軟件系統(tǒng)漏洞預(yù)測技術(shù)分析

摘要：軟件系統(tǒng)運行漏洞是常見的實際問題。系統(tǒng)漏洞不僅會帶來經(jīng)濟(jì)損失，也會影響軟件運行質(zhì)量與軟件功能發(fā)揮。研究軟件系統(tǒng)漏洞預(yù)測技術(shù)，有利于及時發(fā)現(xiàn)漏洞出現(xiàn)區(qū)域、有效定義漏洞類型。通過漏洞預(yù)測，可以為軟件評估工作與提升軟件質(zhì)量的提供保障。通過本文實踐分析可知，軟件系統(tǒng)漏洞預(yù)測技術(shù)應(yīng)用要點包括明確漏洞預(yù)測技術(shù)內(nèi)涵、構(gòu)建漏洞預(yù)測模型，以及結(jié)合專業(yè)理論研究漏洞傾向性預(yù)測方法。只有結(jié)合實際情況打好理論基礎(chǔ)，并對針對性預(yù)測技術(shù)進(jìn)行了解，才能進(jìn)行有效的分析研究，找到軟件系統(tǒng)漏洞預(yù)測科學(xué)路徑。

關(guān)鍵詞：軟件系統(tǒng)；漏洞預(yù)測；模型構(gòu)建；漏洞傾向性

軟件系統(tǒng)漏洞預(yù)測技術(shù)在實踐應(yīng)用中，需經(jīng)過專業(yè)模型構(gòu)建和針對性的理論分析，并且通過既定步驟作為支撐，為軟件系統(tǒng)漏洞預(yù)測奠定基礎(chǔ)。在實踐預(yù)測工作落實開展中，主要針對漏洞傾向性進(jìn)行預(yù)測，按照預(yù)測既定流程做好特征指標(biāo)選擇和數(shù)據(jù)處理工作，為提升模型構(gòu)建合理性、優(yōu)化模型構(gòu)建質(zhì)量效果奠定基礎(chǔ)。

一、漏洞預(yù)測技術(shù)實施要點分析

（一）基于漏洞發(fā)現(xiàn)過程進(jìn)行建模

在不同類型漏洞中，安全漏洞對系統(tǒng)運行會產(chǎn)生直接影響。當(dāng)系統(tǒng)總體漏洞數(shù)量增加后，安全漏洞數(shù)量也會呈現(xiàn)上升趨勢。漏洞數(shù)據(jù)庫也會基于數(shù)據(jù)采集分析，形成更加集中和多樣的漏洞形式。因此，針對漏洞進(jìn)行研究發(fā)現(xiàn)，需要通過建模的方式提高可靠性和針對性[1]。具體來說，漏洞發(fā)現(xiàn)過程建模中可用的模型包括以下幾種。

一是安德森熱力學(xué)模型。此模型主要針對軟件可靠性進(jìn)行研究，發(fā)生漏洞問題后，可實現(xiàn)基于漏洞立即修復(fù)，且不會引入新漏洞。安德森熱力學(xué)模型的漏洞預(yù)測公式具體如下：

其中，k、γ以及C屬于常數(shù)參數(shù)，模型會隨著時間t的增加，呈現(xiàn)出漏洞數(shù)量累積特征。

二是邏輯斯蒂模型。此模型構(gòu)建要點為建立邏輯斯蒂函數(shù)，具體的函數(shù)表達(dá)式如下：

在此公式中，C是常數(shù)參數(shù)，A和B分別代表可以根據(jù)經(jīng)驗設(shè)定的具體參數(shù)。在此模型中，邏輯斯蒂函數(shù)發(fā)揮主導(dǎo)作用，其主要特征表現(xiàn)為當(dāng)t趨向無窮大時，漏洞總數(shù)會無限接近B，這意味著在最終統(tǒng)計時漏洞數(shù)量會達(dá)到一個上限[2]。

