中,所述操作阶段以阶段信念的最大后验估计确定,且其发射概率与转移概率由正常运行的事件序列统计得到。
3.根据权利要求1所述的方法,其特征在于,所述效应视图为控制命令下发后给定时间窗内与该命令相关的量测与离散状态的可观测变化;
4.根据权利要求1至3任一项所述的方法,其特征在于,所述跨视图一致性模型包括与各视图对应的编码器与解码器,其训练目标为在正常运行数据上最小化掩码视图的重建误差,且仅采用正常运行数据进行训练。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述逐视图不一致度按各视图在正常数据上的重建方差进行归一化;
6.根据权利要求1至3任一项所述的方法,其特征在于,利用累积和统计量对所述最终不一致度进行持续偏离检测,且所述阈值在正常运行数据上按给定的误报率上界进行标定。
7.根据权利要求1至3任一项所述的方法,其特征在于,对攻击类型进行归因包括将主导的反常视图映射到下述攻击类型:
8.根据权利要求1至3任一项所述的方法,其特征在于,所述分级遏制响应包括放行、限流、挂起待证与阻断转安全态四个等级,且其分级阈值与当前操作阶段的关键程度有关。
9.根据权利要求8所述的方法,其特征在于,对于被挂起待证的命令,仅当其应当引起的效应签名在独立量测通道上于给定时间窗内与该命令相符时方予放行,否则阻断该命令或转入预设安全态。
10.根据权利要求1至3任一项所述的方法,其特征在于,所述多视图构建还包括对各视图的缺失或不可观测情形进行标记,当某一视图在特定命令下不可用时,以掩码方式将其排除出当次的一致性计算。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com