CN115277472A - 一种多维工控***网络安全风险预警***及方法 - Google Patents
一种多维工控***网络安全风险预警***及方法 Download PDFInfo
- Publication number
- CN115277472A CN115277472A CN202210725874.8A CN202210725874A CN115277472A CN 115277472 A CN115277472 A CN 115277472A CN 202210725874 A CN202210725874 A CN 202210725874A CN 115277472 A CN115277472 A CN 115277472A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial control
- control system
- network security
- security
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 230000008447 perception Effects 0.000 claims abstract description 19
- 238000007726 management method Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000015654 memory Effects 0.000 description 24
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241000700605 Viruses Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009545 invasion Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种多维工控***网络安全风险预警***及方法，***包括：基础平台、微服务架构以及数据展示层，其中，基础平台，用于对多维工控***的数据进行收集、分发和存储，为微服务架构以及数据展示层提供数据基础；服务架构，用于将风险预警***的平台安全分析功能模块化，对数据进行安全检测及分析，确定安全检测结果以及数据分析结果；数据展示层，用于针对安全检测结果和数据分析的结果进行可视化显示。本发明通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平；减少网络安全投入费用；应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警。
Description
技术领域
本发明涉及工业控制安全风险评估技术领域，具体涉及一种多维工控***网络安全风险预警***及方法。
背景技术
随着大数据以及工业智能化时代的到来，工业控制***正朝着更加复杂和智能的方向演进。然而网络环境的巨大变迁，使得工业控制***面临着更加严峻的威胁。当前工控***面临的网络安全方面的主要问题包括：
当前，工业控制***面临许多的网络安全威胁，其中，在网络安全风险识别、告警、溯源等方面面临的主要问题有：
网络安全风险警报不准确，安全运维人员忙于处理无关紧要的风险警报，而没有时间处理真正重要的告警信息。加之，安全从业人员匮乏已是众所周知，安全运维人员尤其紧缺，在这种情况下，迫切需要提高告警的准确率；
网络安全风险警报分散或不全面，虽然有的***信息中部署了有很多网络安全检测产品，但是告警信息在不同的产品显示，由不同的人员管理，无法进行集中分析，统一处理，容易造成安全隐患处理不及时，导致严重后果；安全工具叠加部署，安全运维人员同时管理多个设备，日常管理效率较低；
网络安全事件跟踪溯源能力较弱，需提升安全运维人员对网络安全事件的回溯能力，尤其是在工控***故障出现以及故障查找的过程当中，日志、流量、视频数据采集到不同设备上，无法实现综合分析，无法迅速准确地确定安全事件的起因和入侵者的来源。
发明内容
有鉴于此，本发明实施例提供了一种多维工控***网络安全风险预警***及方法，解决了现有技术中的网络安全投入费用高，生产运行稳定性差等问题。
根据第一方面，本发明实施例提供了一种多维工控***网络安全风险预警***，包括：基础平台、微服务架构以及数据展示层，其中，
所述基础平台，用于对多维工控***的数据进行收集、分发和存储，为所述微服务架构以及所述数据展示层提供数据基础；
所述服务架构，用于将所述风险预警***的平台安全分析功能模块化，对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果；
所述数据展示层，用于针对所述安全检测结果和所述数据分析的结果进行可视化显示。
本发明实施例提供的多维工控***网络安全风险预警***，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
结合第一方面，在第一方面第一实施方式中，所述基础平台包括：设备群、数据采集模块以及数据存储模块，其中，
所述设备群，用于对所述多维工控***进行数据交互；
所述数据采集模块，用于获取所述多维工控***的流量数据以及***日志；
所述数据存储模块，用于对所述数据采集模块采集的数据按照分类标准分别进行存储。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述微服务架构，包括：资产管理模块、威胁分析模块、漏洞管理模块、告警管理模块以及***管理模块，其中，
所述资产管理模块，用于对所述多维工控***的资产进行分组管理；
所述威胁分析模块，用于将所述设备群中的同类设备进行横向对比，以及与资产自身历史行为的纵向对比，检测不同资产的异常行为，确定威胁信号；
所述漏洞管理模块，用于对所述多维工控***的漏洞进行评估及分类管理；
所述告警管理模块，用于对所述威胁信号及所述漏洞进行告警；
所述***管理模块，用于对所述多维工控***的配置以及权限进行管理。
结合第一方面，在第一方面第三实施方式中，所述数据展示层，包括：安全运维中心、资产管理中心、安全风险感知中心、安全事件分析中心以及告警处置中心。
本发明实施例提供的多维工控***网络安全风险预警***，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
根据第二方面，本发明实施例提供的多维工控***网络安全风险预警方法，包括：
采集多维工控***的数据，并对所述数据进行收集、分发和存储；
对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果；
对所述安全检测结果和所述数据分析的结果进行可视化显示。
本发明实施例提供的多维工控***网络安全风险预警方法，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
结合第二方面，在第二方面第一实施方式中，所述对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果，包括：
基于广义径向基函数，建立网络安全态势模型；
根据预设训练目标对所述网络安全态势模型进行权值调整，确定目标网络安全态势模型；
利用所述目标网络安全态势模型以及所述数据，确定安全检测结果以及数据分析结果，所述数据包括：流量、日志、视频数据。
结合第二方面第一实施方式，在第二方面第二实施方式中，所述网络安全态势模型包括：
输入X＝{x1,x2,…,xn}T∈Rn、网络权值W＝{w1,w2,…,wm}T∈RL*m、阈值V、求和单元∑()、激励函数f(x)、神经网络输出
组成；
将所述流量、所述日志、所述视频数据经过分析处理后形成训练样本X＝{x1,x2,…,xn}T∈Rn，隐含层第j个神经元节点的输出计算公式为：
隐含层的所有输出为：
神经网络的输出是对隐藏层输出加权计算的结果：
本发明实施例提供的多维工控***网络安全风险预警方法，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第二方面或者第二方面的任意一种实施方式中所述的多维工控***网络安全风险预警方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第二方面或者第二方面的任意一种实施方式中所述的多维工控***网络安全风险预警方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的多维工控***网络安全风险预警***的示意图；
图2是根据本发明优选实施例的多维工控***网络安全风险预警***各模块的示意图；
图3是根据本发明优选实施例的多维工控***网络安全风险预警方法的流程图；
图4是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着大数据以及工业智能化时代的到来，工业控制***正朝着更加复杂和智能的方向演进。然而网络环境的巨大变迁，使得工业控制***面临着更加严峻的威胁。当前工控***面临的网络安全方面的问题，然而现有技术中的风险告警面临着准确率低下、告警过程实时性差、效率低等问题。
为了解决上述问题，帮助企业满足国家相关合规要求，减少网络安全投入费用，保证生产运行稳定，具体内容如下：
满足国家相关合规要求，帮助企业发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全，满足等保2.0、信息安全风险评估、工业互联网安全评测及相关管理机构的合规要求；
减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；
保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
在本实施例中还提供了一种多维工控***网络安全风险预警***，如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
因此，针对上述问题，本发明公开了多维工控***网络安全风险预警***，如图1所示，包括：基础平台1、微服务架构2以及数据展示层3，其中，基础平台1，用于对多维工控***的数据进行收集、分发和存储，为微服务架构2以及数据展示层3提供数据基础；服务架构，用于将风险预警***的平台安全分析功能模块化，对数据进行安全检测及分析，确定安全检测结果以及数据分析结果；数据展示层3，用于针对安全检测结果和数据分析的结果进行可视化显示。
具体地，本实施例采用大数据存储处理+流量采集探针+视频监控设备的理念进行构建，基于分布式架构的高性能大数据智能安全分析平台，设计由单台高性能服务器(内置虚拟化集群)或多台服务器集群组成，使用基于广义径向基函数的多维度安全风险感知模型，并结合数据挖掘、人工智能等技术。具备海量数据采集存储、高性能分布式计算、实时分析与告警、可视化展示及安全报表等功能。
本实施例提供的多维工控***网络安全风险预警***，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
在另一具体实施例中，如图2所示，基础平台1包括：设备群、数据采集模块以及数据存储模块，其中，设备群，用于对多维工控***进行数据交互；数据采集模块，用于获取多维工控***的流量数据以及***日志；数据存储模块，用于对数据采集模块采集的数据按照分类标准分别进行存储。
微服务架构2，包括：资产管理模块、威胁分析模块、漏洞管理模块、告警管理模块以及***管理模块，其中，资产管理模块，用于对多维工控***的资产进行分组管理；威胁分析模块，用于将设备群中的同类设备进行横向对比，以及与资产自身历史行为的纵向对比，检测不同资产的异常行为，确定威胁信号；漏洞管理模块，用于对多维工控***的漏洞进行评估及分类管理；告警管理模块，用于对威胁信号及漏洞进行告警；***管理模块，用于对多维工控***的配置以及权限进行管理。
本实施例中，数据展示层3，包括：安全运维中心、资产管理中心、安全风险感知中心、安全事件分析中心以及告警处置中心。
本实施例具备海量数据采集存储、高性能分布式计算、实时分析与告警、可视化展示及安全报表等功能。实现模块间低耦合、模块内高内聚，主要分为基础平台1层、微服务架构2层(服务架构)和数据展示层3，如图2所示。基础平台1主要包括设备层、数据采集层、数据存储层，采用分布式大数据架构，实现全流量数据高性能收集、分发和存储，给安全风险的感知分析提供海量数据基础。微服务架构2层将平台安全分析功能模块化，作为多个安全服务嵌入到平台之中。包括资产发现模块、资产拓扑算法模块、AI聚类算法模块、AI检测模块、关联分析模块、风险回溯模块、视频分析模块，可灵活进行扩展和升级。数据展示层3针对安全检测和分析的结果进行可视化呈现，主要包括风险感知显示、多维风险告警、安全报表、资产管理、安全事件分析等。通过可视化呈现，让安全风险无处遁形，可见可控。
多维度安全风险感知分析***的目标是实现基于分布式架构的高性能大数据智能安全分析平台，搭载了独创的AI威胁免疫算法防止恶意程序运行，并结合了机器学习、数据挖掘、神经网络等技术，弥补工业控制企业网络安全和物理安全方面的不足，主要研究内容如下：
(1)研究广义全流量分析，方便运维人员进行统一风险分析和管控，不依赖先验的攻击特征或威胁情报，无需特征库或威胁情报库升级，无需连接云端，通过不断学习现网中的流量进行自我迭代和自我强化，持续地学习每一个子网，每一台资产的日常流量模型。同时，通过与同类设备横向对比,以及与资产自身历史行为的纵向对比,持续地检测不同资产的异常行为，找到不符合日常规律的隐秘异常行为，发现未知威胁。
(2)研究安全日志流量视频数据的多维度风险预测，研究将日志数据和流量信息、视频数据集中收集和分析，集日志审计和全流量深度解析、视频监控违规识别功能于一体，实现安全风险全方位感知和安全事件跟踪溯源、检测预警、统筹管理等功能。
(3)研究智能视频监控违规行为告警及事件跟踪技术，采用深度学习算法研究提升对视频监控信息的处理和优化能力，通过对视频数据的智能分析，实现黑名单告警、陌生人告警、轨迹查询、出入人数统计、人流量统计、安全帽佩戴检测、工作服检测、物品遗留侦测、使用手机侦测、烟火报警、火点识别、柜门开关检测等功能，并能进行违规行为分析告警、违规事件跟踪，按告警信息类别展示告警信息等。
(4)研究高效资产运维及拓扑可视化技术，针对大中型工业企业资产数量多、维护难的特点，多维度安全风险感知分析***通过流量信息发现环境中各个资产，无需手动录入；发现后可灵活进行资产分组和资产标识，极大方便未知资产识别及资产管理。通过人工智能算法，自动进行资产聚类，识别资产流量拓扑，展示单个资产访问关系拓扑，识别异常访问。
具体地，为电力企业稳定运行保驾护航成绩显著，流量日志视频数据聚合及精准威胁告警、风险监测和网络安全事件追溯，多维度网络安全风险感知分析***采用AI模型进行威胁检测，区别于传统安全感知设备，克服了传统设备告警数量巨大、误报率高的缺点，在重保、冬奥会、护网时期，发出了数千条告警信息，工作人员及时处理，减少应用单位由于网络安全攻击造成的声誉和经济损失。
提升网络安全应急响应和溯源能力，解决工控企业网络安全跟踪溯源能力较差的问题，提升应用单位的安全事件溯源能力，尤其是在故障出现时，通过日志分析、流量检测、视频图像分析，高效开展全方面的调查，能够迅速确定事故的原因和入侵的来源，从根源上消除安全隐患。
降低了网络安全风险误报率，提高网络安全事件处置效率，解决工控企业日常管理效率较低，本***有助于提升工控***的网络安全防御能力和日常管理效率，通过综合物理层面和网络层面集中监测预警，减少安全管理的难度，保证管理员对于安全风险第一时间进行处置和响应。
有效防控“勒索病毒”，本***利用流量日志视频数据聚合分析，发现流量或日志中勒索病毒活动迹象后，迅速进行告警，提示安全工作人员进行处理，并能在发现“勒索病毒”入侵后，通过对流量日志视频数据分析调查，找到“勒索病毒”入侵来源和跳板，清除病毒毒窝，切断攻击者入口。
降低网络安全投入费用，本***可减少分别采购日志收集与分析***、流量分析***、视频告警平台的投入，减少重复投资，为企业节省信息安全方面的开支，每年度可节约安全投入费用几十万元。
在本实施例中提供了一种多维工控***网络安全风险预警方法，可用于电子设备，例如电脑、手机、平板电脑等。图3是根据本发明实施例的多维工控***网络安全风险预警方法的流程图，如图3所示，该流程包括如下步骤：
S1，采集多维工控***的数据，并对数据进行收集、分发和存储。具体采集过程详细参见上述多维工控***网络安全风险预警***的实施例，在此不再赘述。
S2，对数据进行安全检测及分析，确定安全检测结果以及数据分析结果。具体分析过程根据数据不同类型进行不同分析，详细参见上述多维工控***网络安全风险预警***的实施例，在此不再赘述。
S3，对安全检测结果和数据分析的结果进行可视化显示。详细参见上述多维工控***网络安全风险预警***的实施例，在此不再赘述。
本实施例提供的多维工控***网络安全风险预警方法，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
具体地，上述步骤S2还包括如下步骤：
S21，基于广义径向基函数，建立网络安全态势模型；网络安全态势模型包括：
输入X＝{x1,x2,…,xn}T∈Rn、网络权值W＝{w1,w2,…,wm}T∈RL*m、阈值V、求和单元∑()、激励函数f(x)、神经网络输出
组成；
将流量、日志、视频数据经过分析处理后形成训练样本X＝{x1,x2,…,xn}T∈Rn，隐含层第j个神经元节点的输出计算公式为：
其中，cj为隐藏层第j个节点的高斯函数中心点；
隐含层的所有输出为：
神经网络的输出是对隐藏层输出加权计算的结果：
S22，根据预设训练目标对网络安全态势模型进行权值调整，确定目标网络安全态势模型；
S23，利用目标网络安全态势模型以及数据，确定安全检测结果以及数据分析结果，数据包括：流量、日志、视频数据。
本实施例提供的多维工控***网络安全风险预警方法，通过发现外在和内在的网络安全威胁，排查自身的风险点，全面提升工控***的整体网络安全防护水平，优化配置策略，保证设备、网络、物理环境、应用和数据等不同层面的网络安全；减少网络安全投入费用，通过本***可集中排查网络和物理环境中的风险隐患，有效减少企业重复部署网络安全设备的开销，节约了企业的安全运维成本；保证生产运行稳定，根据现场设备、物联终端、控制***、网络平台及数据安全等防护现状，确定当前资产价值、面临的威胁和内在脆弱性三个关键要素，结合业务战略、安全需求、安全事件、残余风险等属性，应用基于广义径向基函数多维度感知技术进行安全诊断，实现工控***安全风险识别和预警，并保证工控***的安全生产稳定运行。
本发明实施例还提供一种电子设备，请参阅图4，图4是本发明可选实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备可以包括：至少一个处理器601，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图1所描述的***，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图实施例中所示的多维工控***网络安全风险预警方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的多维工控***网络安全风险预警方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种多维工控***网络安全风险预警***，其特征在于，包括：基础平台、微服务架构以及数据展示层，其中，
所述基础平台，用于对多维工控***的数据进行收集、分发和存储，为所述微服务架构以及所述数据展示层提供数据基础；
所述服务架构，用于将所述风险预警***的平台安全分析功能模块化，对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果；
所述数据展示层，用于针对所述安全检测结果和所述数据分析的结果进行可视化显示。
2.根据权利要求1所述的***，其特征在于，所述基础平台包括：设备群、数据采集模块以及数据存储模块，其中，
所述设备群，用于对所述多维工控***进行数据交互；
所述数据采集模块，用于获取所述多维工控***的流量数据以及***日志；
所述数据存储模块，用于对所述数据采集模块采集的数据按照分类标准分别进行存储。
3.根据权利要求2所述的***，其特征在于，所述微服务架构，包括：资产管理模块、威胁分析模块、漏洞管理模块、告警管理模块以及***管理模块，其中，
所述资产管理模块，用于对所述多维工控***的资产进行分组管理；
所述威胁分析模块，用于将所述设备群中的同类设备进行横向对比，以及与资产自身历史行为的纵向对比，检测不同资产的异常行为，确定威胁信号；
所述漏洞管理模块，用于对所述多维工控***的漏洞进行评估及分类管理；
所述告警管理模块，用于对所述威胁信号及所述漏洞进行告警；
所述***管理模块，用于对所述多维工控***的配置以及权限进行管理。
4.根据权利要求1所述的***，其特征在于，所述数据展示层，包括：安全运维中心、资产管理中心、安全风险感知中心、安全事件分析中心以及告警处置中心。
5.一种多维工控***网络安全风险预警方法，其特征在于，包括：
采集多维工控***的数据，并对所述数据进行收集、分发和存储；
对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果；
对所述安全检测结果和所述数据分析的结果进行可视化显示。
6.根据权利要求5所述的方法，其特征在于，所述对所述数据进行安全检测及分析，确定安全检测结果以及数据分析结果，包括：
基于广义径向基函数，建立网络安全态势模型；
根据预设训练目标对所述网络安全态势模型进行权值调整，确定目标网络安全态势模型；
利用所述目标网络安全态势模型以及所述数据，确定安全检测结果以及数据分析结果，所述数据包括：流量、日志、视频数据。
7.根据权利要求6所述的方法，其特征在于，所述网络安全态势模型包括：
输入X＝{x1,x2,…,xn}T∈Rn、网络权值W＝{w1,w2,…,wm}T∈RL*m、阈值V、求和单元∑()、激励函数f(x)、神经网络输出
组成；
将所述流量、所述日志、所述视频数据经过分析处理后形成训练样本X＝{x1,x2,…,xn}T∈Rn，隐含层第j个神经元节点的输出计算公式为：
