云架构安全评估方法

云架构安全评估方法
【技术领域】
[0001] 本发明涉及云计算安全领域，特别是涉及一种云架构安全性的评估方法。
【背景技术】
[0002] 根据NIST(美国国家标准与技术研宄院）的定义，云计算是一种能够通过网络以 便利的、按需付费的方式获取计算资源并提高其可用性的模式。其中计算资源包括网络、月艮 务器、存储、应用和服务等，这些资源来自一个共享的、可配置的资源池，并能够以最省力和 无人干预的方式获取和释放。
[0003] 更具体地，按照云计算平台提供的服务种类，云计算平台的三层架构定义如下： 基础设施作为服务（IaaS)，提供给用户的能力是云供应了处理、存储、网络，及其它基础性 的计算资源，以供用户部署或运行任意自己的软件，包括操作系统或应用；平台作为服务 (PaaS)，提供给用户的能力是在云基础设施之上部署用户创建或采购的应用，这些应用使 用服务商支持的编程语言或工具开发；软件作为服务（SaaS)，提供给用户的能力是使用服 务商运行在云基础设施之上的应用。用户使用各种客户端设备通过"瘦"客户界面（例如 浏览器）等来访问应用（例如基于浏览器的邮件）。
[0004] 随着计算机网络技术的发展，云计算可以大幅度降低开销成本并提高运营效率， 因此其应用和推广势在必行。但是，云计算集中式运作的特性也使之成为一把双刃剑。一 方面，从管理、维护和花销的角度来看，云计算能够在降低成本的同时提供更高效的服务； 另一方面，集中式运作可能会造成诸如数据泄露之类的严重后果。因此，云计算所带来的安 全隐患不容小觑。
[0005] 目前，安全问题已经成为阻碍云计算发展的主要问题之一。为了让企业放心地采 用云计算服务，相应的安全评估机制就显得至关重要。然而，目前还不存在足够全面的云架 构安全评估机制。虽然近年来国内外有不少学者针对云的安全性评估和可信性评测开展了 很多相关工作，但是其研宄工作却普遍存在一个问题：没有分层次分析云平台的安全性。而 云平台架构十分复杂，要评测其整体安全性，也应该分层考虑其各层的安全隐患，进而对云 平台的整体安全性进行评估。

【发明内容】

[0006] 为了克服上述现有技术的问题，本发明提出了一种云架构安全评估方法，对云架 构的安全性评估提出一种基于模糊层次分析法和Sugeno模糊推理系统的云架构安全评估 方，根据所选择的云平台服务架构组合，可以得到云平台的最终安全值。
[0007] 1.本发明提出了一种云安全评估方法，该方法包含以下步骤：
[0008] 步骤（1)、对包括IaaS层、Paas层和Saas层在内的各层服务架构的递阶层次结构 中的安全问题及安全证据进行定性和定量分析；
[0009] 步骤（2)、对云平台各层服务架构的安全性进行评估；
[0010] 步骤（3)、对云平台整体的安全性进行评估，采用基于自适应神经网络的Sugeno 模糊推理系统建立一级云安全评估模型，分析云平台整体的安全性。
[0011] 所述步骤⑴具体包括以下处理：
[0012] (1-1)、IaaS层安全问题至少包括虚拟机的安全问题、虚拟网络的安全问题、数据 安全问题和硬件的可靠性问题；相应的安全证据分别至少有虚拟机映像存储库的可靠性、 虚拟机的界限问题、恶意软件或病毒，DNS服务器的可靠性、虚拟交换机软件的可靠性局部 性，完整性、隔离性、机密性、备份，服务器的可靠性、路由器的可靠性、存储设备的可靠性、 电源的可靠性；
[0013] (1-2)、PaaS层至少包括SOA相关的安全问题、API的安全问题和海量数据的存储 安全问题；相应的安全证据分别至少有XML威胁防护、模式验证、完整性保护，API调用的安 全控制，API隔离、存储安全、可访问性；
[0014] (1-3)、SaaS层至少包括网络应用的安全问题、访问控制问题和数据安全问题；相 应的安全证据分别至少有漏洞检测、配置安全，身份认证、访问控制、审计，局部性、完整性、 隔离性、机密性、备份。
[0015] 所述步骤（2)具体包括以下处理：
[0016] (2-1)、针对云平台各层IaaS、PaaS、SaaS的服务架构的安全证据的重要程度建立 层次分析模型，使用层次分析法AHP分析IaaS层、PaaS层、SaaS层各个安全问题和安全证 据的权重，构成各安全证据对于相应安全问题的权重向量；
[0017] (2-2)、利用多层次模糊综合评价法计算分析云平台各层服务架构的安全证据的 安全值：首先确定评价对象集和评语集，然后按照评语集评估各个安全证据，构造评价矩 阵，最后利用安全问题的权重向量乘评价矩阵，得到最终的综合评价值，即SaaS、PaaS和 IaaS层的安全值，分别表示为SaS、PaS和IaS。
[0018] 所述步骤（3)具体包括以下处理：
[0019] (3-1)、输入影响因素：即云平台三层服务架构SaaS、PaaS、IaaS的安全值SaS、PaS 和IaS，对其进行模糊化处理；
[0020] (3-2)、确定模糊规则，此规则对应自适应神经网络的第二层，输出模糊规则的激 活强度；
[0021] (3-3)、最后进行去模糊化处理，选择Centroid函数计算，产生精确的单一输出 值，即云平台架构的整体的安全值S。
[0022] 与现有技术相比，本发明以云平台安全性评估为目的，提出了一种基于FAHP和 Sugeno模糊推理系统的云架构安全评估方法。该方法预期达到如下有益效果：
[0023] 1)、本模型采用模糊综合评价法FAHP。FAHP是一种将模糊综合评价法和层次分析 法相结合的评价方法，在体系评价、效能评估、系统优化等方面有着广泛的应用，是一种定 性与定量相结合的评价模型。一般先用层析分析法确定因素集，然后用模糊综合评判确定 评判效果。模糊法在层次法之上，两者相互融合，对评价有着很好的可靠性。
[0024] 2)、本模型采用Sugeno模糊推理规则。Sugeno模糊推理规则计算简单，利于数学 分析，可以将一个给定输入空间通过模糊逻辑的方法映射到一个特定的输出空间。另外，本 模型还采用自适应神经网络对Sugeno模糊推理的模糊规则中的系数进行优化；
[0025] 通过以上合理、可行的对云平台安全性进行评估的方法，可以为用户选择云平台 提供便利，并保证安全可靠。并且还可以改善云平台的开发质量，将风险控制在可接受水 平。同时，这种定量的评估方法也可以为云平台的甄选、分级等提供参考。
【附图说明】
[0026] 图1为自适应神经网络结构示意图；
[0027]图2为基于模糊层次分析法和Sugeno模糊推理系统的云安全评估步骤。
【具体实施方式】
[0028] 下面将结合附图对本发明的【具体实施方式】进行详细描述，这些实施方式若存在示 例性的内容，不应解释成对本发明的限制。
[0029] 本发明以Google云平台作为具体实施例进行评估。选择GoogleComputeEngine 作为IaaS层的实例，GoogleAppEngine作为PaaS层的实例，GoogleApps作为SaaS层的 实例。先利用各层服务架构的安全评估模型，再利用云平台整体安全评估模型，最终得到云 平台架构整体的安全值。
[0030] 1、IaaS实例分析（GoogleComputeEngine)
[0031] 首先，对GCE的各安全问题和相应的安全证据进行分析，包括：
[0032] 虚拟机的安全问题：虚拟机映像存储库的可靠性，是启动一个实例所必需的；虚 拟机的界限，认为此项安全指标实施力度较高；恶意软件或病毒，假设恶意软件或病毒对虚 拟机的攻击失败率为98%;
[0033] 虚拟网络的安全问题：DNS服务器的可靠性，根据公式推得DNS服务器可靠性为 0. 9997 ;虚拟交换机软件的可靠性，根据公式推得虚拟交换可靠性为0. 9921 ;恶意攻击，假 设对虚拟网络的恶意攻击失败率为97%;
[0034] 数据安全：考虑数据的局部性、完整性、隔离性、机密性以及数据备份；
[0035] 硬件的可靠性：服务器的可靠性，根据公式推得服务器的可靠性为0. 9975 ;路由 器的可靠性，根据公式推得路由器的可靠性为0.9816;存储设备的可靠性，根据公式推得 存储设备的可靠性为0. 9822 ;电源的可靠性，根据公式推得电源的可靠性为0. 9967 ;[0036] 其次，假设有3位专家针对上述安全指标分析进行打分。专家打分表如表1所示。