（二）基于模型構(gòu)建進(jìn)行實驗分析與評價

在選擇一種模型進(jìn)行漏洞預(yù)測分析時，首先需要對模型的有效性進(jìn)行實驗分析。在驗證模型有效性時，需要考慮不同類型的參數(shù)指標(biāo)和軟件系統(tǒng)，并使用模擬觀察的方式來構(gòu)建漏洞增長過程，并確認(rèn)模型參數(shù)的取值。下表1是基于生長曲線進(jìn)行構(gòu)建的預(yù)測模型驗證數(shù)據(jù)[3]。這種模型被稱為PMGTV模型?？梢允褂米钚《朔▉泶_定對模型參數(shù)的初始取值。關(guān)于模型評價方法，也需選擇專業(yè)技術(shù)方法以達(dá)到評價目標(biāo)。具體來說，常用的模型評價方法有殘差平方合法以及卡方值法。根據(jù)模型評價結(jié)果進(jìn)行總結(jié)分析可知，從擬合效果入手進(jìn)行評價分析時，可清晰判斷對數(shù)模型和指數(shù)模型不容易取得良好的擬合效果，無法準(zhǔn)確反映漏洞發(fā)現(xiàn)數(shù)量隨時間變化的具體規(guī)律。相對來說，生長理論模型在漏洞發(fā)現(xiàn)過程中能夠發(fā)揮更好作用，這也是本文選擇基于生長理論進(jìn)行模型構(gòu)建研究的重要原因[4]。

二、系統(tǒng)漏洞發(fā)現(xiàn)預(yù)測模型分析

（一）軟件系統(tǒng)漏洞發(fā)現(xiàn)基本規(guī)律分析

發(fā)現(xiàn)漏洞出現(xiàn)的基本規(guī)律對于解決漏洞和相關(guān)實際問題有重要作用。在系統(tǒng)軟件發(fā)布上市后，漏洞具有一定的變化規(guī)律和系統(tǒng)，軟件漏洞的發(fā)現(xiàn)速度也具有波動性特征。同時，漏洞也呈現(xiàn)出一定的基本規(guī)律。影響漏洞發(fā)現(xiàn)速度的因素主要包括以下兩個方面：用戶規(guī)模大小和是否受到黑客攻擊。

從基本特征的分析可知，使用軟件的用戶群體規(guī)模越大，越容易發(fā)現(xiàn)漏洞。從黑客角度來看，在攻擊軟件系統(tǒng)時，他們也會優(yōu)先選擇具備大規(guī)模用戶群體的系統(tǒng)。但是，隨著軟件運行時間的增長，系統(tǒng)功能的完善性也會不斷提升，系統(tǒng)中的漏洞逐步減少，因此發(fā)現(xiàn)漏洞的速度也會同步降低。

根據(jù)實際情況分析可知，常見系統(tǒng)軟件漏洞的發(fā)現(xiàn)速度可分為三個基本階段。首先，在軟件發(fā)布及上市初級階段，漏洞的增長速度較慢。其次，在軟件系統(tǒng)進(jìn)入市場運行段時間后，漏洞發(fā)現(xiàn)速度會出現(xiàn)高速增長，但不具備持續(xù)性。最后，在成熟階段，漏洞發(fā)現(xiàn)速度逐步下降，漏洞增加頻率也同步減少?；谶@一特征繪制的曲線被稱為軟件漏洞系統(tǒng)生長曲線。

（二）漏洞預(yù)測模型描述方法分析

在描述漏洞預(yù)測模型時，需要考慮基礎(chǔ)數(shù)據(jù)計算并結(jié)合系統(tǒng)功能要求對預(yù)測模型的特征進(jìn)行定位。通過描述漏洞預(yù)測模型，有助于幫助分析人員更準(zhǔn)確和全面地了解漏洞的發(fā)展趨勢。在描述漏洞預(yù)測模型時，可以采用Logistic方程。此方程主要依據(jù)生物學(xué)原理設(shè)定假設(shè)前提，并建立相關(guān)微分方程與模型。然后可以代入初始條件與臨界條件，求解整體生長過程中的變化趨勢。這個模型的整體變化過程具有較強(qiáng)的邏輯性和實際應(yīng)用價值，整個曲線呈現(xiàn)出S型。