其中，cj为隐藏层第j个节点的高斯函数中心点；
隐含层的所有输出为：
神经网络的输出是对隐藏层输出加权计算的结果：
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求5-7任一项所述的多维工控***网络安全风险预警方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求5-7任一项所述的多维工控***网络安全风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210725874.8A CN115277472A (zh) | 2022-06-24 | 2022-06-24 | 一种多维工控***网络安全风险预警***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210725874.8A CN115277472A (zh) | 2022-06-24 | 2022-06-24 | 一种多维工控***网络安全风险预警***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115277472A true CN115277472A (zh) | 2022-11-01 |
Family
ID=83762798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210725874.8A Pending CN115277472A (zh) | 2022-06-24 | 2022-06-24 | 一种多维工控***网络安全风险预警***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115277472A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118174962A (zh) * | 2024-05-11 | 2024-06-11 | 四川九洲视讯科技有限责任公司 | 基于人工智能的网络安全反馈分析方法及*** |
-
2022
- 2022-06-24 CN CN202210725874.8A patent/CN115277472A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118174962A (zh) * | 2024-05-11 | 2024-06-11 | 四川九洲视讯科技有限责任公司 | 基于人工智能的网络安全反馈分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114584405B (zh) | 一种电力终端安全防护方法及*** | |
| CN111404909B (zh) | 一种基于日志分析的安全检测***及方法 | |
| CN105009132A (zh) | 基于置信因子的事件关联 | |
| CN110825757A (zh) | 一种设备行为风险分析方法及*** | |
| CN115001934A (zh) | 一种工控安全风险分析***及方法 | |
| US20150358292A1 (en) | Network security management | |
| CN112738040A (zh) | 一种基于dns日志的网络安全威胁检测方法、***及装置 | |
| CN113709170A (zh) | 资产安全运营***、方法和装置 | |
| CN112801359A (zh) | 工业互联网安全态势预测方法、装置、电子设备及介质 | |
| CN117375985A (zh) | 安全风险指数的确定方法及装置、存储介质、电子装置 | |
| CN115378711A (zh) | 一种工控网络的入侵检测方法和*** | |
| CN110149303B (zh) | 一种党校的网络安全预警方法及预警*** | |
| CN115277472A (zh) | 一种多维工控***网络安全风险预警***及方法 | |
| CN112925805B (zh) | 基于网络安全的大数据智能分析应用方法 | |
| RU180789U1 (ru) | Устройство аудита информационной безопасности в автоматизированных системах | |
| CN117879961A (zh) | 一种态势感知***的威胁预警分析模型 | |
| CN116915463B (zh) | 一种调用链数据安全分析方法、装置、设备及存储介质 | |
| CN117478433A (zh) | 一种网络与信息安全动态预警*** | |
| CN112596984A (zh) | 业务弱隔离环境下的数据安全态势感知*** | |
| CN115659351B (zh) | 一种基于大数据办公的信息安全分析方法、***及设备 | |
| CN116389148A (zh) | 一种基于人工智能的网络安全态势预测*** | |
| CN107623677B (zh) | 数据安全性的确定方法和装置 | |
| CN112839029B (zh) | 一种僵尸网络活跃度的分析方法与*** | |
| CN111274089B (zh) | 一种基于旁路技术的服务器异常行为感知*** | |
| CN111092857A (zh) | 信息安全预警方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |