导航：安全管理网>> 安全论文>> 综合安全论文>>正文

基于粗糙集理论的安全考试系统

文档作者：张萍王建忠吴倩邹帆高轶文档来源：四川师范大学		点击数：	更新时间： 2021年07月09日
下载地址：点击这里	文件大小： 242.26 KB 共3页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共3页]

本文件共3页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：242.26 KB 共3页文件格式：PDF 下载点数：1 点（VIP会员免费）

下一篇：小卫星综合测试中的接口安全控制

上一篇：安全监察在安全生产中的重要性

文本预览

仅提取页面文字内容，供快速阅读使用。

第27卷第3期
2010年3月
计算机应用研究
Application Research of Computers
V01．27 NO．3
Mar．2010
基于粗糙集理论的安全考试系统木
张萍，王建忠，吴倩，邹帆，高轶
(四川师范大学基础教学学院，成都610068)
摘要：为了进一步提高结合了传统静态安全技术和动态安全技术的计算机考试系统的安全性，提出了一种基
于粗糙集理论的静态安全技术与动态安全技术相结合的高效低负荷的防御方法，用于监控进程的非正常行为。
该方法从进程正常运行情况下产生的系统调用序列中提取出一个简单的预测规则模型，能有效地检测出进程的
异常运行状态。同原有系统相比，用粗糙集理论建立正常模型要求的训练数据获取简单，而且得到的模型更适
用于在线检测。实验结果表明，该系统的安全性优于原考试系统。
关键词：粗糙集理论；考试系统；安全技术；系统调用
中图分类号：TP3 文献标志码：A 文章编号：1001—3695(2010)03—1012—03
doi：10．3969／j．issn．1001—3695．2010．03．056
Secure examination system based on rough set theory
ZHANG Ping，WANG Jian—zhong，WU Qian，zou Fan，GAO Yi
(College of Fundamental Education，Sichuan Normal University，Chengdu 6 1 0068，China)
Abstract：Applied the traditional information secure technology and the rough set theory to the computer examination system
in order to improve the system security．This paper proposed an effective method based on rough set theory which had low overhead
and high efficiency，and used to monitor the abnormal behavior of processes．It extracted a set of detection rules with
minimum size to form a normal behavior model from the record of system call sequences and could detect the abnormal operat—
ing status of a process．Compared with the old system，this method required a smaller size of training data set，less efforts to
collect training data and more suitable for real—time detection．Experimental results show that the secure performance of this
system is better than the old system’S．
Key words：rough set theory；examination system；security technology；system call
随着网络的不断发展，威胁的不断增加，如何才能进一步
提高考试系统的安全和检测效率以满足不断变化的考试系统
的安全需求呢?本文在采用传统信息安全技术的考试系统⋯
基础上，提出了一种基于粗糙集理论的高效低负荷的检测防御
方法，用于监控进程的非正常行为。该方法借助于粗糙集理论
从进程正常运行情况下产生的系统调用序列中提取出一个简
单的预测规则模型，能有效地检测出进程的异常运行状态。用
粗糙集理论建立正常模型要求的训练数据获取简单，而且得到
的模型更适用于在线检测。实验结果表明，该系统的安全性优
于采用传统信息安全技术的考试系统。
1 相关的研究工作
现有的计算机考试系统一般都采用传统的信息安全技术，
其基本安全主要由传统的静态安全技术和动态安全技术以及
安全数据库技术构成。静态安全技术主要采用传统的信息安
全技术如防火墙、加密技术、病毒防治和身份认证技术等，这些
技术发展较为成熟，对于已知的攻击模式有很好的防御作用。
但静态安全技术的防御能力是固定的，防御功能不能适应不断
变化发展的攻击方式；各种静态安全技术之间相互独立，缺少
相互之间的通信，对于复杂攻击的检测和防御也是有限的。其
不足之处由动态安全技术弥补，如生物免疫技术、入侵检测、攻
击陷阱等技术，它们改变消极被动的防御方式，积极主动地采
取各种措施来保证系统的安全，有效弥补静态安全技术的不
足，让整个系统能更好地防御外来攻击。但基于上述安全技术
的考试系统也存在着很多缺陷，如具有仅可检测已知弱点的局
限性，对于异常检测难以定量分析，对于未知的攻击存在错报
和漏报的情况，而且不能采取及时的应对措施，致使系统损坏
等。随着网络技术的发展，考试规模的发展壮大，只有提出新
的安全技术才能满足考试系统的新的安全需求。
近几年来成为机器学习研究热点的粗糙集理论。2。1(rough
set theory，RST)提供了一套比较完备的从小样本数据中寻找
规律的系统方法。同其他学习方法比较，粗糙集方法有两个优
点：a)粗糙集提供了一整套比较完整的小样本学习方法；b)用
粗糙集能得到一组最小规则集。据此，用粗糙集理论从考试系
统调用序列样本集得到的行为模型能更有效地逼近理想的简
单正常行为模型。粗糙集理论中提供了一套完善和系统的方
收稿日期：2009—07—24：修回日期：2009-08-24 基金项目：四川师范大学校级基金资助项目
作者简介：张萍(1971．)，女，四川成都人，副教授，主要研究方向为计算机网络、信息安全等(zp81995251@163．corn)；王建忠(1965一)，男，
四川岳池人，副教授，博士，主要研究方向为计算机网络等；吴倩(1978，)，女，四川阆中人，讲师，硕士，主要研究方向为虚拟仿真；邹帆(1980一)，女，
四川成都人，讲师，硕士，主要研究方向为计算机科学技术、计算机技术在学校教育中的应用等；高轶(1973一)，女，四川营山人，讲师，硕士，主要研
究方向为计算机应用技术．
万方数据
第3期张萍，等：基于粗糙集理论的安全考试系统·1013·
法，可找到描述正常模型的最小预测规则集，有利于提高检测
速度，适用于系统的实时检测。
2粗糙集理论的引入
本文基于上述考试系统的安全研究，认为成熟的静态安全
技术的不足之处可由动态安全技术弥补，动态安全技术的不足
则由粗糙集理论来完善。因此提出了将粗糙集理论应用于考
试系统中，以提高考试系统的安全。其基本架构如图1所示。
在基于粗糙集理论的安全考试系统架构中，本文着重阐述
基于粗糙集理论的动态防御技术部分。在考试系统中，数据分
为两种：一种为需要保护的考试数据，相对而言，需要保护的考
试数据之外的其他任意的字符串称为非考试数据。一般情况
下有基于主机、基于网络、基于序列【4“o三种情况来定义考试
数据与非考试数据集合。其中在基于主机方法中目前还没有
一种拆分算法特别有效。基于网络方法对于考试系统内部的
异常情况不易发现。基于序列方法是通过进程的系统调用序
列或基于系统服务的访问序列进行考试数据集合的提取，用匹
配方法进行识别。因为在进程正常执行时所产生的短序列局
部连贯稳定，而当非正常时会产生一些异常的系统调用序列，
通过对序列的分析可以判断系统是否受到攻击。此种方法适
宜于考试系统的情况。通过对三种情况的比较，本文采用了适
用于考试系统的基于序列的方法。因此采用用户进程的系统
调用来定义考试数据。在本文中，将粗糙集理论应用于考试系
统正常模型的建模过程，从较小的正常系统调用序列样本中提
取出预测规则集作为正常模型来进行系统的安全检测，建立进
程的简单正常模型，进行高效的在线安全检测。
3粗糙集理论的应用
目前，基于粗糙集的规则获取主要有两种模式。91。模式
一归1是由Paw|ak教授提出，主要思想是通过寻找属性核及去
掉多余的属性求出约简的决策表，并从最简决策表中获取相应
的确定规则。模式二。91是由Wakulicz2Deja等人提出，主要思
想是直接从原始决策表中求取近似集，并运用推理引擎，分别
从下近似集中获取确定规则，从上近似集中获取可能规则。经
过两种模式的比较，再结合考试系统，综合考虑后采用模式一，
如图2所示。
基于粗糙集理论
的动态防御技术
殳殳殳殳
传统的静态
防御技术
考试系统
安
全
数
据
库
圈豢
里篓鳖徊厕担掣l磊圜蒿l
图1 基于粗糙集理论的图2基于粗糙集的
安全考试系统架构规则推理模式
下面采用图2中的模式方法，基于系统调用序列的进程
正常行为模型，应用粗糙集理论建立进程正常模型M(L)。设
x是某一进程在正常运行状态下所能产生的所有系统调用序
列的集合。用一个长度为L+1的窗口沿着x中的每一条序列
滑动，可以得到一系列长度为L+1的序列段，所有的这些序列
段组成了正常系统调用序列段集合u。对于U中的每一个序
列段，前L个系统调用被称为序列段的一般位置属性，它们组
