基于规则与语义图协同驱动的工控恶意代码检测方法与流程

摘要: 本发明涉及工业互联网安全,尤其是涉及一种基于规则与语义图协同驱动的工控恶意代码检测方法。背景技术:1、工业控制系统是工业生产的核心基础设施,其逻辑层攻击日益频发...
基于规则与语义图协同驱动的工控恶意代码检测方法与流程

本发明涉及工业互联网安全,尤其是涉及一种基于规则与语义图协同驱动的工控恶意代码检测方法。

背景技术:

1、工业控制系统是工业生产的核心基础设施,其逻辑层攻击日益频发,已成为工业互联网安全的主要威胁之一。

2、现有工控代码检测技术多基于固定规则实现,仅能检测已知的命名违规、语法错误或简单的代码缺陷,无法识别隐蔽性的逻辑攻击、未知威胁及符合语法但偏离正常控制模式的恶意逻辑,检测的全面性和鲁棒性不足。

3、工控系统兼具工程合规要求严格、逻辑执行时序性强、存在大量隐式数据依赖的特性,因此,亟待需要一种基于规则与语义图协同驱动的工控恶意代码检测方法来解决上述技术问题。

技术实现思路

1、本发明的目的在于提供基于规则与语义图协同驱动的工控恶意代码检测方法,通过构建包含隐式依赖的全连通属性控制流图,利用双流架构并行处理确定性违规与概率性异常,实现对已知和未知威胁的全面覆盖。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

2、为实现上述目的,本发明提供了以下技术方案:

3、本发明提供的基于规则与语义图协同驱动的工控恶意代码检测方法,包括以下流程:

4、属性控制流图构建:将工控工程源文件转换为包含节点特征矩阵和邻接矩阵的属性控制流图,其中针对引用缺失的逻辑实例化虚拟节点以补全连接,并将每个图节点的规则特征、语义特征和时序特征融合为节点特征矩阵;

5、双流检测:将所述属性控制流图分别输入规则流和语义流,所述规则流基于所述规则特征进行确定性合规性匹配,所述语义流基于完整图谱进行空间与时序特征提取并根据图自编码器重构误差进行异常判决;

6、协同决策:通过自适应门控单元对所述规则流的输出与所述语义流的输出进行加权融合,生成最终风险判定。

7、进一步地,所述属性控制流图构建具体包括:

8、实体识别与节点映射:将功能块、输入输出变量及常量实体映射为图节点集合v;

9、显式拓扑连接构建:解析功能块引脚属性中的引用id,建立表征明确信号流向的有向边集合,生成基础邻接矩阵;

10、隐式节点实例化与补全:针对引用id在当前节点集合中缺失或悬空的非闭合逻辑,自动实例化类型为虚拟节点,补全连接边,将隐式数据流显式化以确保图谱全连通;

11、多维特征提取与融合:提取每个节点的规则特征向量、语义特征向量和基于扫描执行序号的时序向量,拼接生成节点特征矩阵x,所述属性控制流图g由补全后的邻接矩阵a和节点特征矩阵x构成。

12、进一步地,所述双流检测具体包括:

13、规则流处理:剥离节点特征中的分量,对照规则库阈值快速判别,输出合规性违规评分及违规项清单;

14、语义流处理:将所述属性控制流图输入图注意力网络聚合空间特征,基于扫描执行序号构建节点序列并输入长短期记忆网络提取时序特征,将融合后的时空特征输入图自编码器进行重构,计算重构损失作为语义异常分数;

15、所述规则流处理与所述语义流处理并行执行;

16、分级响应:当风险判定为恶意时,对规则类违规调用预置规则模板执行自动化代码重构;对语义类异常通过梯度回传计算各节点对重构误差的贡献度,提取贡献度最高的异常子图进行可视化溯源展示。

17、进一步地,所述隐式节点实例化与补全具体为:当解析到功能块引脚指向的引用id在当前解析范围的节点集合中不存在时,创建类型标记为虚拟节点的中介节点,将该断裂连接修复为二部图结构。

18、进一步地,所述规则特征包括命名合规性正则匹配结果、注释完整性指标及接口定义完整性指标;所述语义特征通过预训练的工控词典模型将功能块类型映射为高维语义向量。

19、进一步地,所述的时序向量的生成公式为:

20、

21、其中,pos为功能块的扫描执行序号,d为向量维度,2k和 2k+1分别为维度的偶数和奇数索引。

22、进一步地,所述图注意力网络聚合空间特征时,节点i与其拓扑邻居j之间的空间注意力系数的计算公式为:

23、

24、其中,为节点特征,为权重矩阵,为注意力向量,表示拼接操作,为节点i的邻域。

25、进一步地,所述的语义异常分数基于重构误差损失函数计算:

26、

27、其中,a和x分别为原始邻接矩阵和特征矩阵;和为图自编码器重构的矩阵,为frobenius范数,为平衡系数。

28、进一步地,所述自适应门控单元的融合计算公式为:

29、

30、

31、其中,为规则流评分,为语义流异常分数,z为门控系数,为sigmoid激活函数,为权重参数,为偏置参数。

32、本发明提供的一种基于规则与语义图协同驱动的工控系统逻辑控制程序恶意代码检测系统,包括:

33、图谱转换模块,用于执行属性控制流图构建,包括节点映射单元、隐式节点补全单元及多维特征融合单元;

34、双流推理模块,用于执行双流检测,并行运行确定性规则引擎与包含图自编码器的深度神经网络模型;

35、协同决策模块,用于执行协同决策,通过自适应门控单元融合规则评分与语义异常分数生成综合风险判定。

36、本发明提供的基于规则与语义图协同驱动的工控恶意代码检测方法,针对现有工控代码检测技术中规则难以检测隐蔽逻辑攻击的问题,提出一种双模协同检测架构。利用逻辑树生成算法解析工程文件,通过隐式节点补全与超边构建生成属性控制流图(acfg);通过规则引擎提取命名规范、注释覆盖率及接口完整性等确定性特征,并与功能块语义向量、执行时序编码进行融合,构建双流检测模型:规则流基于正则匹配与统计分析识别合规性违规,语义流利用时空图神经网络捕捉深层逻辑异常与未知威胁;对违规代码执行自动化重构,提升代码合规性与恶意逻辑检查的准确性与鲁棒性。

1.基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于,包括以下流程:

2.根据权利要求1所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述属性控制流图构建具体包括:

3.根据权利要求1所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述双流检测具体包括:

4.根据权利要求2所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于,所述隐式节点实例化与补全具体为:当解析到功能块引脚指向的引用id在当前解析范围的节点集合中不存在时,创建类型标记为虚拟节点的中介节点,将该断裂连接修复为二部图结构。

5.根据权利要求2所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述规则特征包括命名合规性正则匹配结果、注释完整性指标及接口定义完整性指标;所述语义特征通过预训练的工控词典模型将功能块类型映射为高维语义向量。

6.根据权利要求2所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述的时序向量的生成公式为:

7.根据权利要求3所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述图注意力网络聚合空间特征时,节点i与其拓扑邻居j之间的空间注意力系数的计算公式为:

8.根据权利要求3所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述的语义异常分数基于重构误差损失函数计算:

9.根据权利要求3所述的基于规则与语义图协同驱动的工控恶意代码检测方法,其特征在于:所述自适应门控单元的融合计算公式为:

10.一种基于规则与语义图协同驱动的工控系统逻辑控制程序恶意代码检测系统,其特征在于,包括: