第11卷第5期 智能系统学报 Vol.11 No.5 2016年10月 CAAI Transactions on Intelligent Systems 0ct.2016 D0I:10.11992/is.201509020 网络出版地址：htp:/nw.cnki.net/kcms/detail/23.1538.TP.20160824.0928.006.html SCADA安全因素神经元的云推理机 研究与仿真 熊柳，曹谢东，李杰1，杨力2，刘增良3 (1.西南石油大学电气信息学院，四川成都610500：2.西南石油大学计算机科学学院，四川成都610500：3.中国 人民解放军国防大学信息作战研究所，北京100091) 摘要：为了解决SCADA系统信息安全的问题，本文提出了一种基于因素神经网络的主动防御方法。将SCADA系 统信息安全的影响因素映射到因素空间坐标中，然后利用知识因素的因素神经元表示方法，通过云模型推理机实现 了语言值表示的模糊概念到定量数据的转换，并通过云模型多规则多条件发生器进行规则推理，最后根据得到的期 望值又可以转换为定性语言值，这样就实现了对未知恶意程序行为操作可能性的预测。本文着重于利用基于云模 型的多条件多规则发生器实现推理，通过MATLAB进行算法设计和仿真，为油气SCADA系统信息安全防御的解决 方法提供了一种思路。 关键词：SCADA信息安全：因素空间：因素神经元：云模型：MATLAB仿真 中图分类号：TP18文献标志码：A文章编号：1673-4785(2016)05-0688-08 中文引用格式：熊柳，曹谢东，李杰，等.SC4DA安全因素神经元的云推理机研究与仿真[J].智能系统学报，2016,11(5)：688-695. 英文引用格式：XIONG Liu,CAO Xiedong,LI Jie,etal.Study and simulation of the SCADA security factors neuron's cloud infer- ence engine[J].CAAI transactions on intelligent systems,2016,11(5):688-695. Study and simulation of the SCADA security factors neuron's cloud inference engine XIONG Liu',CAO Xiedong',LI Jie',YANG Li2,LIU Zengliang' (1.School of Electrical Information Engineering,Southwest Petroleum University,Chengdu 610500,China;2.School of Computer Science,Southwest Petroleum University,Chengdu 610500,China;3.Institute of Information Operation,University of National De- fense,Beijing 100091,China) Abstract:Over recent years,with the amount of incidents involving industrial control information systems,the safe- ty of these system has been given increased importance across the Globe,and several technical measures have been implented to improve this.This paper proposed an active defense method based on a factor neural network in refer- ence to SCADA information security.The different aspects of SCADA information security were mapped to factor co- ordinates,and the factor neuron method for knowledge factors was then used to transform this from a fuzzy concept represented by language)to quantitative data through a cloud inference engine.Inference was then conducted through generated multi conditions and multi rules based on a cloud model,so that it could then be transformed into a qualitative language (e.g.'more likely'based on Ex)to be able to forecast the consequences of unknown mali- cious programs.This paper focus on using a generator with multiple conditions and rules based on a cloud model to achieve inference,thus providing an idea of the oil and gas SCADA information security's defense response using algorithmic design and MATLAB-based simulations. Keywords:SCADA information security;factor space;factor neuron;cloud model;MATLAB simulation SCADA(supervisory control and data acquistion, 数据采集与监视控制系统)工业控制系统广泛运用 于工业、能源、交通、水利以及市政等领域，主要用于 收稿日期：2015-09-17.网络出版日期：2016-08-24. 生产数据采集和控制生产设备的运行。一旦工业控 基金项目：国家自然科学基金项目(61175122)：四川省科技支撑计划 制系统信息安全出现漏洞，将对工业生产运行和国 (2015GZ0345):四川省教育厅重点项目(15ZA0049). 通信作者：熊柳.E-mail:beartreel991@163.com. 家经济安全造成重大隐患。一方面传统的病毒、木
第 １１ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．５ ２０１６ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５０９０２０ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０８２４．０９２８．００６．ｈｔｍｌ ＳＣＡＤＡ 安全因素神经元的云推理机 研究与仿真 熊柳１ ，曹谢东１ ，李杰１ ，杨力２ ，刘增良３ （１． 西南石油大学 电气信息学院，四川 成都 ６１０５００； ２． 西南石油大学 计算机科学学院，四川 成都 ６１０５００； ３． 中国 人民解放军国防大学 信息作战研究所，北京 １０００９１） 摘 要：为了解决 ＳＣＡＤＡ 系统信息安全的问题，本文提出了一种基于因素神经网络的主动防御方法。 将 ＳＣＡＤＡ 系 统信息安全的影响因素映射到因素空间坐标中，然后利用知识因素的因素神经元表示方法，通过云模型推理机实现 了语言值表示的模糊概念到定量数据的转换，并通过云模型多规则多条件发生器进行规则推理，最后根据得到的期 望值又可以转换为定性语言值，这样就实现了对未知恶意程序行为操作可能性的预测。 本文着重于利用基于云模 型的多条件多规则发生器实现推理，通过 ＭＡＴＬＡＢ 进行算法设计和仿真，为油气 ＳＣＡＤＡ 系统信息安全防御的解决 方法提供了一种思路。 关键词：ＳＣＡＤＡ 信息安全；因素空间；因素神经元；云模型：ＭＡＴＬＡＢ 仿真 中图分类号：ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０５⁃０６８８⁃０８ 中文引用格式：熊柳，曹谢东，李杰，等． ＳＣＡＤＡ 安全因素神经元的云推理机研究与仿真［Ｊ］． 智能系统学报， ２０１６， １１（５）： ６８８⁃６９５． 英文引用格式：ＸＩＯＮＧ Ｌｉｕ， ＣＡＯ Ｘｉｅｄｏｎｇ， ＬＩ Ｊｉｅ， ｅｔ ａｌ． Ｓｔｕｄｙ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｔｈｅ ＳＣＡＤＡ ｓｅｃｕｒｉｔｙ ｆａｃｔｏｒｓ ｎｅｕｒｏｎ’ｓ ｃｌｏｕｄ ｉｎｆｅｒ⁃ ｅｎｃｅ ｅｎｇｉｎｅ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１６，１１（５）：６８８⁃６９５． Ｓｔｕｄｙ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｔｈｅ ＳＣＡＤＡ ｓｅｃｕｒｉｔｙ ｆａｃｔｏｒｓ ｎｅｕｒｏｎ’ ｓ ｃｌｏｕｄ ｉｎｆｅｒｅｎｃｅ ｅｎｇｉｎｅ ＸＩＯＮＧ Ｌｉｕ １ ， ＣＡＯ Ｘｉｅｄｏｎｇ １ ， ＬＩ Ｊｉｅ １ ， ＹＡＮＧ Ｌｉ ２ ， ＬＩＵ Ｚｅｎｇｌｉａｎｇ ３ （１． Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｓｏｕｔｈｗｅｓｔ Ｐｅｔｒｏｌｅｕｍ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｅｎｇｄｕ ６１０５００， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， Ｓｏｕｔｈｗｅｓｔ Ｐｅｔｒｏｌｅｕｍ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｅｎｇｄｕ ６１０５００，Ｃｈｉｎａ； ３．