[0037]表1、GoogleComputeEngine专家打分表
[0038]
[0039] 最后，根据已经得到的各指标的权重，使用多层次模糊综合评价法得出Google ComputeEngine的安全值为：6. 5797,即IaaS层的安全值IaS。
[0040] 2、PaaS实例分析（GoogleAppEngine)
[0041] 首先，对GAE的各安全问题和相应的安全证据进行分析，包括：
[0042] S0A相关的安全问题：XML威胁防护，使用html51ib和ElementTree解决畸形XML 的解析问题；模式验证；数据的完整性保护，GAE提供了一个强大的分布式数据存储服务；[0043]API的安全问题：API调用的安全控制，Google推荐使用OAuth2. 0协议对API的 调用进行认证；API隔离，每一个应用程序都在自己的安全沙盒中运行，不会受到其他应用 程序或潜在的资源冲突的影响；
[0044] 海量数据的存储安全：存储安全，根据公式推得数据库的存储安全等级为94. 08; 可用性，根据公式推得数据库的可用性为91. 54 ;
[0045] 其次，假设有3位专家针对上述安全指标分析进行打分。专家打分表如表2所示。
[0046]表 2、GoogleAppEngine专家打分表
[0047]
[0048] 最后，根据已经得到的各指标的权重，使用多层次模糊综合评价法得出Google AppEngine的安全值为：7. 1789,即PaaS层的安全值PaS。
[0049] 3、SaaS实例分析（GoogleApps)
[0050] 首先，对GooglesApps的各安全问题和相应的安全证据进行分析，包括：
[0051] 网络应用的安全问题：漏洞监测，GoogleApps的数据中心不包含任何不必要的硬 软或软件，可以减少可能被利用的漏洞；配置安全，Google服务管理器负责管理包括产品 更新在内的所有事项。
[0052] 访问控制：身份认证；控制，Google通过访问控制列表（ACLs)进行长期的访问控 制，采用标记URLs方式提供"仆从钥匙"类型的短期访问控制；安全审计，Google不间断的 监控全球数据中心的网络。
[0053] 数据安全：Google使用BigTable为Google应用提供数据存储与查询服务；考虑 数据的局部性、完整性、隔离性、机密性以及备份问题。
[0054] 其次，假设有3位专家针对上述的安全指标分析进行打分。专家打分表如表3所 不〇
[0055] 表3、GoogleApps专家打分表
[0056]
[0057] 最后，根据已经得到的各指标的权重/应用多层次模糊综合评价法最后得出 GoogleApps的安全值为：7. 5369。即SaaS层的安全值SaS。
[0058] 4、使用本专利建立的基于自适应神经网络的Sugeno模糊推理系统，把上述三步 所得到的GoogleComputeEngine、GoogleAppEngine和GoogleApps三层的安全值IaS、 PaS、SaS做为输入，使用前文建立的基于自适应神经网络的Sugeno模糊推理系统，得到采 取上述服务模型组合的云平台架构的整体安全值为：〇. 78899 (取值范围为[0, 1])，即最终 的云平台架构的整体的安全值S。
[0059] 由此可见，该服务模型组合的云平台架构可用性较高。
[0060] 步骤1、对各层服务架构的递阶层次结构中的安全证据进行定性和定量分析：
[0061](1-1)、IaaS层安全问题主要包括虚拟机的安全问题、虚拟网络的安全问题、数据 安全问题和硬件的可靠性问题。相应的安全证据分别有虚拟机映像存储库的可靠性、虚拟 机的界限问题、恶意软件或病毒，DNS服务器的可靠性、虚拟交换机软件的可靠性局部性，完 整性、隔离性、机密性、备份，服务器的可靠性、路由器的可靠性、存储设备的可靠性、电源的 可靠性。
[0062] (1-2)、PaaS层主要包括S0A相关的安全问题、API的安全问题和海量数据的存储 安全问题。相应的安全证据分别有XML威胁防护、模式验证、完整性保护，API调用的安全 控制，API隔离、存储安全、可访问性。
[0063] (1-3)、SaaS层主要包括网络应用的安全问题、访问控制问题和数据安全问题。相 应的安全证据分别有漏洞检测、配置安全，身份认证、访问控制、审计，局部性、完整性、隔离 性、机密性、备份。
[0064] 步骤2、对云平台各层服务架构的安全性进行评估：
[0065] (2-1)、针对云平台各层服务架构（IaaS、PaaS、SaaS)安全证据的重要程度建立层 次分析模型，使用层次分析法AHP分析IaaS层、PaaS层、SaaS层各个安全问题和安全证据 的权重，构成各安全证据对于相应安全问题的权重向量；
[0066] (2-2)、利用多层次模糊综合评价法计算分析云平台各层服务架构的安全证据的 安全值：首先确定评价对象集和评语集。然后按照评语集评估各个安全证据，构造评价矩 阵。最后利用安全问题的权重向量乘评价矩阵，得到最终的综合评价值，即SaaS、PaaS和 IaaS层的安全值，分别表示为SaS、PaS和IaS。
[0067] 步骤3、对云平台整体的安全性进行评估，采用基于自适应神经网络的Sugeno模 糊推理系统建立一级云安全评估模型，分析云平台整体的安全性。神经网络是由大量的简 单处理单元构成的非线性动力系统，具有自适应推理学习能力和大规模平行计算能力。而 模糊技术以模糊逻辑为基础，通过模仿人类思维的模糊综合判断推理来处理常规方法难以 解决的模糊信息问题。因此可以使用神经网络来处理复杂的模糊信息，同时进行推理自学 习，自适应的调整推理算法中的网络参数。
[0068] 此自适应神经网络共有五层，如图1所示。每层对应各自的函数，其参数由自适应 神经网络进行优化：
[0069] (3-1)、输入影响因素。即云平台三层服务架构SaaS、PaaS、IaaS的安全值SaS、PaS 和IaS，对其进行模糊化处理。
[0070] (3-2)、确定模糊规则。此规则对应自适应神经网络的第二层，输出模糊规则的激 活强度。其中共有27条模糊规则，如下为模糊规则的语言表示：
[0071] 1.If(IaSisLow)and(PaSisLow)and(SasisLow)then(SisVeryPoor) (1)
[0072] 2. If(IaSisMedium)and(PaSisLow)and(SasisLow)then(SisVeryPoor) (1)
[0073] 3. If(IaSisLow)and(PaSisMedium)and(SasisLow)then(SisVeryPoor) (1)
[0074] 4. If(lasisLow)and(PaSisLow)and(SasisMedium)then(SisVeryPoor) (1)
[0075] 5. If(IaSisHigh)and(PaSisLow)and(SasisLow)then(SisPoor) (1)
[0076] 6. If(IaSisLow)and(PaSisHigh)and(SasisLow)then(SisPoor) (1)
[0077] 7. If(IaSisLow)and(PaSisLow)and(SasisHigh)then(SisPoor) (1)
[0078] 8. If(IaSisLow)and(PaSisMedium)and(SasisMedium)then(SisPoor) (1)
[0079] 9. If(IaSisMedium)and(PaSisLow)and(SasisMedium)then(SisPoor) (1)
[0080] 10.If(IaSisMedium)and(PaSisMedium)and(SasisLow)then(SisPoor)(1)
[0081] 11. If(IaSisLow)and(PaSisMedium)and(SasisHigh)then(SisG ood) (1)
