工業(yè)控制系統(tǒng)低干擾風(fēng)險(xiǎn)評估技術(shù)研究

景 峰，張雪芹

（國網(wǎng)山西省電力公司，山西太原 030021）

0 引言

隨著工業(yè)互聯(lián)網(wǎng)的深入建設(shè)，各類采集設(shè)備、自動化系統(tǒng)的數(shù)量和種類不斷增加，但由于固件更新不及時(shí)，缺少統(tǒng)一標(biāo)準(zhǔn)，未進(jìn)行安全性和可靠性驗(yàn)證，存在各類安全漏洞，導(dǎo)致系統(tǒng)自身的漏洞和系統(tǒng)的暴露面日益增大。對于工業(yè)控制設(shè)備的漏洞研究以及脆弱性分析成為當(dāng)前工業(yè)控制系統(tǒng)安全風(fēng)險(xiǎn)評估的重點(diǎn)。

1 多協(xié)議標(biāo)語融合的細(xì)粒度設(shè)備識別模型[1]

借鑒多特征融合的細(xì)粒度圖像檢索算法，通過設(shè)備標(biāo)語信息中含有豐富的與設(shè)備屬性相關(guān)的信息進(jìn)行設(shè)備識別，設(shè)備標(biāo)語信息通常包括設(shè)備類型、品牌以及型號信息或者其中一種信息。根據(jù)不同的服務(wù)協(xié)議，通過主動探測技術(shù)獲得多種協(xié)議標(biāo)語，進(jìn)而綜合考慮設(shè)備多協(xié)議標(biāo)語的關(guān)聯(lián)特征，提高識別精度和時(shí)間效率。

目前基于標(biāo)語的設(shè)備識別過程大致分為標(biāo)語數(shù)據(jù)采集、標(biāo)語信息處理以及匹配識別，該方法的技術(shù)難點(diǎn)在于彌補(bǔ)基于標(biāo)語進(jìn)行設(shè)備識別的不足，如發(fā)送協(xié)議探測報(bào)文之后，設(shè)備未能返回對應(yīng)的協(xié)議標(biāo)語；協(xié)議標(biāo)語信息所含的設(shè)備屬性信息量不完整，甚至不包含任何設(shè)備信息。若采用設(shè)備支持的所有協(xié)議標(biāo)語來進(jìn)行設(shè)備識別，會造成巨大的通信和時(shí)間開銷，而發(fā)送過多探測數(shù)據(jù)包還可能會被認(rèn)為是一種入侵行為。

2 層次分析法和模糊理論

層次分析法AHP（analytic hierarchy process）在運(yùn)籌學(xué)的研究中屬于比較強(qiáng)大的網(wǎng)絡(luò)分析法，該方法在解決綜合評價(jià)、多因素趨勢預(yù)測、多標(biāo)準(zhǔn)和多用戶程序等問題中，表現(xiàn)出良好的適用性和有效性[2]。AHP需要決策者提供每個(gè)標(biāo)準(zhǔn)的相對重要性，采用每一個(gè)標(biāo)準(zhǔn)制定每個(gè)決策優(yōu)先權(quán)。首先分析具體的問題，然后構(gòu)建影響該問題的因素并構(gòu)建矩陣。通過比較矩陣元素的重要性，量化矩陣元素的定性權(quán)重，根據(jù)結(jié)果的實(shí)際可行性和客觀性，實(shí)現(xiàn)定性分析與定量分析的結(jié)合。

模糊理論（Fuzzy set theory）是古典集合論的擴(kuò)展。在古典集合論中，集合中的元素屬于或者不屬于該集合，元素間的關(guān)聯(lián)程度較弱。而在模糊理論中，元素間的關(guān)聯(lián)程度不斷地變化。數(shù)學(xué)上，模糊集（也稱為隸屬度函數(shù)）是從論域到閉區(qū)間[0，1]的一個(gè)映射。通常，隸屬度函數(shù)的設(shè)計(jì)需要考慮問題的需求和約束。基于模糊變量的使用，系統(tǒng)可以理解為一個(gè)非專業(yè)的系統(tǒng)。通過這種方式，模糊邏輯可以用作一種通用的方法將知識、試探法或理論合并到控制和決策的過程中[3]。