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｏｐｅｒａｔｉｏｎ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｎａｔｉｏｎａｌ Ｄｅ⁃ ｆｅｎｓｅ， Ｂｅｉｊｉｎｇ １０００９１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｏｖｅｒ ｒｅｃｅｎｔ ｙｅａｒｓ， ｗｉｔｈ ｔｈｅ ａｍｏｕｎｔ ｏｆ ｉｎｃｉｄｅｎｔｓ ｉｎｖｏｌｖｉｎｇ ｉｎｄｕｓｔｒｉａｌ ｃｏｎｔｒｏｌ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍｓ， ｔｈｅ ｓａｆｅ⁃ ｔｙ ｏｆ ｔｈｅｓｅ ｓｙｓｔｅｍ ｈａｓ ｂｅｅｎ ｇｉｖｅｎ ｉｎｃｒｅａｓｅｄ ｉｍｐｏｒｔａｎｃｅ ａｃｒｏｓｓ ｔｈｅ Ｇｌｏｂｅ， ａｎｄ ｓｅｖｅｒａｌ ｔｅｃｈｎｉｃａｌ ｍｅａｓｕｒｅｓ ｈａｖｅ ｂｅｅｎ ｉｍｐｌｅｎｔｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｉｓ． Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ａｃｔｉｖｅ ｄｅｆｅｎｓｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ａ ｆａｃｔｏｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｒｅｆｅｒ⁃ ｅｎｃｅ ｔｏ ＳＣＡＤＡ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｃｕｒｉｔｙ． Ｔｈｅ ｄｉｆｆｅｒｅｎｔ ａｓｐｅｃｔｓ ｏｆ ＳＣＡＤＡ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｃｕｒｉｔｙ ｗｅｒｅ ｍａｐｐｅｄ ｔｏ ｆａｃｔｏｒ ｃｏ⁃ ｏｒｄｉｎａｔｅｓ， ａｎｄ ｔｈｅ ｆａｃｔｏｒ ｎｅｕｒｏｎ ｍｅｔｈｏｄ ｆｏｒ ｋｎｏｗｌｅｄｇｅ ｆａｃｔｏｒｓ ｗａｓ ｔｈｅｎ ｕｓｅｄ ｔｏ ｔｒａｎｓｆｏｒｍ ｔｈｉｓ ｆｒｏｍ ａ ｆｕｚｚｙ ｃｏｎｃｅｐｔ （ｒｅｐｒｅｓｅｎｔｅｄ ｂｙ ｌａｎｇｕａｇｅ） ｔｏ ｑｕａｎｔｉｔａｔｉｖｅ ｄａｔａ ｔｈｒｏｕｇｈ ａ ｃｌｏｕｄ ｉｎｆｅｒｅｎｃｅ ｅｎｇｉｎｅ． Ｉｎｆｅｒｅｎｃｅ ｗａｓ ｔｈｅｎ ｃｏｎｄｕｃｔｅｄ ｔｈｒｏｕｇｈ ｇｅｎｅｒａｔｅｄ ｍｕｌｔｉ ｃｏｎｄｉｔｉｏｎｓ ａｎｄ ｍｕｌｔｉ ｒｕｌｅｓ ｂａｓｅｄ ｏｎ ａ ｃｌｏｕｄ ｍｏｄｅｌ， ｓｏ ｔｈａｔ ｉｔ ｃｏｕｌｄ ｔｈｅｎ ｂｅ ｔｒａｎｓｆｏｒｍｅｄ ｉｎｔｏ ａ ｑｕａｌｉｔａｔｉｖｅ ｌａｎｇｕａｇｅ （ｅ．ｇ． ‘ｍｏｒｅ ｌｉｋｅｌｙ’ ｂａｓｅｄ ｏｎ Ｅｘ） ｔｏ ｂｅ ａｂｌｅ ｔｏ ｆｏｒｅｃａｓｔ ｔｈｅ ｃｏｎｓｅｑｕｅｎｃｅｓ ｏｆ ｕｎｋｎｏｗｎ ｍａｌｉ⁃ ｃｉｏｕｓ ｐｒｏｇｒａｍｓ． Ｔｈｉｓ ｐａｐｅｒ ｆｏｃｕｓ ｏｎ ｕｓｉｎｇ ａ ｇｅｎｅｒａｔｏｒ ｗｉｔｈ ｍｕｌｔｉｐｌｅ ｃｏｎｄｉｔｉｏｎｓ ａｎｄ ｒｕｌｅｓ ｂａｓｅｄ ｏｎ ａ ｃｌｏｕｄ ｍｏｄｅｌ ｔｏ ａｃｈｉｅｖｅ ｉｎｆｅｒｅｎｃｅ， ｔｈｕｓ ｐｒｏｖｉｄｉｎｇ ａｎ ｉｄｅａ ｏｆ ｔｈｅ ｏｉｌ ａｎｄ ｇａｓ ＳＣＡＤＡ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｃｕｒｉｔｙ’ｓ ｄｅｆｅｎｓｅ ｒｅｓｐｏｎｓｅ ｕｓｉｎｇ ａｌｇｏｒｉｔｈｍｉｃ ｄｅｓｉｇｎ ａｎｄ ＭＡＴＬＡＢ⁃ｂａｓｅｄ ｓｉｍｕｌａｔｉｏｎｓ． Ｋｅｙｗｏｒｄｓ：ＳＣＡＤＡ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｃｕｒｉｔｙ； ｆａｃｔｏｒ ｓｐａｃｅ； ｆａｃｔｏｒ ｎｅｕｒｏｎ； ｃｌｏｕｄ ｍｏｄｅｌ； ＭＡＴＬＡＢ ｓｉｍｕｌａｔｉｏｎ 收稿日期：２０１５⁃０９⁃１７． 网络出版日期：２０１６⁃０８⁃２４． 基金项目：国家自然科学基金项目（６１１７５１２２）；四川省科技支撑计划 （２０１５ＧＺ０３４５）；四川省教育厅重点项目（１５ＺＡ００４９）． 通信作者：熊柳． Ｅ⁃ｍａｉｌ：ｂｅａｒｔｒｅｅ１９９１＠ １６３．ｃｏｍ． ＳＣＡＤＡ（ ｓｕｐｅｒｖｉｓｏｒｙ ｃｏｎｔｒｏｌ ａｎｄ ｄａｔａ ａｃｑｕｉｓｔｉｏｎ， 数据采集与监视控制系统）工业控制系统广泛运用 于工业、能源、交通、水利以及市政等领域，主要用于 生产数据采集和控制生产设备的运行。 一旦工业控 制系统信息安全出现漏洞，将对工业生产运行和国 家经济安全造成重大隐患。 一方面传统的病毒、木
第5期 熊柳，等：SCADA安全因素神经元的云推理机研究与仿真 ·689. 马等会随之直接（如联网接入）或间接（如物理设备 基于因素神经元的SCADA系统恶 植入)地侵入工业控制系统，另一方面还有一些黑 客组织或是敌对组织对国家的工控系统展开有组织 意程序行为分析 的攻击如“震网”病毒事件，这种攻击具有未知性、 2.1 SCADA系统信息安全的因素空间构建 隐秘性、持续时间长等特点，同时破坏效果更为强 2.1.1因素空间核心内容 烈，而由于SCADA系统实时性、连续性和封闭性等 “任何事物都是诸因素的交叉”，一个人可以由 特点，很多用在传统计算机安全方面的手段（如病 他在年龄、性别、身高、体重、职业、学历、性格、兴趣 等因素方面的表现而加以确定)]，人就是上述因素 毒库更新)又无法照搬过来用在SCADA系统上面， 的一种交叉。然而一个事物并非从任何因素都可以 工控系统的信息安全问题日益突出。2002年美国 对之进行考察，如一块石头无从论性别，所谓事物0 宣布将保护重要领域工业控制系统安全列人重要的 与因素f相关，是指从f讨论o,有一个状态f(o)与 工作内容，例如美国阿贡国家实验室(argonne na- 之对应。例如从f(颜色因素)讨论o(苹果)，有一 tional laboratory,ANL)的研究主要集中于美国天然 个状态f()(红色)与之对应。 气管道运输的SCADA系统安全领域，提出采用 称(0，V)是一个配对，如果0与V分别是由一 SCADA系统的蜜罐诱捕SCADA系统恶意攻击、进 些对象和由一些因素所组成的集合，且对任意。∈ 行脆弱性分析以及攻击行为分析。 O,一切与o有关的因素都在V中，而对任意因素 本文首次提出基于因素神经网络[)的油气集 f∈V,一切与f有关的事物也都在O中。 输SCADA安全防御模型，采用主动防御(active de-. 对于一个实际问题，假定有一个配对近似地存 fense)的方法，对控制系统主机（工程师站、操作员 在着，对于给定的配对(O,V),可以在0与V之间 定义一个关系R: 站和PLC上位机等)的恶意程序行为进行分析来实 R(o,)=1,当且仅当o与f有关。 现人侵检测的技术。主要研究SCADA安全因素神 称R为相关关系。为简便计把R定义为普通 经元)的云推理机[)，实现对未知程序恶意行为的 的（非fuzzy,非模糊）关系。 推测，并对其算法进行MATLAB仿真。 D(f)=oI R(of)=1 课题思路 V(o)={f1R(o,月=1} 因素f可以看作一个映射，作用在一定的对象。 对恶意程序行为的描述可以采用因素神经元的 上可获得一定的状态，记为f(o): 方法。因素神经元由刘增良教授提出，是建立在汪 f:D()→X(fD 培庄教授的因素空间基础上提出的一种新的知识表 o-f(o) 示方法，因素空间理论4)的主要目的是用于解释随 这里X(f)={f(o)1o∈O}叫做因素f的状态 机性的根源以及概率规律的数学实质，其作用就是 空间。 2.1.2因素空间模型构建 “搭架子”，即建立一种广义坐标系，然后用以描述 给定论域U后，事物的因素分析一般步 坐标系中的实际对象。因素神经元山是一个面向 骤6为： 对象的综合知识表示与信息处理的单元模型，它能 1)确定描述事物集合0： 够获取各种类型的信息输入，神经元可以有选择性 2)确定事物的因素集合V; 地进行感知，最后构成一个总体激发完成输出，能有 3)对配对的(0，V)进行层次系统分析，确定其 效地作为模型的载体，这种表示方法具有语法和语 是否具有层次性、类别关系，是否需要构成因素分类 义统一，定性与定量统一的知识表示特点。 树，从而实现优化分析： 完成了对恶意程序行为因素的表示和定性向定 4)确定各因素在论域U上的单因素状态空间： 量转换后，需要通过一定的算法对这些行为因素进 5)构造离散因素空间： 行分析，通过推理得到一个大致的结论，例如，这是 6)构造原始事物描述离散模型。 大规模油气集输SCADA系统的信息安全防御 一个什么样的恶意程序、其危害程度有多大。那么 是由多方面因素构成的，不是光从某一个因素入手 可以尝试采用云模型的方法来完成这个推理机。 就能解决的。对于SCADA系统信息安全防御，主 云模型由李德毅院士在1995年提出[)，云是用 要从恶意程序对系统的文件、注册表、进/线程操作 自然语言值标识的某个定性概念与其定量表示之间 这3方面的因素来考虑，每一种操作由多方面的因 的不确定性转换模型。云由许多云滴组成，每一个 素构成，这样就可以把SCADA系统信息安全防御 云滴就是这个定性概念在数域空间中的一次具体实 问题放在一个由有限个恶意程序行为因素构成的因 现，这种实现带有不确定性。 素空间中，如图1所示。SCADA系统信息安全就从
马等会随之直接（如联网接入）或间接（如物理设备 植入）地侵入工业控制系统，另一方面还有一些黑 客组织或是敌对组织对国家的工控系统展开有组织 的攻击如“震网”病毒事件，这种攻击具有未知性、 隐秘性、持续时间长等特点，同时破坏效果更为强 烈，而由于 ＳＣＡＤＡ 系统实时性、连续性和封闭性等 特点，很多用在传统计算机安全方面的手段（如病 毒库更新）又无法照搬过来用在 ＳＣＡＤＡ 系统上面， 工控系统的信息安全问题日益突出。 ２００２ 年美国 宣布将保护重要领域工业控制系统安全列入重要的 工作内容，例如美国阿贡国家实验室（ ａｒｇｏｎｎｅ ｎａ⁃ ｔｉｏｎａｌ ｌａｂｏｒａｔｏｒｙ，ＡＮＬ）的研究主要集中于美国天然 气管道运输的 ＳＣＡＤＡ 系统安全领域，提出采用 ＳＣＡＤＡ 系统的蜜罐诱捕 ＳＣＡＤＡ 系统恶意攻击、进 行脆弱性分析以及攻击行为分析。 本文首次提出基于因素神经网络［１］ 的油气集 输 ＳＣＡＤＡ 安全防御模型，采用主动防御（ ａｃｔｉｖｅ ｄｅ⁃ ｆｅｎｓｅ）的方法，对控制系统主机（工程师站、操作员 站和 ＰＬＣ 上位机等）的恶意程序行为进行分析来实 现入侵检测的技术。 主要研究 ＳＣＡＤＡ 安全因素神 经元［２］的云推理机［３］ ，实现对未知程序恶意行为的 推测，并对其算法进行 ＭＡＴＬＡＢ 仿真。 １ 课题思路 对恶意程序行为的描述可以采用因素神经元的 方法。 因素神经元由刘增良教授提出，是建立在汪 培庄教授的因素空间基础上提出的一种新的知识表 示方法，因素空间理论［４］ 的主要目的是用于解释随 机性的根源以及概率规律的数学实质，其作用就是 “搭架子”，即建立一种广义坐标系，然后用以描述 坐标系中的实际对象。 