[0082] 12. If(IaSisLow)and(PaSisHigh)and(SasisMedium)then(SisGood) (1)
[0083] 13. If(IaSisMedium)and(PaSisLow)and(SasisHigh)then(SisGood) (1)
[0084] 14. If(IaSisMedium)and(PaSisHigh)and(SasisLow)then(SisGood) (1)
[0085] 15. If(IaSisHigh)and(PaSisLow)and(SasisMedium)then(SisGood) (1)
[0086] 16. If(IaSisHigh)and(PaSisMedium)and(SasisLow)then(SisGood) (1)
[0087] 17.If(IaSisLow)and(PaSisHigh)and(SasisHigh)then(SisGood) (1)
[0088] 18. If(IaSisHigh)and(PaSisLow)and(SasisHigh)then(SisGood) (1)
[0089] 19. If(IaSisHigh)and(PaSisHigh)and(SasisLow)then(SisGood) (1)
[0090]20.If(IaSisMedium)and(PaSisMedium)and(SasisMedium)then(SisGood) (1)
[0091] 21.If(IaSisHigh)and(PaSisMedium)and(SasisMedium)then(Sis VeryGood) (1)
[0092] 22.If(IaSisMedium)and(PaSisHigh)and(SasisMedium)then(Sis VeryGood) (1)
[0093] 23.If(IaSisMedium)and(PaSisMedium)and(SasisHigh)then(Sis VeryGood) (1)
[0094] 24.If(IaSisMedium)and(PaSisHigh)and(SasisHigh)then(Sis Excellent) (1)
[0095] 25.If(IaSisHigh)and(PaSisMedium)and(SasisHigh)then(Sis Excellent) (1)
[0096] 26.If(IaSisHigh)and(PaSisHigh)and(SasisMedium)then(Sis Excellent) (1)
[0097] 27.If(IaSisHigh)and(PaSisHigh)and(SasisHigh)then(SisExcellent) (1)
[0098] (3-3)、最后进行去模糊化处理。选择Centroid函数计算，产生精确的单一输出 值，即云平台架构的整体的安全值S;
[0099] (3-4)、自适应神经网络每层对应的函数如下。此自适应神经网络共有五层，如图 1所示。每层对应各自的函数，其参数由自适应神经网络进行优化：
[0100] 第一层：定义给定的k(输入值x，y，z分别对应IaS，PaS，SaS)对量化器Ki(即图 1中的AyByQ，各自对应语言标签Low、Medium、High，最后得到九个语言标签）的满足程 度。其中是前提参数集合。
[0101] 表1、前提参数
[0102]
[0103] 第二层，将第一层的输出信号做为第二层的输入信号相乘，再将乘积输出。得到27 条模糊规则的激活强度。这里的即第一层的输出，x，y，z分别对应IaS，PaS，SaS。
[0104]
[0105] 第三层，取第i条规则的激活强度与所有规则的激活强度之和的比值，做为标准 化的激活强度。
[0106]
[0107] 第四层，为第三层的输出，展开即，为结论参数集合，x、y、z分别对应IaS、PaS和 SaS。中i取1~4时，p、q、r、s对应VeryPoor-行取值。中i取5~10时，p、q、r、s对 应Poor-行取值。中i取11~20时，p、q、r、s对应Good-行取值。中i取21~23时， p，q，r，s对应VeryGood-行取值。中i取 24 ~27 时，p、q、r、s对应Excellent-行取 值。
[0108] 表2、结论参数
[0109]
[0110] 第五层，这一层将所有输入信号（上一层的输出信号）累加得到最终的输出。
【主权项】
1. 一种云安全评估方法，其特征在于，该方法包含以下步骤： 步骤（1)、对包括IaaS层、Paas层和Saas层在内的各层服务架构的递阶层次结构中的 安全问题及安全证据进行定性和定量分析； 步骤（2)、对云平台各层服务架构的安全性进行评估； 步骤（3)、对云平台整体的安全性进行评估，采用基于自适应神经网络的Sugeno模糊 推理系统建立一级云安全评估模型，分析云平台整体的安全性。2. 如权利要求1所述的云安全评估方法，其特征在于，所述步骤（1)具体包括以下处 理： IaaS层安全问题至少包括虚拟机的安全问题、虚拟网络的安全问题、数据安全问题和 硬件的可靠性问题；相应的安全证据分别至少有虚拟机映像存储库的可靠性、虚拟机的界 限问题、恶意软件或病毒，DNS服务器的可靠性、虚拟交换机软件的可靠性局部性，完整性、 隔离性、机密性、备份，服务器的可靠性、路由器的可靠性、存储设备的可靠性、电源的可靠 性； PaaS层至少包括SOA相关的安全问题、API的安全问题和海量数据的存储安全问题；相 应的安全证据分别至少有XML威胁防护、模式验证、完整性保护，API调用的安全控制，API 隔离、存储安全、可访问性； SaaS层至少包括网络应用的安全问题、访问控制问题和数据安全问题；相应的安全证 据分别至少有漏洞检测、配置安全，身份认证、访问控制、审计，局部性、完整性、隔离性、机 1?'性、备份。3. 如权利要求1所述的云安全评估方法，其特征在于，所述步骤（2)具体包括以下处 理： 针对云平台各层IaaS、PaaS、SaaS的服务架构的安全证据的重要程度建立层次分析模 型，使用层次分析法AHP分析IaaS层、PaaS层、SaaS层各个安全问题和安全证据的权重，构 成各安全证据对于相应安全问题的权重向量； 利用多层次模糊综合评价法计算分析云平台各层服务架构的安全证据的安全值：首先 确定评价对象集和评语集，然后按照评语集评估各个安全证据，构造评价矩阵，最后利用安 全问题的权重向量乘评价矩阵，得到最终的综合评价值，即SaaS、PaaS和IaaS层的安全值， 分别表示为SaS、PaS和IaS。4. 如权利要求1所述的云安全评估方法，其特征在于，所述步骤（3)具体包括以下处 理： 输入影响因素：即云平台三层服务架构SaaS、PaaS、IaaS的安全值SaS、PaS和IaS，对 其进行模糊化处理； 确定模糊规则，此规则对应自适应神经网络的第二层，输出模糊规则的激活强度； 最后进行去模糊化处理，选择Centroid函数计算，产生精确的单一输出值，即云平台 架构的整体的安全值S。
【专利摘要】本发明公开了一种云安全评估方法，包括：步骤(1)、对包括IaaS层、Paas层和Saas层在内的各层服务架构的递阶层次结构中的安全问题及安全证据进行定性和定量分析；步骤(2)、对云平台各层服务架构的安全性进行评估；步骤(3)、对云平台整体的安全性进行评估，采用基于自适应神经网络的Sugeno模糊推理系统建立一级云安全评估模型，分析云平台整体的安全性。与现有技术相比，本发明动态合理地控制接入到网络端的用户数，使网络端接入的负载始终保持在一定可接受范围之内，可以在网络有大量用户同时同频接入时打散用户，使用户尽快接入网络，极大改善了网络拥堵时系统随机接入的性能。
【IPC分类】H04L29/08, H04L29/06
【公开号】CN104883369
【申请号】CN201510288104
【发明人】李晓红, 白裕德, 孙达志, 许光全, 韩卓兵, 经雅婷
【申请人】天津大学
【公开日】2015年9月2日
【申请日】2015年5月29日