成了一般位置属性集A；第L+1个系统调用被称为序列段的
末位置属性，末位置属性集表示为D。A和D的取值范围为所
有系统调用组成的集合。建立正常行为模型的基本思想是根
据x中的前L个系统调用预测第L+1个系统调用，即找到u
中的一般位置属性集4与末位置属性D之间的关系。基于系
统调用行为的进程正常模型M(L)是正常系统调用序列段(长
度为￡+1)集合u中描述一般位置属性集A与末位置属性D
之间关系的预测规则集。在实际情况中，通常只能收集到部分
的正常系统调用序列作为样本，从中提取预测规则集。
将粗糙集理论应用到预测规则集的提取中。在给定某进
程的一个正常系统调用序列样本集中，用长度为L+l的窗口
在样本集中的序列上滑动，得到决策系统D和条件属性集4。
由正常系统调用序列样本集得到的进程的正常行为模型，就是
决策系统D中由条件属性集A确定决策属性D的决策规则
集。基于关于决策的约简可以得到最小决策规则集，对于由正
常系统调用序列样本集转换得到的决策系统D，根据关于决策
的约简生成正常模型中规则的条件，可以得到最小决策规则集
用做进程正常模型M(L)。应用粗糙集理论可以从比较小的
样本序列中提取预测规则集，得到的行为模型能有效逼近理想
正常行为模型。
基于进程正常模型M(L)的异常检测借助于训练得到的
进程正常模型，可以根据该进程产生的系统调用序列判断出进
程的运行状态是否为正常。一条规则同一个长度为L+1的序
列段匹配，应满足如下条件：a)规则适用的长度为L+1；b)规
则条件中描述的序列段各个位置上系统调用应与序列段中的
情况相符。系统调用序列的异常度定义为序列中正常模型规
则集预测失败的序列段个数与序列中序列段总数之比。
基于进程正常模型M(L)的异常检测算法如下：
Y={待分析的系统调用序列}；
for(i=1；i<=Y的个数；i=i+L+1)
{W=在Y中从i开始截取长度为L+1的序列段；
根据w中前L个序列段在M(L)形成的规则集D中查找规则；
if(没找到这样的规则)
{w中前L个系统调用的预测=训练集中最常出现的预测结果；
else
{w中前L个系统调用的预测=规则集D中出现次数最多的预
测结果；}
if(W中前I．个系统调用的预测==W中第L+1个序列段)
{prinff(”％S”，”预测成功”)；}
else
{printf(”％S”，”预测失败”)；}
4实验测试与分析
基本粗糙集理论的方法需要有高质量的样本数据进行{JI
练。在实际的考试系统应用中，能获得的训练样本数目不多，
万方数据
·1014· 计算机应用研究第27卷
而且绝大多数情况下只能得到正常的训练样本，有标定的异常
数据很难获得。这样在实用时就会产生误报，在实用中也有一
定的困难。本实验采用UNM提供的Login、Ps、WU—ftpd进程数
据集¨0’对考试系统中基于粗糙集理论的动态防御技术部分进
行实验。实验时先对数据进行切割处理得到序列段，将其中
10％的序列段作为正常训练集，剩余90％作为正常测试集，采
用不同的窗口大小，不同步幅大小多次构建模型，比较窗口大
小与检测效率关系。实验采用的部分数据集如表1所示，实验
中程序的部分异常度比较如表2所示。从表2中可以看出异
常序列的异常度都明显高于正常序列的异常度。根据异常度
的差异，选择适当的阈值可以准确区分异常状态。实验结果
表明，在窗口长度取21时预测相对最稳定，基于粗糙集理论的
检测方法能更快速区分正常和异常行为，考试系统的安全相应
地得到了改善。
表1实验用的数据集
正常序列异常序列
两条木马程序(recovered Trojan
两条login
l。画“
JE常序列
l。gi“d“8，h。“89。⋯“Troj8“
login data)
两条木码程序(recovered Trojaft
两条ps
ps
正常序列
l。gi“d8诅，h。m。grow“Troj8”
login data)
WH-flpd
一条named
正常序列
两条ftpd2．4
一条buffer overflow
攻击序列
一条远程单字
正常进程节_溢出攻击序列
5 结束语
本文在将传统静态安全防御技术与动态防御技术相结合
的基础上，引入粗糙集理论来更快更有效地识别考试系统的正
常和异常行为，保护考试系统的安全，使系统能更好地防御外
来的异常情况。该系统在实时检测中对系统性能的影响很小，
是一种高效低负荷的实时检测方法。不过怎样提高检测的准
确性和及时性，出现了报警怎样对其进行分析，用户如何处理
报警，如何更好地实现安全系统的动态平衡等都是以后需要解
决的问题。
参考文献：
[1]张萍，王建忠，余垄，等．免疫网络安全考试系统[J]．计算机应用
研究，2007，24(8)：162-164．
[2]PAWLAK Z．Rough sets—theoretical aspect of reasoning about data
[M]．Dordrecht：Kluwer Academic Publishers，1991．
[3]张文修，吴伟志，等．粗糙集理论与方法[M]．北京：科学出版社，
2001．
[4]FORREST S，HOFMEYR S A，SOMAYAJI A．Computer immunolo—