因素神经元［１］ 是一个面向 对象的综合知识表示与信息处理的单元模型，它能 够获取各种类型的信息输入，神经元可以有选择性 地进行感知，最后构成一个总体激发完成输出，能有 效地作为模型的载体，这种表示方法具有语法和语 义统一，定性与定量统一的知识表示特点。 完成了对恶意程序行为因素的表示和定性向定 量转换后，需要通过一定的算法对这些行为因素进 行分析，通过推理得到一个大致的结论，例如，这是 一个什么样的恶意程序、其危害程度有多大。 那么 可以尝试采用云模型的方法来完成这个推理机。 云模型由李德毅院士在 １９９５ 年提出［５］ ，云是用 自然语言值标识的某个定性概念与其定量表示之间 的不确定性转换模型。 云由许多云滴组成，每一个 云滴就是这个定性概念在数域空间中的一次具体实 现，这种实现带有不确定性。 ２ 基于因素神经元的 ＳＣＡＤＡ 系统恶 意程序行为分析 ２．１ ＳＣＡＤＡ 系统信息安全的因素空间构建 ２．１．１ 因素空间核心内容 “任何事物都是诸因素的交叉”，一个人可以由 他在年龄、性别、身高、体重、职业、学历、性格、兴趣 等因素方面的表现而加以确定［６］ ，人就是上述因素 的一种交叉。 然而一个事物并非从任何因素都可以 对之进行考察，如一块石头无从论性别，所谓事物 ｏ 与因素 ｆ 相关，是指从 ｆ 讨论 ｏ，有一个状态 ｆ（ ｏ）与 之对应。 例如从 ｆ（颜色因素） 讨论 ｏ（苹果），有一 个状态 ｆ（ｏ）（红色）与之对应。 称（Ｏ，Ｖ）是一个配对，如果 Ｏ 与 Ｖ 分别是由一 些对象和由一些因素所组成的集合，且对任意 ｏ∈ Ｏ，一切与 ｏ 有关的因素都在 Ｖ 中，而对任意因素 ｆ∈Ｖ，一切与 ｆ 有关的事物也都在 Ｏ 中。 对于一个实际问题，假定有一个配对近似地存 在着，对于给定的配对（Ｏ，Ｖ），可以在 Ｏ 与 Ｖ 之间 定义一个关系 Ｒ： Ｒ（ｏ，ｆ）＝ １，当且仅当 ｏ 与 ｆ 有关。 称 Ｒ 为相关关系。 为简便计把 Ｒ 定义为普通 的（非 ｆｕｚｚｙ，非模糊）关系。 Ｄ（ｆ） ＝ ｛ｏ ｜ Ｒ（ｏ，ｆ） ＝ １｝ Ｖ（ｏ） ＝ ｛ｆ ｜ Ｒ（ｏ，ｆ） ＝ １｝ 因素 ｆ 可以看作一个映射，作用在一定的对象 ｏ 上可获得一定的状态，记为 ｆ（ｏ）： ｆ：Ｄ（ｆ） → Ｘ（ｆ） ｏ → ｆ（ｏ） 这里 Ｘ（ ｆ） ＝ ｛ ｆ（ ｏ） ｜ ｏ∈Ｏ｝ 叫做因素 ｆ 的状态 空间。 ２．１．２ 因素空间模型构建 给定 论 域 Ｕ 后， 事 物 的 因 素 分 析 一 般 步 骤［６］为： １）确定描述事物集合 Ｏ； ２）确定事物的因素集合 Ｖ； ３）对配对的（Ｏ，Ｖ）进行层次系统分析，确定其 是否具有层次性、类别关系，是否需要构成因素分类 树，从而实现优化分析； ４）确定各因素在论域 Ｕ 上的单因素状态空间； ５）构造离散因素空间； ６）构造原始事物描述离散模型。 大规模油气集输 ＳＣＡＤＡ 系统的信息安全防御 是由多方面因素构成的，不是光从某一个因素入手 就能解决的。 对于 ＳＣＡＤＡ 系统信息安全防御，主 要从恶意程序对系统的文件、注册表、进／ 线程操作 这 ３ 方面的因素来考虑，每一种操作由多方面的因 素构成，这样就可以把 ＳＣＡＤＡ 系统信息安全防御 问题放在一个由有限个恶意程序行为因素构成的因 素空间中，如图 １ 所示。 ＳＣＡＤＡ 系统信息安全就从 第 ５ 期 熊柳，等：ＳＣＡＤＡ 安全因素神经元的云推理机研究与仿真 ·６８９·
·690 智能系统学报 第11卷 一个很笼统很抽象的问题对应到了一个多维的因素 统4个基础系统构成，如图2所示。 空间中，这是由模糊的定性概念转换为定量信息的 第一步。 输 推理系统 输 输 终止进程 SCADA信息安全，写文件 统 出 统 统 控制系统 修改注册表一 删除文件 图2解析型因素神经元基本结构 Fig.2 Structure of analytic factor neuron 图1 SCADA信息安全因素空间 2)模拟型因素神经元 Fig.1 Factor space of SCADA information security 一个模拟型因素神经元可表述为： 2.2基于因素神经元的SCADA恶意程序行为因素 Y=F(X,W,T),其中(X,Y)被称为模拟型因素神经 表示方法 元的输入输出模式对集合，X被称为其激发或输入 2.2.1因素神经元核心内容 模式集合，Y被称为其对应的响应或输出模式集合， 使用因素神经元的方法来表示SCADA恶意程 W,T为模拟型因素神经元内部网络模块的可控 序行为的因素。刘增良教授提出的“知识的因素表 参数。 示模型”分为2种)：原子模型和关系模型。 2.2.2油气SCADA系统恶意程序行为因素表示方法 1)原子模型 原子模型M(O)=(0,V,X),O表示SCADA系 知识因素表示的原子模型是一个三元组即 统中恶意程序所有操作的集合，例如恶意程序对主 M(0)=〈0，V,X),也可记为M(0,V,X),其中0是 机系统的文件、注册表、进/线程操作，可以表示 事物集，V是与O配对的因素集，X是基于V的因素 [21:0=FileOperations,RegOperations,Process/ 空间{X()f∈F,FCV?。原子模型是描述事实、概 ThreadOperations},对于其中的文件操作，又有查找 念的模式。 创建、打开、写入、复制、删除和属性设置等重要因 2)关系模型 素，即有因素集合F={FindNextFile,CreateNewFile,. 知识的关系模型是在原子模型基础上定义的， OpenFile,WriteFile,CopyFile,DeleteFile,SetFileAt- 它可表示为：R=〈RM,M,(O),XM),(i=1,2,…)也 tribute{,FcV,V为因素集，X就是基于对应于因素 可记为R(RM,M,(O),XM)。其中RM表示原子模 集合的因素状态空间。 型M,(O)间的变换关系集，M,(O)表示第i个原子 由此可以得到文件操作(FileOperations)知识因 模型，XM表示原子模式M在知识模式集合RM上 素表达的关系模型：R=〈R,M(O)|i=1,2,…,n〉， 的状态及状态转换关系。关系模型是描述规则、推 即R(FileOperations）=〈RM,M(FileOperations), 理、判断及知识动态过程的模式。 XM),其中RM表示文件操作的一个知识模式集合， 因素神经元分为解析型因素神经元和模拟型神 RM=〈{Rid,:if XFile(Find Next File)then遍历磁 经元)，它们都是构成因素神经网络的基本单位。 盘文件}，{Rid,:if XFile(Create File)then在指定 解析型因素神经元是对人类心理模式的模拟，模拟 路径下创建文件}，{Rid,:if Xfile(Copy File)then 型因素神经元则是对人类生理模式的模拟。 复制指定文件到指定路径}，{Rid,:if XFile(Delete 1)解析因素神经元 File)hen删除指定路径的指定文件}，…〉；M(File 一个具有推理功能的解析因素神经元可表述 Operations)为文件操作的知识因素表达原子模型： 为：M={(G,F,X),〈p,q,r〉，〈a,b)},其中 XM表示原子模型M(FileOperations)在知识模式集 〈G,F,X〉共同表达了解析型因素神经元结构、因素 合RM上的状态及状态转换关系，XM=〈Xd,:if在 及状态；P,9,分别执行神经元的推理、判别与内部 系统目录下创建文件and设置文件时间为系统文 控制功能：a是输入信息，b是单元推理目标或响应。 件时间then非法创建文件}，{Xid,:if查找所有文 一个解析型因素神经元就像一台微型自动机， 件and文件写操作then可疑遍历磁盘文件操作}， 通过一组用因素表达的状态，并有一套状态转换规 {Xid3:if创建打开文件and修改文件属性为系统文 则，当外部输入触发时，神经元按感知的信息执行相 件then非法文件属性修改}，{Xid4:if删除SCADA 应的操作，进行状态的转换，并依据自身的输出响应 主机系统目录文件then恶意文件操作}，{Xid:if 函数，输出单元响应。解析型因素神经元基本结构 复制文件至SCADA系统目录and修改该目录下文 包括输人/输出系统、判别系统、推理系统和控制系 件属性hen可疑文件操作}，…〉
一个很笼统很抽象的问题对应到了一个多维的因素 空间中，这是由模糊的定性概念转换为定量信息的 第一步。 图 １ ＳＣＡＤＡ 信息安全因素空间 Ｆｉｇ．１ Ｆａｃｔｏｒ ｓｐａｃｅ ｏｆ ＳＣＡＤＡ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｃｕｒｉｔｙ ２．２ 基于因素神经元的 ＳＣＡＤＡ 恶意程序行为因素 表示方法 ２．２．１ 因素神经元核心内容 使用因素神经元的方法来表示 ＳＣＡＤＡ 恶意程 序行为的因素。 刘增良教授提出的“知识的因素表 示模型”分为 ２ 种［４］ ： 原子模型和关系模型。 １）原子模型 知识因素表示的原子模型是一个三元组即 Ｍ（Ｏ）＝ 〈Ｏ，Ｖ，Ｘ〉，也可记为 Ｍ（Ｏ，Ｖ，Ｘ），其中 Ｏ 是 事物集，Ｖ 是与 Ｏ 配对的因素集，Ｘ 是基于 Ｖ 的因素 空间｛Ｘ（ｆ） ｜ ｆ∈Ｆ，Ｆ⊆Ｖ｝。 原子模型是描述事实、概 念的模式。 ２）关系模型 知识的关系模型是在原子模型基础上定义的， 它可表示为：Ｒ ＝ 〈ＲＭ，Ｍｉ（Ｏ），ＸＭ〉，（ｉ ＝ １，２，…）也 可记为 Ｒ（ＲＭ，Ｍｉ（Ｏ），ＸＭ）。 其中 ＲＭ 表示原子模 型 Ｍｉ（Ｏ）间的变换关系集，Ｍｉ（Ｏ）表示第 ｉ 个原子 模型，ＸＭ 表示原子模式 Ｍ 在知识模式集合 ＲＭ 上 的状态及状态转换关系。 关系模型是描述规则、推 理、判断及知识动态过程的模式。 因素神经元分为解析型因素神经元和模拟型神 经元［１］ ，它们都是构成因素神经网络的基本单位。 解析型因素神经元是对人类心理模式的模拟，模拟 型因素神经元则是对人类生理模式的模拟。 １）解析因素神经元 一个具有推理功能的解析因素神经元可表述 为： Ｍ ＝ ｛〈 Ｇ， Ｆ， Ｘ 〉， 〈 ｐ， ｑ， ｒ 〉， 〈 ａ， ｂ 〉｝， 其 中 〈Ｇ，Ｆ，Ｘ〉共同表达了解析型因素神经元结构、因素 及状态；ｐ，ｑ，ｒ 分别执行神经元的推理、判别与内部 控制功能；ａ 是输入信息，ｂ 是单元推理目标或响应。 一个解析型因素神经元就像一台微型自动机， 通过一组用因素表达的状态，并有一套状态转换规 则，当外部输入触发时，神经元按感知的信息执行相 应的操作，进行状态的转换，并依据自身的输出响应 函数，输出单元响应。 解析型因素神经元基本结构 包括输入／ 输出系统、判别系统、推理系统和控制系 统 ４ 个基础系统构成，如图 ２ 所示。 图 ２ 解析型因素神经元基本结构 Ｆｉｇ．２ Ｓｔｒｕｃｔｕｒｅ ｏｆ ａｎａｌｙｔｉｃ ｆａｃｔｏｒ ｎｅｕｒｏｎ ２）模拟型因素神经元 一 个 模 拟 型 因 素 神 经 元 可 表 述 为： Ｙ ＝Ｆ（Ｘ，Ｗ，Ｔ），其中（Ｘ，Ｙ）被称为模拟型因素神经 元的输入输出模式对集合，Ｘ 被称为其激发或输入 模式集合，Ｙ 被称为其对应的响应或输出模式集合， Ｗ，Ｔ 为模拟型因素神经元内部网络模块的可控 参数。 ２．２．２ 油气 ＳＣＡＤＡ 系统恶意程序行为因素表示方法 原子模型 Ｍ（Ｏ）＝ 〈Ｏ，Ｖ，Ｘ〉，Ｏ 表示 ＳＣＡＤＡ 系 统中恶意程序所有操作的集合，例如恶意程序对主 机系统的文件、 注册表、 进／ 线程操作， 可以表示 为［２］ ： Ｏ ＝ ｛ ＦｉｌｅＯｐｅｒａｔｉｏｎｓ， ＲｅｇＯｐｅｒａｔｉｏｎｓ， Ｐｒｏｃｅｓｓ／ ＴｈｒｅａｄＯｐｅｒａｔｉｏｎｓ｝，对于其中的文件操作，又有查找、 创建、打开、写入、复制、删除和属性设置等重要因 素，即有因素集合 Ｆ ＝ ｛ ＦｉｎｄＮｅｘｔＦｉｌｅ，ＣｒｅａｔｅＮｅｗＦｉｌｅ， ＯｐｅｎＦｉｌｅ， ＷｒｉｔｅＦｉｌｅ， ＣｏｐｙＦｉｌｅ， ＤｅｌｅｔｅＦｉｌｅ， ＳｅｔＦｉｌｅＡｔ⁃ ｔｒｉｂｕｔｅ｝，Ｆ⊆Ｖ，Ｖ 为因素集，Ｘ 就是基于对应于因素 集合的因素状态空间。 由此可以得到文件操作（ＦｉｌｅＯｐｅｒａｔｉｏｎｓ）知识因 素表达的关系模型：Ｒ ＝ 〈Ｒ，Ｍｉ（Ｏ） ｜ ｉ ＝ １，２，…，ｎ〉， 即 Ｒ （ ＦｉｌｅＯｐｅｒａｔｉｏｎｓ） ＝ 〈 ＲＭ， Ｍ （ ＦｉｌｅＯｐｅｒａｔｉｏｎｓ ）， ＸＭ〉，其中 ＲＭ 表示文件操作的一个知识模式集合， ＲＭ＝ 〈｛Ｒｉｄ１ ： ｉｆ ＸＦｉｌｅ（ Ｆｉｎｄ Ｎｅｘｔ Ｆｉｌｅ） ｔｈｅｎ 遍历磁 盘文件｝，｛Ｒｉｄ２ ： ｉｆ ＸＦｉｌｅ（Ｃｒｅａｔｅ Ｆｉｌｅ） ｔｈｅｎ 在指定 路径下创建文件｝，｛Ｒｉｄ３ ： ｉｆ Ｘｆｉｌｅ（Ｃｏｐｙ Ｆｉｌｅ） ｔｈｅｎ 复制指定文件到指定路径｝，｛Ｒｉｄ４ ： ｉｆ ＸＦｉｌｅ（Ｄｅｌｅｔｅ Ｆｉｌｅ） ｔｈｅｎ 删除指定路径的指定文件｝，…〉；Ｍ（Ｆｉｌｅ⁃ Ｏｐｅｒａｔｉｏｎｓ）为文件操作的知识因素表达原子模型； ＸＭ 表示原子模型 Ｍ（ＦｉｌｅＯｐｅｒａｔｉｏｎｓ）在知识模式集 合 ＲＭ 上的状态及状态转换关系，ＸＭ ＝ 〈Ｘｉｄ１ ：ｉｆ 在 系统目录下创建文件 ａｎｄ 设置文件时间为系统文 件时间 ｔｈｅｎ 非法创建文件｝，｛Ｘｉｄ２ ：ｉｆ 查找所有文 件 ａｎｄ 文件写操作 ｔｈｅｎ 可疑遍历磁盘文件操作｝， ｛Ｘｉｄ３ ：ｉｆ 创建打开文件 ａｎｄ 修改文件属性为系统文 件 ｔｈｅｎ 非法文件属性修改｝，｛Ｘｉｄ４ ：ｉｆ 删除 ＳＣＡＤＡ 主机系统目录文件 ｔｈｅｎ 恶意文件操作｝，｛Ｘｉｄ５ ：ｉｆ 复制文件至 ＳＣＡＤＡ 系统目录 ａｎｄ 修改该目录下文 件属性 ｔｈｅｎ 可疑文件操作｝，…〉。 ·６９０· 智 能 系 统 学 报 第 １１ 卷
第5期 熊柳，等：SCADA安全因素神经元的云推理机研究与仿真 ·691. 3 基于云发生器的SCADA恶意程序 发生器[)。即当给定云的3个数字特征和特定的 x=x。时，产生满足条件的云滴dop(xo,山，)，X条件 行为因素推理机设计 云也称为前件云发生器：同理，当给定云的3个数字 在人工智能领域，对知识和推理的不确定性主 特征和特定的y=u:时，产生满足条件的云滴 要分为模糊性和随机性展开研究。作为处理模糊性 dop(x:,4,),Y条件云也称为后件云发生器。 问题的主要工具，模糊集理论用隶属度来刻画模糊 3.2云发生器的恶意程序行为因素推理机设计 食物的亦此亦彼性。然而，一旦用一个精确的隶属 3.2.1多条件多规则发生器 函数来描述模糊集，模糊概念被强行纳入到精确数 一条定性规则]可以形式化地表示为：if A then 学的王国，从此以后，在概念的定义、定理的叙述及 B,其中A、B为语言值表示的云对象[)。云发生器 证明等数学思维环节中，就不再有丝毫的模糊性了。 是运用云模型进行不确定性推理的基础。X条件云 由于传统模糊集理论的不彻底性)，该推理机没有采 和Y条件云可以组合构造成单条件单规则发生器， 用传统的隶属度算法，而是采用云模型理论。 在前件云发生器中输入值x。激活CGx(x条件云发 3.1 云模型简介 生器)时，CGx随机产生一个隶属度u,这个值反映 云模型是一个以自然语言值为切入点，实现定 了x。对此定性规则的激活强度，而山：又作为CG 性概念与定量值之间的不确定性转换的模型)：它 (y条件云发生器)的输入，随机地产生一个云滴 同时反映了客观世界中概念的两种不确定性，即随 dop(x,4:)。通过云模型构造的定性规则，使得这 机性（发生的概率）和模糊性（亦此亦彼性），尤其随 种推理系统对不确定性具有良好的继承性和传 机性是其不同于传统隶属函数的特性。下面给出云 递性。 模型的定义。 根据单条件单规则发生器的构造原理可以构造 设U是一个用精确数值表示的定量论域，C是 出多条件多规则发生器。以二维多规则生成器为 U上的定性概念，若定量值x∈U,且x是定性概念C 例，如图4所示。 的一次随机实现，x对C的确定度u(x)∈「0,1是 Ex,En,He 具有稳定倾向的随机数。若 Ex En He Drop.(x)Drop.(xy) u:U→[0,1]Hx∈Ux→u(x) Ex,En,He, PCG BCG 1i=12.…0 i=12, 则x在论域U上的分布称为云，每一个x称为一个 Ex En,He, 输 Ex EnHe Drop() 云滴。 Ex.En,,He PCG =12, BCG Drop (xy) CG 值 云模型主要有以下3个数字特征[)： ij=12. Ex En He 1)期望Ex,云滴在论域空间分布的期望是概念 Ex,En,He Drop (x) PCG BCG. Drop,(xy) Ex,En.He, 在论域空间的中心值，是最能够代表定性概念的点： i=12.… /=12,… 2)嫡E,它是定性概念不确定性的度量，是由 (X) 定性概念的随机性和模糊性共同决定的： 图4二维多规则生成器 3)超熵H,它是对嫡的不确定性的度量，是熵 Fig.4 Two dimensional multi rules generator 的熵，反映了在论域空间代表该语言值的所有点的 3.2.2云推理机规则的因素神经元表示 不确定度的凝聚性，它的大小间接地反映了它们之 前面在“SCADA系统恶意程序行为因素表示方 间的关联性。 法[]”中写出了关系模型的表达结构，其中XM表示 由参数Ex、En、He得到云滴drop(x,u)的过程 原子模式M在知识模式集合RM上的状态及状态 称为正向云发生器，如图3所示，这是从定性概念到 转换关系。以XM集合中的{Xdl:if在系统目录下 定量表示的转换过程：反之，则为逆向云发生器。 创建文件【o]and设置文件时间为系统文件时间 年 then非法创建文件}为例，“在系统目录下穿件文件 (CreatFile)”和“设置文件时间为系统文件时间 En 向 Drop(x,i） (SetFileTime)”为SCADA系统恶意程序行为)因 He 云 素集合[]中的两个因素，对应于云模型二维单规则 “if A and B then C”中的条件A和B,而“非法创建 图3正向云发生器 文件”则对应于规则结论C。这样就实现了将模糊 Fig.3 F-cloud generator 的定性概念转换为定量信息，便于推理机处理。 3.2.3云推理机算法结构与设计 由此可以衍生出X条件云发生器和Y条件云 根据多条件多规则发生器的原理，以二维规则
３ 基于云发生器的 ＳＣＡＤＡ 恶意程序 行为因素推理机设计 在人工智能领域，对知识和推理的不确定性主 要分为模糊性和随机性展开研究。 作为处理模糊性 问题的主要工具，模糊集理论用隶属度来刻画模糊 食物的亦此亦彼性。 然而，一旦用一个精确的隶属 函数来描述模糊集，模糊概念被强行纳入到精确数 学的王国，从此以后，在概念的定义、定理的叙述及 证明等数学思维环节中，就不再有丝毫的模糊性了。 由于传统模糊集理论的不彻底性［７］ ，该推理机没有采 用传统的隶属度算法，而是采用云模型理论。 ３．１ 云模型简介 云模型是一个以自然语言值为切入点，实现定 性概念与定量值之间的不确定性转换的模型［７］ ；它 同时反映了客观世界中概念的两种不确定性，即随 机性（发生的概率）和模糊性（亦此亦彼性），尤其随 机性是其不同于传统隶属函数的特性。 下面给出云 模型的定义。 设 Ｕ 是一个用精确数值表示的定量论域，Ｃ 是 Ｕ 上的定性概念，若定量值 ｘ∈Ｕ，且 ｘ 是定性概念 Ｃ 的一次随机实现，ｘ 对 Ｃ 的确定度 ｕ（ ｘ）∈［０，１］是 具有稳定倾向的随机数。 若 ｕ：Ｕ → ［０，１］ ∀ｘ ∈ Ｕ ｘ → ｕ（ｘ） 则 ｘ 在论域 Ｕ 上的分布称为云，每一个 ｘ 称为一个 云滴。 云模型主要有以下 ３ 个数字特征［５］ ： １）期望 Ｅｘ，云滴在论域空间分布的期望是概念 在论域空间的中心值，是最能够代表定性概念的点； ２）熵 Ｅｎ，它是定性概念不确定性的度量，是由 定性概念的随机性和模糊性共同决定的； ３）超熵 Ｈｅ，它是对熵的不确定性的度量，是熵 的熵，反映了在论域空间代表该语言值的所有点的 不确定度的凝聚性，它的大小间接地反映了它们之 间的关联性。 由参数 Ｅｘ、Ｅｎ、Ｈｅ 得到云滴ｄｒｏｐ（ｘ，ｕ） 的过程 称为正向云发生器，如图 ３ 所示，这是从定性概念到 定量表示的转换过程；反之，则为逆向云发生器。 图 ３ 正向云发生器 Ｆｉｇ．３ Ｆ⁃ｃｌｏｕｄ ｇｅｎｅｒａｔｏｒ 由此可以衍生出 Ｘ 条件云发生器和 Ｙ 条件云 发生器［３］ 。 即当给定云的 ３ 个数字特征和特定的 ｘ ＝ ｘ０ 时，产生满足条件的云滴 ｄｒｏｐ（ ｘ０ ，ｕｉ），Ｘ 条件 云也称为前件云发生器；同理，当给定云的 ３ 个数字 特征和特定的 ｙ ＝ ｕｉ 时， 产 生 满 足 条 件 的 云 滴 ｄｒｏｐ（ｘｉ，ｕｉ），Ｙ 条件云也称为后件云发生器。 ３．２ 云发生器的恶意程序行为因素推理机设计 ３．２．１ 多条件多规则发生器 一条定性规则［８］可以形式化地表示为：ｉｆ Ａ ｔｈｅｎ Ｂ，其中 Ａ、Ｂ 为语言值表示的云对象［７］ 。 云发生器 是运用云模型进行不确定性推理的基础。 Ｘ 条件云 和 Ｙ 条件云可以组合构造成单条件单规则发生器， 在前件云发生器中输入值 ｘ０ 激活 ＣＧｘ（ ｘ 条件云发 生器）时，ＣＧｘ 随机产生一个隶属度 ｕｉ，这个值反映 了 ｘ０ 对此定性规则的激活强度，而 ｕｉ 又作为 ＣＧｙ （ｙ 条件云发生器） 的输入，随机地产生一个云滴 ｄｒｏｐ（ｘｉ，ｕｉ）。 通过云模型构造的定性规则，使得这 种推理系统对不确定性具有良好的继承性和传 递性。 根据单条件单规则发生器的构造原理可以构造 出多条件多规则发生器。 以二维多规则生成器为 例，如图 ４ 所示。 图 ４ 二维多规则生成器 Ｆｉｇ．４ Ｔｗｏ ｄｉｍｅｎｓｉｏｎａｌ ｍｕｌｔｉ ｒｕｌｅｓ ｇｅｎｅｒａｔｏｒ ３．２．２ 云推理机规则的因素神经元表示 前面在“ＳＣＡＤＡ 系统恶意程序行为因素表示方 法［９］ ”中写出了关系模型的表达结构，其中 ＸＭ 表示 原子模式 Ｍ 在知识模式集合 ＲＭ 上的状态及状态 转换关系。 以 ＸＭ 集合中的｛Ｘｉｄ１：ｉｆ 在系统目录下 创建文件［１０］ ａｎｄ 设置文件时间为系统文件时间 ｔｈｅｎ 非法创建文件｝为例，“在系统目录下穿件文件 （ＣｒｅａｔＦｉｌｅ）” 和 “ 设置文件时间为系统文件时间 （ＳｅｔＦｉｌｅＴｉｍｅ）”为 ＳＣＡＤＡ 系统恶意程序行为［１１］ 因 素集合［１２］中的两个因素，对应于云模型二维单规则 “ｉｆ Ａ ａｎｄ Ｂ ｔｈｅｎ Ｃ”中的条件 Ａ 和 Ｂ，而“非法创建 文件”则对应于规则结论 Ｃ。 这样就实现了将模糊 的定性概念转换为定量信息，便于推理机处理。 ３．２．３ 云推理机算法结构与设计 根据多条件多规则发生器的原理，以二维规则 第 ５ 期 熊柳，等：ＳＣＡＤＡ 安全因素神经元的云推理机研究与仿真 ·６９１·
·692· 智能系统学报 第11卷 发生器]为例，构建步骤如下： temp=0: 1)给定各规则2个条件对象的参数，即Ex、 for i=1:N En1、He1、Ex2、En2、He2; Ensl(1,i),Ens2(1,i)binormrand Enl, 2)由以上2组参数计算出单个规则对应的二 En2,Hel,He2): 维云发生器，MATLAB程序如下： end %二维云的合成并画出其三维图像 for i=1:N clear: q:(X1-Exl)"2/Ensl(1,i)2: cle: d=(X2-Ex2)2/Ens2(1,i)2: %输入单规则推理两个条件的参数 Y(1,i)=exp(-(1/2)*(q+d): Exl=input('pleaseinputExl='): temp=temp+Y(1,i): Ex2=input('pleaseinputEx2='): end Enl=input('pleaseinputEnl='): Y=temp/Y: En2=input('pleaseinputEn2='): 4)在计算出的u中选择最大山1和次大的山2， Hel=input('pleaseinputHel='): 它们对应的规则即为激活强度最大的两条规则， He2=input('pleaseinputHe2='): MATLAB程序图如下： N=input('pleaseinputN='): [u,X]=sot(U):%将所有规则计算出来的隶属度 temp=0: 由小到大排列 %生成二维条件云并计算(X1X2)时的隶属度 %选择隶属度最大的U和次大的U2,说明这两条 for i=1:N 规则的激活强度最大 Ensl(1,i),Ens2(1,i)binormrand Enl, ul=u(M): En2,Hel,He2): u2=u(M-1): [xI(1,i)X2(1,i)binormrand Exl,Ex2, numl=IX(M) Ensl(1,i),Ens2(1,i)): num2=IX(M-1): end fprintf('触发强度最大规则为第%i条ln',numl); for i=1:N fprintf('触发强度最大规则为第%i条\n',num2): q=(X1(1,i)-Exl)2/Ensl(1,i)2: 5)利用Y条件云由U,和U2分别计算出2组 d=(X2(1,i)-Ex2)2/Ens2(1,i)2: 云滴，选择距离最小的2个云滴，通过逆向云发生器 Y(1,i)=exp(一(1/2)*(q+d)): 计算推理恶意度的期望和方差，MATLAB程序如下： end %构造这两条规则对应的后件云发生器(Y条件云) plot3(x1,X2,Y,'.'). Y1(1),Y1(2)=ycloud(d(numl,7),d(numl,8). 生成二维隶属云如图5所示。 d(numl,9),ul,N); [Y2(1),Y2(2)ycloud (d(num2,7),d(num2, 1.0 ,08 8),d(num2,9),u2,N); 0.6 %从Y1和Y2中分别选取一点使两点距离最小， 0.41 0.2 %由ycloud可知第一个大于第二个 0 0 a=abs(Y1(1)-Y2(2)): 60 b=abs(Y2(1)一Y1(2)): 条件2参数 0 200 50100150200 条件1参数 if a>b Z1=Y2(1): 图5二维隶属云 zul=u2; Fig.5 Two dimensional cloud z2=Y1(2); 3)输入待测条件参数X,和X2,激活每一条规 zu2=ul; 则，根据每一条规则条件参数生成的二维云发生器计 else 算得到激活强度，即隶属度山；。MATLAB程序如下： z1=Y1(1): %……单规则云发生器程序…% zul=ul; function[Y onerule Exl,Enl,Hel,Ex2,En2,He2, z2=Y2(2); X1,X2,N) zu2=u2;
发生器［１３］为例，构建步骤如下： １）给定各规则 ２ 个条件对象的参数，即 Ｅｘ１ 、 Ｅｎ１ 、Ｈｅ１ 、Ｅｘ２ 、Ｅｎ２ 、Ｈｅ２ ； ２）由以上 ２ 组参数计算出单个规则对应的二 维云发生器，ＭＡＴＬＡＢ 程序如下： ％二维云的合成并画出其三维图像 ｃｌｅａｒ： ｃＩｃ： ％输入单规则推理两个条件的参数 Ｅｘｌ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＥｘｌ ＝ ’）： Ｅｘ２ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＥｘ２ ＝ ’）： Ｅｎｌ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＥｎｌ ＝ ’）： Ｅｎ２ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＥｎ２ ＝ ’）： Ｈｅｌ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＨｅｌ ＝ ’）： Ｈｅ２ ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＨｅ２ ＝ ’）： Ｎ＝ ｉｎｐｕｔ（’ｐｌｅａｓｅｉｎｐｕｔＮ＝ ’）： ｔｅｍｐ ＝Ｏ： ％生成二维条件云并计算（Ｘ１ Ｘ２）时的隶属度 ｆｏｒ ｉ ＝ １：Ｎ ［Ｅｎｓｌ（ １， ｉ）， Ｅｎｓ２ （ １， ｉ）］ ＝ ｂｉｎｏｒｍｒａｎｄ （ Ｅｎ１， Ｅｎ２，Ｈｅｌ，Ｈｅ２）： ［Ｘ１（ １，ｉ），Ｘ２ （ １，ｉ）］ ＝ ｂｉｎｏｒｍｒａｎｄ （ Ｅｘｌ，Ｅｘ２， Ｅｎｓｌ（１，ｉ），Ｅｎｓ２（１，ｉ））： ｅｎｄ ｆｏｒ ｉ ＝ １：Ｎ ｑ ＝ （Ｘ１（１，ｉ）一 Ｅｘｌ）＾２ ／ Ｅｎｓｌ（１，ｉ）＾２： ｄ ＝ （Ｘ２（１，ｉ）－Ｅｘ２）＾２ ／ Ｅｎｓ２（１，ｉ）＾２： Ｙ（１，ｉ）＝ ｅｘｐ（一（１ ／ ２）∗（ｑ＋ｄ））： ｅｎｄ ｐｌｏｔ３（ｘ１，Ｘ２，Ｙ，’．’）． 生成二维隶属云如图 ５ 所示。 图 ５ 二维隶属云 Ｆｉｇ．５ Ｔｗｏ ｄｉｍｅｎｓｉｏｎａｌ ｃｌｏｕｄ ３）输入待测条件参数 Ｘ１ 和 Ｘ２ ，激活每一条规 则，根据每一条规则条件参数生成的二维云发生器计 算得到激活强度，即隶属度 ｕｉ。 ＭＡＴＬＡＢ 程序如下： ％……………单规则云发生器程序……………％ ｆｕｎｃｔｉｏｎ［Ｙ］ ＝ ｏｎｅｒｕｌｅ（Ｅｘｌ，Ｅｎｌ，Ｈｅｌ，Ｅｘ２，Ｅｎ２，Ｈｅ２， Ｘ１，Ｘ２，Ｎ） ｔｅｍｐ ＝Ｏ： ｆｏｒ ｉ ＝ １：Ｎ ［Ｅｎｓｌ（ １， ｉ）， Ｅｎｓ２ （ １， ｉ）］ ＝ ｂｉｎｏｒｍｒａｎｄ （ Ｅｎ１， Ｅｎ２，Ｈｅｌ，Ｈｅ２）： ｅｎｄ ｆｏｒ ｉ ＝ １：Ｎ ｑ：（Ｘ１－Ｅｘｌ）＾２ ／ Ｅｎｓｌ（１，ｉ）＾２： ｄ ＝ （Ｘ２－Ｅｘ２）＾２ ／ Ｅｎｓ２（１，ｉ）＾２： Ｙ（１，ｉ）＝ ｅｘｐ（－（１ ／ ２）∗（ｑ＋ｄ））： ｔｅｍｐ ＝ ｔｅｍｐ＋Ｙ（１，ｉ）： ｅｎｄ Ｙ＝ ｔｅｍｐ ／ Ｙ： ４）在计算出的 ｕｉ 中选择最大 ｕ１ 和次大的 ｕ２ ， 它们对应的规则即为激活强度［１４］ 最大的两条规则， ＭＡＴＬＡＢ 程序图如下： ［ｕ，ＩＸ］ ＝ ｓｏｒｔ（Ｕ）：％将所有规则计算出来的隶属度 由小到大排列 ％选择隶属度最大的 Ｕｌ 和次大的 Ｕ２，说明这两条 规则的激活强度最大 ｕ１ ＝ ｕ（Ｍ）： ｕ２ ＝ ｕ（Ｍ－１）： ｎｕｍ１ ＝ ＩＸ（Ｍ）： ｎｕｍ２ ＝ ＩＸ（Ｍ－１）： ｆｐｒｉｎｔｆ（’触发强度最大规则为第％ｉ 条＼ｎ’，ｎｕｍ１）； ｆｐｒｉｎｔｆ（’触发强度最大规则为第％ｉ 条＼ｎ’，ｎｕｍ２）； ５）利用 Ｙ 条件云由 Ｕ１ 和 Ｕ２ 分别计算出 ２ 组 云滴，选择距离最小的 ２ 个云滴，通过逆向云发生器 计算推理恶意度的期望和方差，ＭＡＴＬＡＢ 程序如下： ％构造这两条规则对应的后件云发生器（Ｙ 条件云） ［Ｙ１（１），Ｙ１（２）］ ＝ ｙｃｌｏｕｄ（ｄ（ｎｕｍｌ，７），ｄ（ｎｕｍｌ，８）， ｄ（ｎｕｍｌ，９），ｕｌ，Ｎ）； ［Ｙ２（ １），Ｙ２ （ ２）］ ＝ ｙｃｌｏｕｄ （ ｄ （ ｎｕｍ２，７），ｄ （ ｎｕｍ２， ８），ｄ（ｎｕｍ２，９），ｕ２，Ｎ）； ％从 Ｙ１ 和 Ｙ２ 中分别选取一点使两点距离最小， ％由 ｙｃｌｏｕｄ 可知第一个大于第二个 ａ ＝ ａｂｓ（Ｙ１（１）－Ｙ２（２））： ｂ ＝ ａｂｓ（Ｙ２（１）一 Ｙ１（２））： ｉｆ ａ＞ｂ Ｚ１ ＝Ｙ２（１）； ｚｕｌ ＝ ｕ２； ｚ２ ＝Ｙ１（２）； ｚｕ２ ＝ ｕｌ； ｅｌｓｅ ｚ１ ＝Ｙ１（１）； ｚｕｌ ＝ ｕｌ； ｚ２ ＝Ｙ２（２）； ｚｕ２ ＝ ｕ２； ·６９２· 智 能 系 统 学 报 第 １１ 卷
第5期 熊柳，等：SCADA安全因素神经元的云推理机研究与仿真 ·693· end %利用逆向云发生器计算 70 [Ex,En,He =backc loud(z1,zul,z2,zu2) 50 coml=coml+Ex; 40 com2=com2+En; 30 2 end C=coml/5; 008060 条件a 020 0020406080100 条件b D=com2/5; fprintf('云推理机预测程序行为恶意度期望为%fn’,C)； 图6隶属函数法推理Surface图 fprintf('云推理机预测程序行为恶意度期望为%fn',D): Fig.6 FIS surface 3.3仿真实验与分析 3.3.2仿真实验 3.3.1建立对比实验 已知数据：以“if在系统目录下创建文件and设 云模型理论建立在传统隶属函数)的基础上， 置文件时间为系统文件时间then非法创建文件”为 其随机性是不同于传统隶属函数方法的特性。所 例，因为各因素都是模糊语言值表示的概念，根据 以，利用传统隶属函数方法建立对比实验，可以加强 “知识因素表示的关系模型”原理，给各因素假设一 对该云推理机优势和缺陷的分析，从而进行后续改 个数字量的参考指数，指数满分为100，指数越高表 进。传统隶属函数方法对比实验主要利用Matlab中 示确定度越大：反之越小。 的FIS(模糊逻辑工具箱)编辑器，步骤如下： 待测数据：现有一未知恶意程序通过课题小组 1)建立隶属度函数。云推理机测试样本数据 建立的感知神经元行为分解并分析后得到条件“在 如表1所示。由数据可知，应该选择Gauss隶属函 系统目录下创建文件因素指数X”和“设置文件时 数（正态型），一共有9条规则，每一条规则有2个 间为系统文件时间指数X,”。 input,l个output,均按照其期望(Ex)和嫡(En)建 表1中，Factor A代表“在系统目录下创建文件 立Gauss隶属函数。 因素指数A”,Factor B代表“设置文件时间为系统 表1云推理机测试样本数据 文件时间因素指数B”,Factor C代表“非法创建文 Table 1 Sample data 件因素指数C”,Class代表“每条规则对应的恶意程 Ru-Factor A Factor B Factor C 序种类”。将仿真结果统计如表2所示。 Cla- 表2仿真结果数据统计表 les Ex En He:Ex2 En2 He2 Ex3 En He;les Table 2 Reslult data 199.618.30.1849.79.80.175.57.30.15A CG FIS 247.29.70.198.914.50.1574.47.60.15B (x1,x2） Rules Infer Rules Infer 37411.80.1272.613.10.1365.24.10.08C Max Sec Ex Var 46912.20.1325.312.30.1245.53.150.06D (99.50) 1 3 75.78 0.85 1 75.50 54711.90.1250 120.1250.63.10.06E (74,87.9) 3 2 61.39 12.17 Null 74.46 62312.90.1274.812.70.1258.93.00.06F (35.83) 6 2 62.10 0.34 Null 60.02 72712.10.1227.613.20.1331.06.20.12G (4.5,52.6) 6 36.7521.67 20.80 8318.701852.4110.120.87.50.15H 表2中，(x1,x2)表示待测样本数据的条件a和 95210.80.11.61.70.1719.07.50.151 条件b的参数：CG表示云模型推理机方法，FIS表 2)编辑器建立推理规则。例如：f(条件ais 示利用模糊工具箱实现的隶属度函数法；Rules表示 1a)and(条件bis1b)then(推论c is le)。条件A、 触发规则，Max表示激活强度最大的触发规则，Sec B、C指广泛意义上的定义概念，其小写a、b、c指代 表示次大，Null表示无触发规则；nfer表示推理机 具体的实际条件。 对待测样本的推测恶意度，Ex表示期望，Var表示 3)得到Surface三维图如图6所示，并在云 方差。 推理机主程序中用evalfis函数调用，得到隶属函 云推理机得到的恶意度分布图和隶属函数法得 数法推理出的结论，并与云推理机得到结论进行对比 到的规则图如图7~10所示（以(99,50）和(74， 分析。 87.9)为例)
ｅｎｄ ％利用逆向云发生器计算 ［Ｅｘ，Ｅｎ，Ｈｅ］ ＝ ｂａｃｋｃ ｌｏｕｄ（ｚ１，ｚｕ１，ｚ２，ｚｕ２）； ｃｏｍ１ ＝ ｃｏｍ１＋Ｅｘ； ｃｏｍ２ ＝ ｃｏｍ２＋Ｅｎ； ｅｎｄ Ｃ ＝ ｃｏｍｌ ／ ５； Ｄ＝ ｃｏｍ２ ／ ５； ｆｐｒｉｎｔｆ（’云推理机预测程序行为恶意度期望为％ｆ＼ｎ’，Ｃ）； ｆｐｒｉｎｔｆ（’云推理机预测程序行为恶意度期望为％ｆ＼ｎ’，Ｄ）； ３．３ 仿真实验与分析 ３．３．１ 建立对比实验 云模型理论建立在传统隶属函数［１５］ 的基础上， 其随机性是不同于传统隶属函数方法的特性。 所 以，利用传统隶属函数方法建立对比实验，可以加强 对该云推理机优势和缺陷的分析，从而进行后续改 进。 传统隶属函数方法对比实验主要利用 Ｍａｔｌａｂ 中 的 ＦＩＳ（模糊逻辑工具箱）编辑器，步骤如下： １）建立隶属度函数。 云推理机测试样本数据 如表 １ 所示。 由数据可知，应该选择 Ｇａｕｓｓ 隶属函 数（正态型），一共有 ９ 条规则，每一条规则有 ２ 个 ｉｎｐｕｔ，１ 个 ｏｕｔｐｕｔ，均按照其期望（Ｅｘ） 和熵（Ｅｎ） 建 立 Ｇａｕｓｓ 隶属函数。 表 １ 云推理机测试样本数据 Ｔａｂｌｅ １ Ｓａｍｐｌｅ ｄａｔａ Ｒｕ⁃ ｌｅｓ Ｆａｃｔｏｒ Ａ Ｆａｃｔｏｒ Ｂ Ｆａｃｔｏｒ Ｃ Ｅｘ１ Ｅｎ１ Ｈｅ１ Ｅｘ２ Ｅｎ２ Ｈｅ２ Ｅｘ３ Ｅｎ３ Ｈｅ３ Ｃｌａ⁃ ｌｅｓ １ ９９．６ １８．３ ０．１８ ４９．７ ９．８ ０．１ ７５．５ ７．３ ０．１５ Ａ ２ ４７．２ ９．７ ０．１ ９８．９ １４．５ ０．１５ ７４．４ ７．６ ０．１５ Ｂ ３ ７４ １１．８ ０．１２ ７２．６ １３．１ ０．１３ ６５．２ ４．１ ０．０８ Ｃ ４ ６９ １２．２ ０．１３ ２５．３ １２．３ ０．１２ ４５．５ ３．１５ ０．０６ Ｄ ５ ４７ １１．９ ０．１２ ５０ １２ ０．１２ ５０．６ ３．１ ０．０６ Ｅ ６ ２３ １２．９ ０．１２ ７４．８ １２．７ ０．１２ ５８．９ ３．０ ０．０６ Ｆ ７ ２７ １２．１ ０．１２ ２７．６ １３．２ ０．１３ ３１．０ ６．２ ０．１２ Ｇ ８ ３ １８．７ ０１８ ５２．４ １１ ０．１ ２０．８ ７．５ ０．１５ Ｈ ９ ５２ １０．８ ０．１ １．６ １．７ ０．１７ １９．０ ７．５ ０．１５ Ｉ ２） 编辑器建立推理规则。 例如：Ｉｆ （条件 ａ ｉｓ １ａ）ａｎｄ （条件 ｂ ｉｓ １ｂ）ｔｈｅｎ（推论 ｃ ｉｓ １ｃ）。 条件 Ａ、 Ｂ、Ｃ 指广泛意义上的定义概念，其小写 ａ、ｂ、ｃ 指代 具体的实际条件。 ３） 得到 Ｓｕｒｆａｃｅ 三维图如图 ６ 所示，并在云 推理机主程序中用 ｅｖａｌｆｉｓ 函数调用，得到隶属函 数法推理出的结论，并与云推理机得到结论进行对比 分析。 图 ６ 隶属函数法推理 Ｓｕｒｆａｃｅ 图 Ｆｉｇ．６ ＦＩＳ ｓｕｒｆａｃｅ ３．３．２ 仿真实验 已知数据：以“ｉｆ 在系统目录下创建文件 ａｎｄ 设 置文件时间为系统文件时间 ｔｈｅｎ 非法创建文件”为 例，因为各因素都是模糊语言值表示的概念，根据 “知识因素表示的关系模型”原理，给各因素假设一 个数字量的参考指数，指数满分为 １００，指数越高表 示确定度越大；反之越小。 待测数据：现有一未知恶意程序通过课题小组 建立的感知神经元行为分解并分析后得到条件“在 系统目录下创建文件因素指数 Ｘ１ ”和“设置文件时 间为系统文件时间指数 Ｘ２ ”。 表 １ 中，Ｆａｃｔｏｒ Ａ 代表“在系统目录下创建文件 因素指数 Ａ”，Ｆａｃｔｏｒ Ｂ 代表“设置文件时间为系统 文件时间因素指数 Ｂ”，Ｆａｃｔｏｒ Ｃ 代表“非法创建文 件因素指数 Ｃ”，Ｃｌａｓｓ 代表“每条规则对应的恶意程 序种类”。 将仿真结果统计如表 ２ 所示。 表 ２ 仿真结果数据统计表 Ｔａｂｌｅ ２ Ｒｅｓｌｕｌｔ ｄａｔａ （ｘ１ ，ｘ２ ） ＣＧ ＦＩＳ Ｒｕｌｅｓ Ｍａｘ Ｓｅｃ Ｉｎｆｅｒ Ｅｘ Ｖａｒ Ｒｕｌｅｓ Ｉｎｆｅｒ （９９，５０） １ ３ ７５．７８ ０．８５ １ ７５．５０ （７４，８７．９） ３ ２ ６１．３９ １２．１７ Ｎｕｌｌ ７４．４６ （３５，８３） ６ ２ ６２．１０ ０．３４ Ｎｕｌｌ ６０．０２ （４．５，５２．６） ８ ６ ３６．７５ ２１．６７ ８ ２０．８０ 表 ２ 中，（ｘ１ ，ｘ２ ）表示待测样本数据的条件 ａ 和 条件 ｂ 的参数；ＣＧ 表示云模型推理机方法，ＦＩＳ 表 示利用模糊工具箱实现的隶属度函数法；Ｒｕｌｅｓ 表示 触发规则，Ｍａｘ 表示激活强度最大的触发规则，Ｓｅｃ 表示次大，Ｎｕｌｌ 表示无触发规则；Ｉｎｆｅｒ 表示推理机 对待测样本的推测恶意度，Ｅｘ 表示期望，Ｖａｒ 表示 方差。 云推理机得到的恶意度分布图和隶属函数法得 到的规则图如图 ７ ～ １０ 所示（以（ ９９，５０） 和（ ７４， ８７．９）为例）。 第 ５ 期 熊柳，等：ＳＣＡＤＡ 安全因素神经元的云推理机研究与仿真 ·６９３·
·694 智能系统学报 第11卷 0.45 3.3.3实验分析 0.40 1)从云推理机得到的触发规则和已知样本数 0.35 据来看，第一组样本(99,50)基本可以确定是A类 0.25 (A,B,C,D,E,F,G,H,I为9类已知的不同恶意程 0.20 序，其数据参数如表1所示)：第2组样本(74,87.9) 0.15 非常可能是C类，如果不是C类，那么就应该不属 0.10 0.05 于已知样本中的种类：第3组样本(35,83)可能是F 0 和B类，F类的可能性最大：第四组样本(4.5,52.6) 102030405060708090100 条件参数 基本可以确定是H类。从推测恶意度来看，前3组 图7样本(99,50)云推理机推测恶意度 样本恶意程序非法创建文件的可能性比较大，第4 Fig.7 CG inference result of sample(99,50) 组的可能性较小。 2)对比云推理机和隶属度函数法的触发规则 可以发现，如果待测样本的X,和X2参数比较接近 已知样本数据中的某一类，那么云推理机和隶属函 数法都会激活对应的那条规则（如第1组和第4 组)，但是如果待测样本没有很明显的相似已知样 本，那么传统的隶属函数法就不能得到触发规则，从 而对结论推测没有很好地指引，而云推理机可以得 9 9 0 100 100101 到，从而进行推测结论。 100 3)对比云推理机和隶属函数法得到的推测恶 (a条件=99 )条件b=50 (c推论c=75.5 意度可以看出，两种方法都可以对未知样本的恶意 图8样本(99,50)隶属函数法推测恶意度 Fig.8 FIS inference result of sample(99,50) 度进行推测。从数据上看，云推理机得到的恶意度 0.12 并不是一个具体数据，而是服从正态分布的数据，体 现了云模型理论区别于传统隶属函数的特性一随 0.10 机性，但是隶属函数法得到结果基本都非常接近于 0.08 已知样本的数据(Ex3),所以很可能只是单纯按照 0.06 已知样本数据构建的规则来计算。因此，云推理机 0.04 得到的推测恶意度更为科学、更为可信。 0.02 4)云推理机最后只是得到了对推测有指引作 用的数据，并没有直接得到具体结论，需要人工对这 0 102030405060708090100 些指引数据进行进一步分析，这一点还需优化。总 条件参数 体来说，云推理机实现了对未知恶意程序非法创建 图9样本(74,87.9)云推理机推测恶意度 文件恶意度的推测，达到了设计目的，但还需完善。 Fig.9 CG inference result of sample(74,87.9) 4 结束语 将云推理机的核心直观表现出来的其实就是 “if A and B then C”规则，而A、B、C都是语言值表示 的模糊概念，那么需要将语言值表示的模糊概念转 换为定量信息，才能实现计算机数据推理，这就是知 识因素的因素神经元表示方法在本文中的作用。对 9 于SCADA系统信息安全的主动防御，通过因素神 100 0 10010 100 经元和云模型推理机结合的方法是一种尝试，通过 (a)推论-74 (b)推论b=87.9 (c)推论c=65.2 文章中的仿真结果可以看出达到了预测效果，说明 图10样本(74,87.9)隶属函数法推测恶意度 了这种方法实施的可能性与合理性，而且该算法还 Fig.10 FIS inference result of sample(74,87.9) 可结合一些优化算法来提升其效率和精度，这是作 者今后着重研究的方向
