(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210707063.5 (22)申请日 2022.06.21 (71)申请人 重庆移通学院 地址 401520 重庆市合川区大 学城假日大 道1号 (72)发明人 王明月　高维　李方伟　 (74)专利代理 机构 重庆市恒信知识产权代理有 限公司 5 0102 专利代理师 高敏 (51)Int.Cl. H04L 9/40(2022.01) H04L 9/32(2006.01) H04L 67/104(2022.01) H04L 67/1095(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种云边端架构下基于区块链的自适应安 全态势认知系统 (57)摘要 本发明请求保护一种云边端架构下基于区 块链的自适应安全态势认知系统， 其包括： 终端 安全要素获取层、 边缘安全态势认知层和云端安 全态势认知层， 其中， 终端 安全要素获取层： 用于 为边缘安全态势认知层和云端安全态势认知层 提供安全要素数据， 采用主动和被动两种方式进 行网络测量和态势认知以获取安全要素数据； 边 缘安全态势认知层： 负责对多源的安全要素进行 融合、 评估和预测， 利用区块链技术安全处理和 存储态势数据， 以辅助边缘网络实时智能化安全 决策， 并为云端提供安全态势数据； 云端安全态 势认知层： 负责对多源且异构的安全要素进行融 合、 评估和预测， 同时利用区块链技术安全处理 和存储态势数据， 以支撑全局安全决策。 权利要求书3页 说明书7页 附图2页 CN 115174165 A 2022.10.11 CN 115174165 A 1.一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 包括： 终端 安全要素获取层、 边缘安全态势认知层和云端安全态势认知层， 终端安全要素获取层位于 最底层， 云端安全态势认知层位于最高层， 边缘安全态势认知层位于终端安全要素获取层 和云端安全态 势认知层之间， 其中 终端安全要素获取层： 为边缘安全态势认知层和云端安全态势认知层提供影响网络安 全的诸多要 素， 即安全要 素数据， 通过部署于网络中的态势认知终端， 采用主动和被动两种 方式进行网络测量和态 势认知以获取安全要素 数据； 边缘安全态势认知层： 负责对多源的安全要素进行融合、 评估和预测， 利用区块链技术 安全处理和存储态势数据， 以辅助边缘网络实时智能化安全 决策， 并为云端提供安全态势 数据； 云端安全态势认知层： 负责对多源且异构的安全要素进行融合、 评估和预测， 同时利用 区块链技 术安全处理和存储态势数据， 以支撑全局安全决策。 2.根据权利要求1所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述终端安全要素获取层中， 采用主动和被动两种方式进行网络测量和态势 认知以获取安全要素 数据， 具体包括： 首先将收集到的原始数据进行归一化、 数据类型转换在内的预处理， 以去 除掉不相关 信息并将规范数据格式； 进而对历史安全要素信息进行属 性约简， 形成安全要素约简属 性 集合； 最后对约简后的数据进行分类学习， 以提高安全要素的质量。 3.根据权利要求2所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 主动测量和态势认知是在选定的测量点上利用测量工具有目的地主动产生测 量流量注入网络， 并根据测 量数据流的传送情况来分析网络的性能； 被动测 量和态势认知 是指在链路或设备 上对网络进行监测， 而不需要产生 流量的测量方法。 4.根据权利要求1所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述边缘安全态势认知层对多源的安全要素进行融合， 包括特征级数据融合 层和决策级数据融合层， 具体包括： 特征级数据融合层利用模糊推理将态势信息抽象成简 单描述的特征 空间， 以减少层间信息的交互量； 决策级 数据融合层利用 “支持证据冲突的概 率按各个命题的平均支持程度加权进行分配 ”原则来提升融合效率。 5.