基于攻击图的工业控制系统脆弱性分析

为了评估工业控制系统网络安全风险和进行有效防御,提出控制系统网络安全要素的概念,将网络攻击转化为网络状态的迁移问题,搭建控制系统网络攻击图模型.建立基于专家知识经验、现有脆弱性库的脆弱性利用规则库.采用单调性假设、广度优先迭代算法、控制系统网络脆弱性规约、攻击约束函数,进行控制系统攻击图的构建与优化.根据参数初步等级量化与判断矩阵法,可计算得到攻击收益.以震网病毒为背景,设计一个仿真控制网络,通过仿真得到原始攻击图、脆弱性规约下的攻击图、约束函数下的攻击图.仿真结果表明：该方法能够根据不同安全要求级别构建攻击图,较全面地得到了可能的攻击目标、最佳的攻击目标及对应的攻击收益和攻击路径.     

加密传输在工控系统安全中的可行性研究

针对需要对现场数据加密的工业控制系统（Industrial control system，ICS），基于稳定性判据设计一种加密传输机制的可行性评估模型，结合超越方程D-subdivision求解法，提出一种数据加密长度可行域求解算法.改进IAE（Integral absolute error）并提出Truncated IAE（TIAE）-based指标，用于评估可行域内不同数据长度对系统实时性能的影响.利用嵌入式平台测定的加密算法执行时间与数据长度的关系，评估了两种对称加密算法应用在他励直流电机控制系统中的可行性，验证了可行域求解算法的准确性，并获得了实时性能随数据长度的变化规律.     

角色导向的网络表示学习综述

网络表示学习是一种将网络节点映射到低维、连续的实值向量空间上的技术,它在网络分析中发挥着重要作用.社团导向的网络表示学习作为目前研究的主要分支之一,主张在学习的节点表示中保持自身的社团属性,如节点的邻近性,使得相近节点具有相似表示.这类方法虽然可以挖掘现实系统中具有明显聚集特征的实体集合,但因其未考虑节点结构上的相似性,导致它们无法识别扮演相同角色、发挥类似功能的实体.近些年,一些方法结合角色的概念,利用节点在网络中的连接模式来派生节点表示,这使得学习到的表示可以尽可能地保持原始网络中节点的结构相似性.尽管这种面向角色的网络表示学习对于现实场景的分析及网络科学的发展起到了一定推动作用,但是目前对该领域的研究仍然非常有限,已有工作缺乏统一的理论解释和实验比较.本文主要对近年来角色导向的网络表示学习工作进行了系统性综述:首先,本文结合相关概念及理论知识,分析了社团导向和角色导向网络表示学习的区别;接着,在总结现有角色导向网络表示学习方法的基础上,给出了一种全新的分类方式,以把握不同算法的本质原理;随后,本文在具有社团或角色标签的十个实验数据集上对基于社团或角色的算法进行了可视化、节点分类、...     

基于对比学习的全局增强动态异质图神经网络

图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据，然而现实世界复杂系统往往包含多类型动态演化的实体及关系，此类复杂系统更适合建模为动态异质图.目前，动态异质图表示学习方法主要集中于半监督学习范式，其存在监督信息昂贵和泛化性较差等问题.针对以上问题，提出了一种基于对比学习的全局增强动态异质图神经网络.具体地，所提网络首先通过异质层次化注意力机制根据历史信息来生成未来的邻近性保持的节点表示，然后通过对比学习最大化局部节点表示和全局图表示的互信息来丰富节点表示中的全局语义信息.实验结果表明，提出的自监督动态异质图表示学习方法在多个真实世界数据集的链路预测任务上的AUC指标平均提升了3.95%.