g)r[J]．Communications of the ACM，1997，40(10)：88-96．
[5]HOFMEYR S A，FORREST S．Immunity by design：all artificial im—
mune system[C]／／Proe of GECCO’99．1999．
[6]HOFMEYR S A，FORREST S．Architecture for an artificial immune
system[J]．Evolutionary Computation，2000，8(4)：443—473．
[7]FORREST S，HOFMEYR S A．[mmunlogy as processing[C]／／SEGAL
L A．COHEN I R．Proc of Design Principles for Immune Systems＆
Other Distributed Autonomous Systems．Oxford：Oxford University
Press，2000．
[8]HOFMEYR．An immunological model of distributed detection and its
application to computer security[D]．Mexico：University of New
Mexico，1999．
[9]LEE_W，STOLFO S，CHAN P．Learning patterns from unix process
executiontraces for intrusion detection[C]／／Proc of AAAI’97 Work．
shop on AI Methods in Fraud and Risk Management．1997：50-56．
[10][EB／OL]．http：／／www．CS．num．edu／～immsec／．
(上接第1011页)
[9]王伟．广义预测控制理论及其应用[M]．北京：科学出版社，
1998：46—64．
[10]胡耀华，贾欣乐．广义预测控制的直接算法[j]．控制与决策，
2000，15(2)：22l一223．
[11]RAMOND G，DUMUR D，BOUCHER P．Direct adaptive constrained
receding horizon predictive control with conditional to motor drives
with variable inertia[C]／／Proc of the 38th IEEE Conference on Deci—
sion and Contr01．1999：755-760．
[12]RAMOND G，DUMUR D，BOUCHER P．Application of direct adap—
tive generalized predictive control to an automatic gear box with a con—
tinuous variable transmission[c]／／Proc of IEEE International Confer—
enee on Control Applications．2000：303—308．
[13]PIMENTA K B，ROSARIO J M，DUMUR D．Application of direct
adaptive generalized predictive control(GPCAD)to a robotic joint
[J]．IEEE International Symposium on Industrial Electronics，
2003．2：1011—1016．
[14]师五喜，霍伟，吴宏鑫．一类未知非线性离散系统的直接自适应模
糊预测控制[J]．自动化学报，2004，30(5)：664-670．
[15]师五喜．未知参数多变量线性系统自适应模糊广义预测控制
[J]．控制与决策，2009，34(2)：23-26．
[16]师五喜．自适应模糊广义预测控制研究[D]．北京：北京航空航天
大学，2003：53．
[17]陈志旺，王洪瑞．非线性模糊自适应直接广义预测控制[J]．电
机与控制学报，2007，11(1)：55—59．
[18]师五喜．基于跟踪误差调节的非线性自适应模糊预测控制[J]．
控制与决策，2006，21(3)：297-304．
[19]王洪瑞，陈志旺，李建雄．非线性系统参数自适应直接广义预测控
制[J]．自动化学报，2007，33(10)：1110-1114．
[20]GOODWIN G C，SIN K S．Adaptive filtering，predictive and control
[M]．Englewood Cliffs，New Jersey：Prentice—Hall，1984：91—94．
万方数据

网友评论 more

综合安全论文最新内容

05-04