根据权利要求4所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述 边缘安全态势认知层对多源的安全要素进行评估和预测步骤具体包括： 在安全态势评估中， 将外部态势数据定义为 隐藏状态， 获取的外部态势数据信息定义 为可观察状态， 采用隐马尔科夫模型和学习算法建立外部态势数据和获取的外部态势数据 信息间的关系模型； 在安全态势预测中， 将基于时间序列分析和基于神经网络的算法综合运用， 利用神经 网络良好的非线性描述能力来 求解时间序列分析问题， 优化基于时间序列的分析模型。 6.根据权利要求5所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述在安全态势评估中， 将外部态势数据定义为隐藏状态， 获取的外部态势数 据信息定义为可观察状态， 采用隐马尔科夫模型和学习算法建立外部态势数据和获取的外 部态势数据信息间的关系模型， 具体包括： 步骤1.计算 概率： 给定模型和观测序列， 计算在模型 下观测序列出现的概 率；权　利　要　求　书 1/3 页 2 CN 115174165 A 2步骤2.学习问题： 已知观测序列， 估计模型参数， 使得在该模型下观测序列概率最大， 即用极大似然估计的方法估计参数； 步骤3.预测问题(解码问题)： 已知模型和观测序列， 求对给定观测序列条件概率最大 的状态序列， 即给定观测序列， 求 最有可能的对应的状态序列。 7.根据权利要求5所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述在安全态势预测中， 将基于时间序列分析和基于神经网络的算法综合运 用， 利用神经网络良好的非线性描述能力来求解时间序列分析问题， 优化基于时间序列的 分析模型， 具体包括： 步骤1.归一 化： 对输入时间序列进行归一 化， 使其均值 为0， 标准差为1； 步骤2.降维： 对 归一化后的标准 化序列进行分段聚合近似转换； 步骤3.离散化： 通过词嵌入将分段聚合近似后的序列离散化为字符串序列， 每个字符 代表对应时间段内时间序列的均值范围； 步骤4.字符向量化： 深度 学习模型的输入必须是数值向量， 因此， 需要将上一步得到的 字符向量 化表示； 步骤5.模型训练： 对字符串序列按输入长度进行切分， 建立训练数据集和测试数据集。 输入序列通过神经网络语言模型 前通过字典映射 为向量， 并对 模型进行训练； 步骤6.预测： 利用步骤5训练得到的神经网络语言模型对测试 数据集进行 预测； 步骤7.效果评估： 计算预测准确率， 与各个对比算法的预测结果作比较， 评估算法的表 现。 8.根据权利要求1所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述云和边 缘基于区块链的数据存 储架构具体包括： 在安全态势数据的处理和存储时， 将区块链作为一种去中心化的共享账本和数据库， 具体包括： 数据层用于存储数据和确保账户交易的安全实现， 由数据区块、 链式结构、 时间戳、 哈 希函数、 Merk le树和非对称加密算法构成； 网络层采用所有节点地位对等的对等P2P网络， 以去除网络中的中心化节点， 包括P2P 网络、 传播机制和验证机制； 共识层用于快速实现网络 中各个节点之间就各个数据区块达成共识和同步， 云端采用 工作量证明POW共识机制， 在边 缘端使用权益证明POS共识机制； 激励层用于激励网络的所有参与节点能够积极主动并诚实可靠的验证数据区块的安 全性以及数据区块是否未被篡改， 有发行机制和分配机制构成； 合约层用于运行能够实现一些约束、 合同或交易规则的自动 化脚本、 算法程序、 智能合 约， 使区块链能够解 放信用体系； 应用层用于直接提供安全态 势认知相关的各种区块链应用。 9.根据权利要求8所述的一种云边端架构下基于区块链的自适应安全态势认知系统， 其特征在于， 所述数据层的数据区块彼此之间采用链式结构， 并根据时间的先后顺序进行 了连接； 时间戳参与共识的节点加盖， 用于表明时间， 体现时间的先后顺序； 哈希函数用于 保证各个数据区块的完整性和安全性； Merkle树用于组织交易数据并能够防止数据被篡 改； 非对称加密则用于保护账户的隐私性；权　利　要　求　书 2/3 页 3 CN 115174165 A 3