摘  要： 針對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估中權(quán)值計(jì)算過(guò)于依賴專(zhuān)家經(jīng)驗(yàn)，忽略了客觀因子對(duì)態(tài)勢(shì)決策結(jié)果的影響的現(xiàn)狀，提出了一種綜合加權(quán)的層次化網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法；依據(jù)該指標(biāo)體系綜合賦權(quán)，由層次分析法計(jì)算主觀權(quán)值和粗糙集方法計(jì)算客觀權(quán)值，聯(lián)合兩種權(quán)值得到綜合權(quán)值，并結(jié)合了因子加權(quán)求和法來(lái)綜合分析當(dāng)前網(wǎng)絡(luò)安全態(tài)勢(shì)狀況。實(shí)驗(yàn)表明該方法切實(shí)可行，能更客觀、準(zhǔn)確地分析網(wǎng)絡(luò)安全狀況。

　　關(guān)鍵詞： 態(tài)勢(shì)評(píng)估；粗糙集；層次分析法；因子加權(quán)求和法

0 引言

　　網(wǎng)絡(luò)安全態(tài)勢(shì)感知[1]（Network Security Situation Awareness，NSSA）是指在現(xiàn)實(shí)的網(wǎng)絡(luò)環(huán)境中，在一定時(shí)間和空間內(nèi)，對(duì)能引起網(wǎng)絡(luò)安全態(tài)勢(shì)發(fā)生變化的外界因素進(jìn)行提取、評(píng)估以及對(duì)未來(lái)的變化趨勢(shì)進(jìn)行預(yù)測(cè)。1999年，T.Bass[2]首次提出網(wǎng)絡(luò)安全態(tài)勢(shì)感知的概念，并采用JDL融合處理模型，把數(shù)據(jù)融合技術(shù)引入態(tài)勢(shì)感知領(lǐng)域。

　　網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估是網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)中的核心與重點(diǎn)，目前國(guó)內(nèi)外提出了許多種關(guān)于網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法。面對(duì)大規(guī)模巨型網(wǎng)絡(luò)，層次化結(jié)構(gòu)和權(quán)重相結(jié)合的方法是最常見(jiàn)的態(tài)勢(shì)評(píng)估方法，陳秀珍[3]采用自下而上、先局部后整體的層次化威脅態(tài)勢(shì)評(píng)估模型，逐層對(duì)攻擊、服務(wù)和主機(jī)的權(quán)重進(jìn)行加權(quán)計(jì)算，分析網(wǎng)絡(luò)安全狀況；韋勇[4]根據(jù)權(quán)重分析逐層計(jì)算節(jié)點(diǎn)態(tài)勢(shì)，利用實(shí)際性能信息修正節(jié)點(diǎn)態(tài)勢(shì)值，進(jìn)一步分析網(wǎng)絡(luò)安全態(tài)勢(shì)。通過(guò)權(quán)重分析來(lái)評(píng)估網(wǎng)絡(luò)安全態(tài)勢(shì)的方法還有很多，但大都存在如下缺陷：（1）權(quán)值的選取主觀任意性強(qiáng)，主要依賴于專(zhuān)家的經(jīng)驗(yàn)，缺乏客觀的依據(jù)；（2）指標(biāo)體系過(guò)于龐大和冗余性高，導(dǎo)致評(píng)估結(jié)果精度低；（3）態(tài)勢(shì)指標(biāo)和權(quán)值一般都是靜態(tài)的，難以勝任動(dòng)態(tài)網(wǎng)絡(luò)分析。

　　為了動(dòng)態(tài)完整地描述網(wǎng)絡(luò)的安全狀況，提出了一種基于綜合加權(quán)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法，通過(guò)層次分析法得到主觀權(quán)值，通過(guò)粗糙集方法得到客觀權(quán)值，將二者相結(jié)合得到綜合態(tài)勢(shì)權(quán)值，并通過(guò)因子加權(quán)函數(shù)融合來(lái)計(jì)算網(wǎng)絡(luò)安全態(tài)勢(shì)值。該方法既利用了層次分析思想構(gòu)建層次化網(wǎng)絡(luò)安全態(tài)勢(shì)指標(biāo)體系，又結(jié)合了粗糙集理論的除冗、除維和處理模糊性不確定信息的能力，結(jié)合了兩者的優(yōu)點(diǎn)，精簡(jiǎn)了網(wǎng)絡(luò)安全態(tài)勢(shì)指標(biāo)，提高了對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)分析的準(zhǔn)確性。