在實際應(yīng)用中，可以設(shè)定一個固定的時刻t，并將漏洞發(fā)現(xiàn)的數(shù)量記為y。由于漏洞發(fā)現(xiàn)速度具有波動性特征，需要結(jié)合生長理論建立一個關(guān)于發(fā)現(xiàn)數(shù)量的函數(shù)來描述漏洞發(fā)現(xiàn)的增長速度。具體表達(dá)式如下：

在實踐分析中，需要設(shè)置相關(guān)定值來構(gòu)建分支關(guān)系式，以描述漏洞預(yù)測的整體趨勢。只要數(shù)據(jù)計算精準(zhǔn)有效，分析公式全面完善，就能充分發(fā)揮出模型的具體作用。在實踐分析中，還需要確保數(shù)據(jù)的準(zhǔn)確性，有效地進(jìn)行計算，并驗證所使用的分析方法和公式，以確保模型的準(zhǔn)確性和可靠性。

最終，通過正確設(shè)置定值、構(gòu)建分支關(guān)系式，并進(jìn)行精準(zhǔn)計算和完善的公式分析，可以使漏洞預(yù)測模型在實踐中發(fā)揮出應(yīng)有的作用，并提供全面有效的預(yù)測結(jié)果。

三、軟件系統(tǒng)漏洞傾向性預(yù)測方法研究

（一）高斯過程核運算研究

關(guān)于高斯內(nèi)核主要功能在于定義數(shù)據(jù)之間的相似程度[5]。在訓(xùn)練模型時，高斯模型的訓(xùn)練采用單核訓(xùn)練模式，基于不同函數(shù)表達(dá)式對訓(xùn)練效果可能會產(chǎn)生客觀差異。相比之下，多核學(xué)習(xí)更具靈活性，能夠根據(jù)復(fù)雜的漏洞數(shù)據(jù)來預(yù)測其分布狀態(tài)。在本文研究中，主要通過引入新的多核函數(shù)來改善模型的構(gòu)建準(zhǔn)確性和映射能力，從而獲得更顯著的分類效果。多核合成主要是通過對多個基本函數(shù)進(jìn)行線性組合，最終得到求和核表達(dá)式，具體表達(dá)如下。

此公式主要通過將平方二次有理核以及平方指數(shù)核公式進(jìn)行合成，得到新的核函數(shù)，此函數(shù)表達(dá)式作為本文模型訓(xùn)練所用的核。

（二） GP模型預(yù)測漏洞傾向分析

基于高斯過程理論的軟件漏洞分析預(yù)測中，需要對漏洞進(jìn)行二分類。隨后，新模型可用作預(yù)測，實踐預(yù)測結(jié)果映射在區(qū)間0～1范圍內(nèi)，實現(xiàn)對軟件漏洞傾向性預(yù)測目標(biāo)。將這個預(yù)測模型稱為GP-VTPM。模型構(gòu)建要點包括四個部分：樣本處理、GP模型試驗、閾值設(shè)定和漏洞傾向性預(yù)測。整體預(yù)測流程如下圖1所示。

在本文實踐研究中，選擇了兩個數(shù)據(jù)集進(jìn)行模型驗證：NASA漏洞數(shù)據(jù)集和Linux漏洞數(shù)據(jù)集。傾向性預(yù)測工作需依據(jù)現(xiàn)有漏洞數(shù)據(jù)樣本特征進(jìn)行分析研究。隨后，使用應(yīng)用機(jī)器學(xué)習(xí)模型完成訓(xùn)練學(xué)習(xí)過程，最終對新的模塊進(jìn)行漏洞傾向評估工作。漏洞傾向性的本質(zhì)是利用機(jī)器學(xué)習(xí)解決分類問題的過程。主要是通過對代碼源文件或程序模塊進(jìn)行分類，形成有漏洞區(qū)域與無漏洞區(qū)域的機(jī)器學(xué)習(xí)模型。主要通過高斯過程機(jī)器學(xué)習(xí)模式進(jìn)行實踐訓(xùn)練，并最終使用訓(xùn)練完成的高斯過程模型對新源文件或程序進(jìn)行漏洞發(fā)生傾向評估工作。

在實踐操作過程中，訓(xùn)練與預(yù)測兩階段，按照十字交叉法進(jìn)行互動驗證。在具體分析時，需將有漏洞的源文件樣本設(shè)置為D1，D1={（x1，1），（x2，1），...，（xn，1）}，不帶漏洞的源文件樣本設(shè)置為D2，D2={（x1，0），（x2，0），...，（xn，0）}。另外，還包括不帶標(biāo)簽測試數(shù)據(jù)集，命名為T0={ x1， x2...， xn}。下表2為基于訓(xùn)練模型訓(xùn)練階段與預(yù)測階段指標(biāo)內(nèi)容統(tǒng)計表。

在具體的訓(xùn)練階段中，首先需要將訓(xùn)練集送入模型內(nèi)部進(jìn)行訓(xùn)練。訓(xùn)練集是由具有已知漏洞的樣本和沒有漏洞的樣本組成。模型通過學(xué)習(xí)這些樣本的特征和標(biāo)簽之間的關(guān)系來建立模型。訓(xùn)練完成后，將測試集輸入到模型中進(jìn)行預(yù)測。預(yù)測結(jié)果將被存儲在相應(yīng)的集合中。經(jīng)過一系列的學(xué)習(xí)和預(yù)測過程，預(yù)測結(jié)果將分別進(jìn)入有漏洞傾向樣本合集與無漏洞傾向樣本合集。

（三）特征選擇階段分析

特征選擇階段主要通過將一組帶有標(biāo)簽樣本輸入進(jìn)行有效的特征選擇。獨立樣本實例都具有獨立特征向量對其進(jìn)行描述，但不是所有獨立特征向量都對漏洞預(yù)測起作用。部分特征還可能對模型分析效果與性能造成負(fù)面影響。因此，需通過特征選擇保證分類準(zhǔn)確性，減少特征的負(fù)面影響并提高數(shù)據(jù)模型計算效率。在實踐操作環(huán)節(jié)中，選擇合適的度量元是特征選擇的典型代表。常見度量元包括環(huán)路復(fù)雜度度量、科學(xué)度量以及CK度量等。目前廣泛應(yīng)用的軟件漏洞數(shù)據(jù)集，如美國航空航天局設(shè)置并對外公布的NASA數(shù)據(jù)集，具體數(shù)據(jù)及數(shù)量有13個，包括軟件模型、度量屬性、度量值、軟件模塊和標(biāo)簽等多個內(nèi)容，數(shù)據(jù)集在實踐應(yīng)用中存在度量特征冗余量過大、無關(guān)特征數(shù)量較多的問題。因此，需結(jié)合傳統(tǒng)數(shù)據(jù)集和模型結(jié)構(gòu)對特征選擇階段具體度量元進(jìn)行優(yōu)化設(shè)計。當(dāng)大量特征數(shù)據(jù)涌入后，可能會造成維數(shù)災(zāi)難現(xiàn)象，影響數(shù)據(jù)模型預(yù)測性能。因此，需要解決這一問題，應(yīng)用特征選擇或特征提取方式對重點特征進(jìn)行定位規(guī)劃[6]。針對一部分特征模型度量指標(biāo)進(jìn)行篩選，找出最優(yōu)子集。選取時，采用排列聚類結(jié)合方式進(jìn)行選擇操作。隨后，結(jié)合專業(yè)算法對獨立特征進(jìn)行明確并進(jìn)一步完成俳句操作，在獨立子項目類別中，選出全局排序靠前的基本特征加入新特征集中，最終得到最優(yōu)集合。

（四）數(shù)據(jù)預(yù)處理分析

數(shù)據(jù)預(yù)處理是模型訓(xùn)練開展前，需把握的重要環(huán)節(jié)是利用機(jī)器學(xué)習(xí)中所選取的數(shù)據(jù)預(yù)處理方式進(jìn)行預(yù)測模型數(shù)據(jù)信息篩選與優(yōu)化。預(yù)處理在實踐操作時，不同的特征度量單位有所不同。因此，度量值也會產(chǎn)生相應(yīng)差異。度量結(jié)果數(shù)量及差別較大，評價指標(biāo)在相應(yīng)評價單位評價側(cè)重點上也有一定差異。這會直接影響到數(shù)據(jù)分析結(jié)果。為了消除這種影響，需要實施數(shù)據(jù)標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理后，所有數(shù)據(jù)指標(biāo)數(shù)量級保持在同等水平下，樣本中若存在異樣，樣本數(shù)據(jù)預(yù)處理時，也需進(jìn)行標(biāo)準(zhǔn)化操作。具體來說，標(biāo)準(zhǔn)化操作方法為Z-score。處理時，需對原始數(shù)據(jù)均值與標(biāo)準(zhǔn)差進(jìn)行確認(rèn)，并以此為依據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，確保處理后的數(shù)據(jù)符合正態(tài)分布特征。

（五）模型評價指標(biāo)分析

模型評價是對模型分析功能效果進(jìn)行觀察時，需要執(zhí)行的關(guān)鍵環(huán)節(jié)。結(jié)合本文實踐分析結(jié)果觀察可知，本文所實現(xiàn)的模型構(gòu)建以分類模型為本質(zhì)特征。程序模塊分類有漏洞傾向樣本，屬于負(fù)樣本性質(zhì)。而無漏洞傾向樣本則被定義為正樣本，評估效果時可選用混淆矩陣對n元素進(jìn)行分類。完成上述模型構(gòu)建、模型指標(biāo)評價分析后，可借助專業(yè)計算機(jī)軟件系統(tǒng)，依托上文分析相關(guān)算法進(jìn)行模型構(gòu)建、模型環(huán)境模擬，最終獲得計算數(shù)據(jù)對軟件系統(tǒng)漏洞發(fā)展趨勢進(jìn)行預(yù)測分析。為取得更好模型預(yù)測功能觀察效果，還需設(shè)置對照組進(jìn)行對照樣本分析。由此可見，利用樣本學(xué)習(xí)以及漏洞預(yù)測核心技術(shù)模型進(jìn)行數(shù)據(jù)分析具有非常顯著的應(yīng)用適宜性。只要結(jié)合不同類型的數(shù)據(jù)模型，選取相應(yīng)的計算方法和分析方法，就能在軟件系統(tǒng)中獲得良好的漏洞發(fā)展趨勢預(yù)測效果。

四、結(jié)束語

綜合本文實踐分析可知，軟件系統(tǒng)漏洞發(fā)現(xiàn)與傾向性預(yù)測過程中，需結(jié)合模型構(gòu)建、數(shù)據(jù)計算、數(shù)據(jù)處理和對比分析幾個要點環(huán)節(jié)，做好組織實施工作。結(jié)合軟件系統(tǒng)漏洞發(fā)展趨勢，對系統(tǒng)風(fēng)險進(jìn)行進(jìn)一步明確。在具體的模型構(gòu)建和數(shù)據(jù)分析環(huán)節(jié)工作推進(jìn)落實過程中，應(yīng)結(jié)合多樣化數(shù)據(jù)進(jìn)行篩選分析，明確數(shù)據(jù)特征，做好數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理，為最終創(chuàng)建實驗環(huán)境，提升實踐分析有效性奠定基礎(chǔ)。

參? 考? 文? 獻(xiàn)

[1]鄭建云，龐建民，周鑫等.基于約束推導(dǎo)式的增強(qiáng)型二進(jìn)制漏洞挖掘[J].計算機(jī)科學(xué)，2021，48（03）：320-326.

[2]白首華，胡天彤.微型嵌入式軟件靜態(tài)缺陷預(yù)測系統(tǒng)優(yōu)化設(shè)計[J].現(xiàn)代電子技術(shù)，2020，43（10）：97-99.

[3]曾嘉麒，劉外喜，盧錦杰.軟件定義數(shù)據(jù)中心基于殘差網(wǎng)絡(luò)的大象流預(yù)測機(jī)制[J].小型微型計算機(jī)系統(tǒng)，2021，42（09）：1938-1943.

韓鵬軍（1975.06-），男，漢族，碩士，國家能源集團(tuán)國能信息技術(shù)有限公司網(wǎng)安中心總經(jīng)理，工程師，研究方向：信息安全、信息化。