3 低干擾風(fēng)險(xiǎn)評估模型的實(shí)現(xiàn)

3.1 模型流程實(shí)現(xiàn)

為了實(shí)現(xiàn)對工業(yè)控制系統(tǒng)低干擾在線風(fēng)險(xiǎn)評估，提出以下技術(shù)方案：首先構(gòu)建工業(yè)控制系統(tǒng)識別標(biāo)語庫、漏洞—型號映射庫，然后根據(jù)設(shè)備標(biāo)語庫進(jìn)行特征提取和識別，在設(shè)備工作的情況下，使用細(xì)粒度設(shè)備識別技術(shù)識別該設(shè)備的品牌、型號等信息，構(gòu)建一個(gè)設(shè)備自動識別模型，最后通過模糊比對構(gòu)建的漏洞庫來進(jìn)行脆弱性分析，對存在漏洞的設(shè)備提供風(fēng)險(xiǎn)評級。

電力工業(yè)互聯(lián)網(wǎng)設(shè)備低干擾在線漏洞分析技術(shù)研究流程如下：使用工具探測設(shè)備，收集標(biāo)語，構(gòu)建工業(yè)互聯(lián)網(wǎng)設(shè)備識別標(biāo)語庫；爬取“漏洞編號”“危害等級”“漏洞類型”“供應(yīng)商”“型號”“設(shè)備類型”等信息，構(gòu)建漏洞—型號映射庫；爬取工業(yè)控制系統(tǒng)的相關(guān)信息，獲得“廠商”“設(shè)備型號”“設(shè)備類型”等信息，構(gòu)建工業(yè)控制系統(tǒng)設(shè)備指紋庫；對工業(yè)控制系統(tǒng)設(shè)備識別標(biāo)語庫進(jìn)行自然語言處理，利用機(jī)器學(xué)習(xí)等技術(shù)自動提取設(shè)備識別標(biāo)語庫的特征和屬性，利用提取的特征和屬性與設(shè)備指紋庫進(jìn)行指紋匹配；在設(shè)備工作狀態(tài)下，利用細(xì)粒度設(shè)備識別技術(shù)實(shí)現(xiàn)設(shè)備型號信息的自動識別；最后使用模糊比對漏洞—型號映射庫，實(shí)現(xiàn)免驗(yàn)證的工業(yè)互聯(lián)網(wǎng)設(shè)備脆弱性分析，并對存在漏洞的設(shè)備提供風(fēng)險(xiǎn)評級。

3.2 多協(xié)議標(biāo)語融合的細(xì)粒度設(shè)備識別

首先，對大量目標(biāo)類型的設(shè)備發(fā)送由協(xié)議和端口組合構(gòu)成的協(xié)議探測數(shù)據(jù)包，獲取相應(yīng)的協(xié)議標(biāo)語信息，并進(jìn)行基于標(biāo)語的設(shè)備識別，將每種協(xié)議標(biāo)語的識別結(jié)果存入數(shù)據(jù)庫。其次，統(tǒng)計(jì)計(jì)算目標(biāo)設(shè)備類型下每種協(xié)議標(biāo)語的標(biāo)語獲取率（Pbanner1，Pbanner2，…），以及4種識別概率（Pnull，Pbrand，Pmodel，Pall），分別表示標(biāo)語信息中不包含任何信息（null）、僅品牌（only brand）、僅型號（only model）以及品牌和型號（all）的概率。最后，采用強(qiáng)化學(xué)習(xí)的方法，將基于標(biāo)語的設(shè)備識別過程建模為馬爾科夫決策過程，通過改進(jìn)價(jià)值迭代算法，為已知類型的設(shè)備生成最優(yōu)協(xié)議探測序列，然后基于識別精度的增益閾值提取最優(yōu)的協(xié)議探測組合。

針對多協(xié)議探測組合難以解決協(xié)議探測開銷與設(shè)備識別精度之間平衡問題的實(shí)際情況，引入價(jià)值迭代算法，分步驟生成目標(biāo)設(shè)備類型的最優(yōu)協(xié)議探測組合。詳情如圖1所示。