图 ７ 样本（９９，５０）云推理机推测恶意度 Ｆｉｇ．７ ＣＧ ｉｎｆｅｒｅｎｃｅ ｒｅｓｕｌｔ ｏｆ ｓａｍｐｌｅ（９９，５０） 图 ８ 样本（９９，５０）隶属函数法推测恶意度 Ｆｉｇ．８ ＦＩＳ ｉｎｆｅｒｅｎｃｅ ｒｅｓｕｌｔ ｏｆ ｓａｍｐｌｅ（９９，５０） 图 ９ 样本（７４，８７．９）云推理机推测恶意度 Ｆｉｇ．９ ＣＧ ｉｎｆｅｒｅｎｃｅ ｒｅｓｕｌｔ ｏｆ ｓａｍｐｌｅ（７４，８７．９） 图 １０ 样本（７４，８７．９）隶属函数法推测恶意度 Ｆｉｇ．１０ ＦＩＳ ｉｎｆｅｒｅｎｃｅ ｒｅｓｕｌｔ ｏｆ ｓａｍｐｌｅ（７４，８７．９） ３．３．３ 实验分析 １）从云推理机得到的触发规则和已知样本数 据来看，第一组样本（９９，５０）基本可以确定是 Ａ 类 （Ａ，Ｂ，Ｃ，Ｄ，Ｅ，Ｆ，Ｇ，Ｈ，Ｉ 为 ９ 类已知的不同恶意程 序，其数据参数如表 １ 所示）；第 ２ 组样本（７４，８７．９） 非常可能是 Ｃ 类，如果不是 Ｃ 类，那么就应该不属 于已知样本中的种类；第 ３ 组样本（３５，８３）可能是 Ｆ 和 Ｂ 类，Ｆ 类的可能性最大；第四组样本（４．５，５２．６） 基本可以确定是 Ｈ 类。 从推测恶意度来看，前 ３ 组 样本恶意程序非法创建文件的可能性比较大，第 ４ 组的可能性较小。 ２）对比云推理机和隶属度函数法的触发规则 可以发现，如果待测样本的 Ｘ１ 和 Ｘ２ 参数比较接近 已知样本数据中的某一类，那么云推理机和隶属函 数法都会激活对应的那条规则（如第 １ 组和第 ４ 组），但是如果待测样本没有很明显的相似已知样 本，那么传统的隶属函数法就不能得到触发规则，从 而对结论推测没有很好地指引，而云推理机可以得 到，从而进行推测结论。 ３）对比云推理机和隶属函数法得到的推测恶 意度可以看出，两种方法都可以对未知样本的恶意 度进行推测。 从数据上看，云推理机得到的恶意度 并不是一个具体数据，而是服从正态分布的数据，体 现了云模型理论区别于传统隶属函数的特性———随 机性，但是隶属函数法得到结果基本都非常接近于 已知样本的数据（Ｅｘ３ ），所以很可能只是单纯按照 已知样本数据构建的规则来计算。 因此，云推理机 得到的推测恶意度更为科学、更为可信。 ４）云推理机最后只是得到了对推测有指引作 用的数据，并没有直接得到具体结论，需要人工对这 些指引数据进行进一步分析，这一点还需优化。 总 体来说，云推理机实现了对未知恶意程序非法创建 文件恶意度的推测，达到了设计目的，但还需完善。 ４ 结束语 将云推理机的核心直观表现出来的其实就是 “ｉｆ Ａ ａｎｄ Ｂ ｔｈｅｎ Ｃ”规则，而 Ａ、Ｂ、Ｃ 都是语言值表示 的模糊概念，那么需要将语言值表示的模糊概念转 换为定量信息，才能实现计算机数据推理，这就是知 识因素的因素神经元表示方法在本文中的作用。 对 于 ＳＣＡＤＡ 系统信息安全的主动防御，通过因素神 经元和云模型推理机结合的方法是一种尝试，通过 文章中的仿真结果可以看出达到了预测效果，说明 了这种方法实施的可能性与合理性，而且该算法还 可结合一些优化算法来提升其效率和精度，这是作 者今后着重研究的方向。 ·６９４· 智 能 系 统 学 报 第 １１ 卷
第5期 熊柳，等：SCADA安全因素神经元的云推理机研究与仿真 ·695. 参考文献： [10]YANG Li.A new factor state space model for SCADA net- work attack and defense[J].International journal of secur- [1]刘增良.因素神经网络理论及其应用[M].贵阳：贵州 ity and its applications,2014,8(6):303-314. 科技出版社，1994. [11]王盼卿，李晓辉。一种基于知识因素表示理论的装备信 LIU Zengliang.Factor neural networks and its application 息分类描述方法[J].国防科技大学学报，2011,35 [M].Guiyang:Guizhou Science and Technology Publishing (5):150-155. House,1994. WANG Panqin,LI Xiaohui.A description method on clas- [2]YANG Li,GAO Xiedong,LI Jie,et al.Research on FNN- sification of equipment information based on knowledge fac- based security defence architecture model of scada network tor expression theory[].Journal of national university of [C]//Proceedings of the 2nd International Conference on defense technology,2011,35(5):150-155. Cloud Computing and Intelligence Systems.Hangzhou,Chi- [12]刘增良，刘有才.因素神经网络理论及实现策略研究 na,2012. [M].北京：北京师范大学出版社，1992. [3]QIN Yong,CAO Xiedong,LIANG Peng,et al.Research on LIU Zengliang,LIU Youcai.Research on the theory of fac- the analytic factor neuron model based on cloud generator tor neural network and its realization[M].Beijing:Re- and its application in oil gas scada security defense[C] search on the Theory of Factor Neural Network and Its Re- Proceedings of 2014 IEEE 3rd International Conference on alization,1992. Cloud Computing and Intelligence Systems.Shenzhen,Chi- [13]付斌，李道国，王慕快.云模型研究的回顾与展望[J] na,2014:5. 计算机应用研究，2011,28(2)：420-426 [4]刘增良.知识的因素表示[C]//中国科学技术协会首届青 FU Bin,LI Daoguo,WANG Mukuai.Review and prospect 年学术年会论文集（工科分册·上册）.北京，1992：5. on research of cloud model[].Application research of LIU Zengliang.The factor representation of knowledge computers,2011,28(2):420-426. [C]//Proceedings of the 1st National Association of Sci- [14]张飞舟，范跃祖，沈程智，等.利用云模型实现智能控 ence and Technology of Youth (Engineering.First).Bei- 制倒立摆[J].控制理论与应用，2000,17(4)：519- jing,1992:5. 523. [5]杨朝晖，李德毅.二维云模型及其在预测中的应用[J] ZHANG Feizhou,FAN Yuezu,SHEN Chengzhi,et al.In- 计算机学报.1998,21(11)：961-969. telligent control inverted pendulum with cloud models[J]. YANG Zhaohui,LI Deyi.Planar model and its application Control theory and application,2000,17(4):519-523. in prediction[].Chinese journal of computers,1998,21 [15]李德毅，杜鹊.不确定性人工智能[M].北京：国防工 (11)：961-969. 业出版社，2005：7. [6]汪培庄.因素空间与概念描述[J].软件学报，1992,3 LI Deyi,DU Yi.Artificial intelligence with uncertainty (2):30-40. [M].Beijing:National Defend Industry Press,2005:7. WANG Peizhuang.Factor space and description of concepts 作者简介： J].Journal of software,1992,3(2):30-40. 熊柳，男.1991年生，硕士研究生， [7]王树良.基于数据场与云模型的空间数据挖掘和知识发 主要研究方向为模式识别与智能控制， 现[D].武汉：武汉大学，2002. 参加国家自然基金项目1项。 WANG Shuliang.Data field and cloud model based spatial data mining and knowledge discovery[D].Wuhan:Wuhan University,2002. [8]曹谢东.模糊信息处理及应用[M].北京：科学出版社， 2003:103-104. CAO Xiedong.Fuzzy information processing and application 曹谢东，男.1954年生，教授，主要 [M].Beijing:Science Press,2003:103-104. 研究方向为人工智能、工业控制信息系 [9]YANG Li,CAO Xiedong,LI Jie,et al.A new formal de- 统安全、智能测控等。主持国家自然科 scription model of network attacking and defence knowledge 学基金项目，承担国家863、国家重大科 of oil and gas field SCADA system[M1//WANG Hua,ZOU 技攻关项目和省部级项目多项，获四川 Lei,HUANG Guangyan,et al.Web Technologies and Ap- 省科技进步二等奖1项、三等奖2项， plications.Berlin Heidelberg:Springer,2012. 专著3部
参考文献： ［１］刘增良． 因素神经网络理论及其应用［Ｍ］． 贵阳： 贵州 科技出版社， １９９４． ＬＩＵ Ｚｅｎｇｌｉａｎｇ． Ｆａｃｔｏｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ［Ｍ］． Ｇｕｉｙａｎｇ： Ｇｕｉｚｈｏｕ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ， １９９４． ［２］ＹＡＮＧ Ｌｉ， ＧＡＯ Ｘｉｅｄｏｎｇ， ＬＩ Ｊｉｅ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ＦＮＮ⁃ ｂａｓｅｄ ｓｅｃｕｒｉｔｙ ｄｅｆｅｎｃｅ ａｒｃｈｉｔｅｃｔｕｒｅ ｍｏｄｅｌ ｏｆ ｓｃａｄａ ｎｅｔｗｏｒｋ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｓｙｓｔｅｍｓ． Ｈａｎｇｚｈｏｕ， Ｃｈｉ⁃ ｎａ， ２０１２． ［３］ＱＩＮ Ｙｏｎｇ， ＣＡＯ Ｘｉｅｄｏｎｇ， ＬＩＡＮＧ Ｐｅｎｇ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ａｎａｌｙｔｉｃ ｆａｃｔｏｒ ｎｅｕｒｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｇｅｎｅｒａｔｏｒ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｏｉｌ ＆ ｇａｓ ｓｃａｄａ ｓｅｃｕｒｉｔｙ ｄｅｆｅｎｓｅ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１４ ＩＥＥＥ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｓｙｓｔｅｍｓ． Ｓｈｅｎｚｈｅｎ， Ｃｈｉ⁃ ｎａ， ２０１４： ５． ［４］刘增良． 知识的因素表示［Ｃ］ ／ ／ 中国科学技术协会首届青 年学术年会论文集（工科分册·上册）． 北京， １９９２： ５． ＬＩＵ Ｚｅｎｇｌｉａｎｇ． Ｔｈｅ ｆａｃｔｏｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｋｎｏｗｌｅｄｇｅ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １ｓｔ Ｎａｔｉｏｎａｌ Ａｓｓｏｃｉａｔｉｏｎ ｏｆ Ｓｃｉ⁃ ｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｙｏｕｔｈ （ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｆｉｒｓｔ）． Ｂｅｉ⁃ ｊｉｎｇ， １９９２： ５． ［５］杨朝晖， 李德毅． 二维云模型及其在预测中的应用［ Ｊ］． 计算机学报， １９９８， ２１（１１）： ９６１⁃９６９． ＹＡＮＧ Ｚｈａｏｈｕｉ， ＬＩ Ｄｅｙｉ． Ｐｌａｎａｒ ｍｏｄｅｌ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｐｒｅｄｉｃｔｉｏｎ［ Ｊ］． Ｃｈｉｎｅｓｅ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒｓ， １９９８， ２１ （１１）： ９６１⁃９６９． ［６］汪培庄． 因素空间与概念描述［ Ｊ］． 软件学报， １９９２， ３ （２）： ３０⁃４０． ＷＡＮＧ Ｐｅｉｚｈｕａｎｇ． Ｆａｃｔｏｒ ｓｐａｃｅ ａｎｄ ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ ｃｏｎｃｅｐｔｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｓｏｆｔｗａｒｅ， １９９２， ３（２）： ３０⁃４０． ［７］王树良． 基于数据场与云模型的空间数据挖掘和知识发 现［Ｄ］． 武汉： 武汉大学， ２００２． ＷＡＮＧ Ｓｈｕｌｉａｎｇ． Ｄａｔａ ｆｉｅｌｄ ａｎｄ ｃｌｏｕｄ ｍｏｄｅｌ ｂａｓｅｄ ｓｐａｔｉａｌ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ［Ｄ］． Ｗｕｈａｎ： Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２００２． ［８］曹谢东． 模糊信息处理及应用［Ｍ］． 北京： 科学出版社， ２００３： １０３⁃１０４． ＣＡＯ Ｘｉｅｄｏｎｇ． Ｆｕｚｚｙ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ［Ｍ］． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２００３： １０３⁃１０４． ［９］ＹＡＮＧ Ｌｉ， ＣＡＯ Ｘｉｅｄｏｎｇ， ＬＩ Ｊｉｅ， ｅｔ ａｌ． Ａ ｎｅｗ ｆｏｒｍａｌ ｄｅ⁃ ｓｃｒｉｐｔｉｏｎ ｍｏｄｅｌ ｏｆ ｎｅｔｗｏｒｋ ａｔｔａｃｋｉｎｇ ａｎｄ ｄｅｆｅｎｃｅ ｋｎｏｗｌｅｄｇｅ ｏｆ ｏｉｌ ａｎｄ ｇａｓ ｆｉｅｌｄ ＳＣＡＤＡ ｓｙｓｔｅｍ［Ｍ］ ／ ／ ＷＡＮＧ Ｈｕａ， ＺＯＵ Ｌｅｉ， ＨＵＡＮＧ Ｇｕａｎｇｙａｎ， ｅｔ ａｌ． Ｗｅｂ Ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ Ａｐ⁃ ｐｌｉｃａｔｉｏｎｓ． Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， ２０１２． ［１０］ＹＡＮＧ Ｌｉ． Ａ ｎｅｗ ｆａｃｔｏｒ ｓｔａｔｅ ｓｐａｃｅ ｍｏｄｅｌ ｆｏｒ ＳＣＡＤＡ ｎｅｔ⁃ ｗｏｒｋ ａｔｔａｃｋ ａｎｄ ｄｅｆｅｎｓｅ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｓｅｃｕｒ⁃ ｉｔｙ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１４， ８（６）： ３０３⁃３１４． ［１１］王盼卿， 李晓辉． 一种基于知识因素表示理论的装备信 息分类描述方法［ Ｊ］． 国防科技大学学报， ２０１１， ３５ （５）： １５０⁃１５５． ＷＡＮＧ Ｐａｎｑｉｎ， ＬＩ Ｘｉａｏｈｕｉ． Ａ ｄｅｓｃｒｉｐｔｉｏｎ ｍｅｔｈｏｄ ｏｎ ｃｌａｓ⁃ ｓｉｆｉｃａｔｉｏｎ ｏｆ ｅｑｕｉｐｍｅｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｂａｓｅｄ ｏｎ ｋｎｏｗｌｅｄｇｅ ｆａｃ⁃ ｔｏｒ ｅｘｐｒｅｓｓｉｏｎ ｔｈｅｏｒｙ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｎａｔｉｏｎａｌ ｕｎｉｖｅｒｓｉｔｙ ｏｆ ｄｅｆｅｎｓｅ ｔｅｃｈｎｏｌｏｇｙ， ２０１１， ３５（５）： １５０⁃１５５． ［１２］刘增良， 刘有才． 因素神经网络理论及实现策略研究 ［Ｍ］． 北京： 北京师范大学出版社， １９９２． ＬＩＵ Ｚｅｎｇｌｉａｎｇ， ＬＩＵ Ｙｏｕｃａｉ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｔｈｅｏｒｙ ｏｆ ｆａｃ⁃ ｔｏｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ｒｅａｌｉｚａｔｉｏｎ ［ Ｍ］． Ｂｅｉｊｉｎｇ： Ｒｅ⁃ ｓｅａｒｃｈ ｏｎ ｔｈｅ Ｔｈｅｏｒｙ ｏｆ Ｆａｃｔｏｒ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ａｎｄ Ｉｔｓ Ｒｅ⁃ ａｌｉｚａｔｉｏｎ， １９９２． ［１３］付斌， 李道国， 王慕快． 云模型研究的回顾与展望［ Ｊ］． 计算机应用研究， ２０１１， ２８（２）： ４２０⁃４２６． ＦＵ Ｂｉｎ， ＬＩ Ｄａｏｇｕｏ， ＷＡＮＧ Ｍｕｋｕａｉ． Ｒｅｖｉｅｗ ａｎｄ ｐｒｏｓｐｅｃｔ ｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｌｏｕｄ ｍｏｄｅｌ ［ Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１１， ２８（２）： ４２０⁃４２６． ［１４］张飞舟， 范跃祖， 沈程智， 等． 利用云模型实现智能控 制倒立摆［ Ｊ］． 控制理论与应用， ２０００， １７ （ ４）： ５１９⁃ ５２３． ＺＨＡＮＧ Ｆｅｉｚｈｏｕ， ＦＡＮ Ｙｕｅｚｕ， ＳＨＥＮ Ｃｈｅｎｇｚｈｉ， ｅｔ ａｌ． Ｉｎ⁃ ｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ ｉｎｖｅｒｔｅｄ ｐｅｎｄｕｌｕｍ ｗｉｔｈ ｃｌｏｕｄ ｍｏｄｅｌｓ［ Ｊ］． Ｃｏｎｔｒｏｌ ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ， ２０００， １７（４）： ５１９⁃５２３． ［１５］李德毅， 杜鹢． 不确定性人工智能［Ｍ］． 北京： 国防工 业出版社， ２００５： ７． ＬＩ Ｄｅｙｉ， ＤＵ Ｙｉ． Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｗｉｔｈ ｕｎｃｅｒｔａｉｎｔｙ ［Ｍ］． Ｂｅｉｊｉｎｇ： Ｎａｔｉｏｎａｌ Ｄｅｆｅｎｄ Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ， ２００５： ７． 作者简介： 熊柳，男，１９９１ 年生，硕士研究生， 主要研究方向为模式识别与智能控制， 参加国家自然基金项目 １ 项。 曹谢东，男，１９５４ 年生，教授，主要 研究方向为人工智能、工业控制信息系 统安全、智能测控等。 主持国家自然科 学基金项目，承担国家 ８６３、国家重大科 技攻关项目和省部级项目多项，获四川 省科技进步二等奖 １ 项、三等奖 ２ 项， 专著 ３ 部。 第 ５ 期 熊柳，等：ＳＣＡＤＡ 安全因素神经元的云推理机研究与仿真 ·６９５·