圖1 多協(xié)議標(biāo)語融合的細(xì)粒度設(shè)備識別模型

技術(shù)實(shí)現(xiàn)步驟如下：

步驟1：基于Python的Scrapy架構(gòu)，使用異步網(wǎng)絡(luò)框架Twisted，以爬蟲的技術(shù)方式實(shí)現(xiàn)對物聯(lián)網(wǎng)設(shè)備品牌和型號屬性的自動化收集工作，構(gòu)建物聯(lián)網(wǎng)設(shè)備指紋庫。

步驟2：通過調(diào)用Censys提供的API接口，過濾出目標(biāo)類型的大量真實(shí)的物聯(lián)網(wǎng)設(shè)備IP，并保存。

步驟3：掃描步驟1獲得的物聯(lián)網(wǎng)設(shè)備IP，如果探測到IP對應(yīng)的主機(jī)處于活躍狀態(tài)，則將該活躍主機(jī)IP地址存入數(shù)據(jù)庫。

步驟4：使用標(biāo)語抓取工具來抓取每個(gè)活躍物聯(lián)網(wǎng)設(shè)備的多種協(xié)議標(biāo)語。

步驟5：結(jié)合由步驟1獲得的物聯(lián)網(wǎng)設(shè)備指紋庫，進(jìn)行基于標(biāo)語的物聯(lián)網(wǎng)設(shè)備識別，得到目標(biāo)物聯(lián)網(wǎng)設(shè)備類型基于不同協(xié)議標(biāo)語的品牌、型號識別結(jié)果，分別計(jì)算基于每種協(xié)議標(biāo)語的標(biāo)語獲取率、不包含任何設(shè)備屬性信息的概率、只包含品牌信息的概率、只包含型號信息的概率以及同時(shí)包含品牌和型號的概率。

步驟6：基于馬爾可夫決策過程對整個(gè)設(shè)備識別過程進(jìn)行形式化分析，通過Agent感知識別過程中存在的狀態(tài)集合、動作集合以及不同識別狀態(tài)下采取不同動作獲得的回報(bào)，并計(jì)算基于每種協(xié)議標(biāo)語的識別狀態(tài)轉(zhuǎn)移概率矩陣。

步驟7：采用價(jià)值迭代算法，通過迭代，不斷計(jì)算更新每個(gè)識別狀態(tài)s下每個(gè)動作a的動作—價(jià)值函數(shù)Q（s，a），由此得到狀態(tài)s下的最優(yōu)動作a，從而生成一個(gè)最優(yōu)協(xié)議探測序列，最后根據(jù)設(shè)置的增益閾值獲得最優(yōu)協(xié)議探測組合。

3.3 風(fēng)險(xiǎn)評估量化計(jì)算

采用Delphi法構(gòu)建電力設(shè)備脆弱性風(fēng)險(xiǎn)評估指標(biāo)集，并采用層次分析法構(gòu)建指標(biāo)集的層次結(jié)構(gòu)，采用模糊理論方法計(jì)算安全風(fēng)險(xiǎn)值。應(yīng)用模糊理論解決實(shí)際問題的步驟如下。

a）建立模糊一致判斷矩陣，并進(jìn)行排序，確定權(quán)重，根據(jù)0.1～0.9標(biāo)度法，比較指標(biāo)間的相對重要性并給出比較值，所得的矩陣為模糊互補(bǔ)判斷矩陣，最后求出各指標(biāo)的權(quán)重系數(shù)。

b）確定隸屬度矩陣，將工業(yè)控制系統(tǒng)設(shè)備安全風(fēng)險(xiǎn)的評語等級劃分為5級，通過計(jì)算即可得到隸屬度矩陣。

c）采用加權(quán)平均法對不同等級的評語集規(guī)定安全等級并賦值。

4 結(jié)束語

針對工業(yè)控制系統(tǒng)設(shè)備固件及協(xié)議存在的各類安全漏洞，本文提出了低干擾的脆弱性分析方法；實(shí)現(xiàn)了一個(gè)多協(xié)議標(biāo)語融合的細(xì)粒度設(shè)備識別模型，利用該模型自動提取設(shè)備多維屬性特征并對其識別，提高細(xì)粒度設(shè)備識別的準(zhǔn)確率和時(shí)間效率，完成設(shè)備細(xì)粒度信息的快速自動識別；最終通過設(shè)備信息與漏洞庫的模糊匹配，實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)設(shè)備的低干擾脆弱性分析原型系統(tǒng)。