1 相關(guān)基礎(chǔ)知識(shí)

　　1.1 層次分析法[5-6]

　　層次分析法（Analytic Hierarchy Process，AHP）在20世紀(jì)70年代由美國(guó)著名運(yùn)籌學(xué)家T.L.Satty等人提出。此方法是一種以專(zhuān)家的專(zhuān)業(yè)判斷經(jīng)驗(yàn)為依據(jù)，將某個(gè)復(fù)雜的問(wèn)題分解成若干層次，并采用定性、定量相結(jié)合方法確定權(quán)重的量化決策與評(píng)價(jià)方法。AHP要經(jīng)過(guò)如下4個(gè)步驟：

　?。?）構(gòu)建層次化評(píng)估結(jié)構(gòu)；

　?。?）構(gòu)造判斷矩陣；

　?。?）層次單排序及一致性檢驗(yàn)；

　　（4）層次總排序及一致性檢驗(yàn)。

　　這一過(guò)程是從高層到低層逐步進(jìn)行的，最終得到最低方案層因素對(duì)最高目標(biāo)層的權(quán)重。

　　1.2 粗糙集理論[7-8]

　　粗糙集理論（Rough Set Theory，RST）是波蘭數(shù)學(xué)家Z.Pawlak教授提出的一種新型的處理模糊和不確定性知識(shí)的數(shù)學(xué)工具，其主要特點(diǎn)是其在保持信息系統(tǒng)分類(lèi)能力不變的前提下進(jìn)行知識(shí)約簡(jiǎn)，最終導(dǎo)出問(wèn)題分類(lèi)的決策或分類(lèi)規(guī)則。

　　設(shè)s=（U，R，V，f）為一個(gè)知識(shí)表達(dá)系統(tǒng)，其中：論域U={x1，x2，x3，…，xn}為非空有限集；R為非空屬性集合，R包括條件屬性C和結(jié)果屬性D，即C∪D=R；V為屬性a∈R的值域；f：U×R→V為一個(gè)單射信息函數(shù)，指定論域中任一個(gè)元素的屬性值。

　　定義1 設(shè)XU且X∈U，決策屬性D對(duì)條件屬性C的依賴度定義：。

　　定義2 若屬性a∈C，則屬性a對(duì)決策屬性D的屬性重要性定義為：SGF（a，C，D）=（C，D）-（C-{a}，D）；其中（C-{a}，D）為在C屬性中缺少屬性a后，條件屬性對(duì)決策屬性的重要程度。

　　定義3 若a∈p且POS（P-{a}）（D）=POS（p）（D），則表示在p中屬性a是不必要的，否則表示在p中a是必要的。若a∈p都是必要的，則表示P獨(dú)立，否則表示P是依賴的。

　　由以上相關(guān)粗糙集定義1、2可求得屬性重要性：

　　在此基礎(chǔ)上將各個(gè)屬性進(jìn)行歸一化處理得到客觀權(quán)重：

2 基于RS-AHP的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型

　　在網(wǎng)絡(luò)安全數(shù)據(jù)中存在著大量不確定、冗余性數(shù)據(jù)，給態(tài)勢(shì)評(píng)估造成了嚴(yán)重的影響；同時(shí)在安全數(shù)據(jù)中存在的定性成分和定量成分導(dǎo)致難以用單一的評(píng)估方法進(jìn)行精確的量化。傳統(tǒng)的層次化分析法又存在其本身的缺陷[9]，直接通過(guò)兩兩逐對(duì)比較形成的判斷矩陣也會(huì)影響到評(píng)估的結(jié)果。為了得到更加合理的評(píng)估效果，本文采用層次化分析法和粗糙集理論相結(jié)合的方法，利用定性和定量的結(jié)合來(lái)降低構(gòu)造判斷矩陣的主觀性，使得評(píng)估結(jié)果更準(zhǔn)確。其評(píng)估結(jié)構(gòu)框架如圖1。

　　2.1 層次化態(tài)勢(shì)指標(biāo)體系篩選

　　在實(shí)際的大規(guī)模網(wǎng)絡(luò)中，主要的數(shù)據(jù)來(lái)源可以分為3類(lèi)：運(yùn)行相關(guān)信息、配置相關(guān)信息和IDS系統(tǒng)日志庫(kù)信息[10]。不同的數(shù)據(jù)由不同的指標(biāo)來(lái)決定，研究相關(guān)信息對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)的影響就需要采用相關(guān)的指標(biāo)體系。

　　本文采用層次分析法分析層與層之間、指標(biāo)之間的相對(duì)關(guān)系，以構(gòu)建如圖2所示的態(tài)勢(shì)指標(biāo)體系。

　　態(tài)勢(shì)指標(biāo)體系的建立是網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估的核心，在實(shí)際大網(wǎng)絡(luò)中，存在著眾多相互沖突、非確定性的觀測(cè)指標(biāo)。各指標(biāo)對(duì)評(píng)估結(jié)果的作用也存在較大差異。能否建立科學(xué)、合理的指標(biāo)體系直接關(guān)系到能否準(zhǔn)確分析網(wǎng)絡(luò)安全態(tài)勢(shì)狀況，如果選擇的指標(biāo)過(guò)多，會(huì)增加評(píng)估過(guò)程中不必要的干擾；反之，則不能全面、準(zhǔn)確地分析態(tài)勢(shì)狀況。

　　粗糙集理論在態(tài)勢(shì)因子選取方面擁有獨(dú)特的優(yōu)勢(shì)[11]，網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估指標(biāo)體系與權(quán)值的構(gòu)建和調(diào)整依賴于對(duì)網(wǎng)絡(luò)數(shù)據(jù)的關(guān)聯(lián)性分析，而通過(guò)計(jì)算粗糙集理論中的屬性重要度能在不失去數(shù)據(jù)原有價(jià)值的基礎(chǔ)上選擇最小的屬性子集，去除不相關(guān)的、冗余的和高維的屬性，從而完成對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)數(shù)據(jù)的關(guān)聯(lián)性分析[12]。

　　根據(jù)定義1和定義2，利用粗糙集理論中的比較屬性依賴度，來(lái)衡量條件屬性對(duì)決策的重要性，剔除對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估作用小的指標(biāo)。

　　2.2 綜合態(tài)勢(shì)權(quán)重的計(jì)算

　　本文提出一種綜合性的網(wǎng)絡(luò)安全態(tài)勢(shì)權(quán)重方法，借助于經(jīng)驗(yàn)因子方法[13]對(duì)主客觀權(quán)值進(jìn)行融合，將主觀態(tài)勢(shì)權(quán)重和客觀態(tài)勢(shì)權(quán)重綜合起來(lái)抽象為一個(gè)最優(yōu)解問(wèn)題，通過(guò)求解該最優(yōu)化問(wèn)題模型得到唯一的一個(gè)最優(yōu)解：

　　通過(guò)經(jīng)驗(yàn)因子融合權(quán)值法，u一般取值范圍為[0，0.5]，根據(jù)專(zhuān)家相關(guān)經(jīng)驗(yàn)和具體實(shí)際決策因子進(jìn)行衡量取值。如果邀請(qǐng)的相關(guān)專(zhuān)家的專(zhuān)業(yè)認(rèn)識(shí)和經(jīng)驗(yàn)不足，則應(yīng)降低主觀權(quán)值的重要度，提高相應(yīng)的客觀權(quán)值的重要度；反之，若專(zhuān)家經(jīng)驗(yàn)足夠，且認(rèn)為數(shù)據(jù)源的可靠性不高或?qū)嶋H態(tài)勢(shì)因子可行性低，則相應(yīng)地增加u的值。

　　2.3 網(wǎng)絡(luò)安全態(tài)勢(shì)量化

　　態(tài)勢(shì)評(píng)估是對(duì)當(dāng)前安全態(tài)勢(shì)的一種動(dòng)態(tài)理解過(guò)程，反映當(dāng)前網(wǎng)絡(luò)的安全狀況。本文致力于研究態(tài)勢(shì)值計(jì)算中的指標(biāo)權(quán)值，通過(guò)因子加權(quán)函數(shù)[14]的融合，提高網(wǎng)絡(luò)安全態(tài)勢(shì)量化結(jié)果的準(zhǔn)確性。

　　定義4 網(wǎng)絡(luò)安全態(tài)勢(shì)指數(shù)：是對(duì)某一個(gè)時(shí)間周期（一般不短于24 h）中影響網(wǎng)絡(luò)安全態(tài)勢(shì)變化的各個(gè)因素（如基礎(chǔ)運(yùn)行性、脆弱性和威脅性）采用綜合加權(quán)的方法進(jìn)行綜合量化而得到一種能反映當(dāng)前網(wǎng)絡(luò)安全態(tài)勢(shì)的數(shù)值。

　　Evaluate=wB1f1+wB2f2+wB3f3（4）

　　定義5 網(wǎng)絡(luò)脆弱指數(shù)：是對(duì)某個(gè)時(shí)間周期中影響脆弱性的各個(gè)二級(jí)指標(biāo)進(jìn)行因子加權(quán)融合得到的數(shù)值。其他威脅性指數(shù)和基礎(chǔ)運(yùn)行指數(shù)的形成與之類(lèi)似，都是通過(guò)相應(yīng)的因子加權(quán)融合而成。

　　以上三式中，?琢i，λi，δi，w1，w2，w3都代表相應(yīng)的權(quán)值系數(shù)；xi，yi，zi分別表示各個(gè)指標(biāo)對(duì)應(yīng)的態(tài)勢(shì)因子值。

3 實(shí)驗(yàn)結(jié)果及分析

　　3.1 實(shí)驗(yàn)環(huán)境的搭建

　　為了驗(yàn)證本文提出的基于綜合加權(quán)的網(wǎng)絡(luò)安全態(tài)勢(shì)量化評(píng)估方法的合理性與正確性，本文搭建由主機(jī)、路由器、交換機(jī)、防火墻、漏洞掃描、入侵檢測(cè)snort等設(shè)備組成實(shí)驗(yàn)環(huán)境。實(shí)驗(yàn)數(shù)據(jù)主要來(lái)源于Snort攻擊信息、Netflow數(shù)據(jù)流信息、主機(jī)的Nessus漏洞掃描信息、Firewall日志信息、IDS入侵檢測(cè)日志信息。在實(shí)驗(yàn)中，當(dāng)正常網(wǎng)絡(luò)遭到各類(lèi)惡意攻擊流量注入時(shí)，從各網(wǎng)絡(luò)節(jié)點(diǎn)獲取實(shí)驗(yàn)所需的異常數(shù)據(jù)，并在MATLAB7.0平臺(tái)下搭建網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型，進(jìn)行仿真實(shí)驗(yàn)；當(dāng)采集的態(tài)勢(shì)數(shù)據(jù)為大樣本數(shù)據(jù)時(shí)，對(duì)數(shù)據(jù)進(jìn)行等距離離散法[14]和無(wú)量綱歸一化處理，得到實(shí)驗(yàn)所需的在[0，1]之間的規(guī)范化數(shù)據(jù)。

　　3.2 綜合指標(biāo)權(quán)值處理過(guò)程

　　3.2.1 主觀權(quán)值計(jì)算

　　基于層次分析法的主觀權(quán)重賦值主要依賴專(zhuān)家經(jīng)驗(yàn)對(duì)實(shí)際環(huán)境的考察和總結(jié)。本文邀請(qǐng)多名專(zhuān)家對(duì)網(wǎng)絡(luò)各個(gè)屬性進(jìn)行了綜合評(píng)價(jià)，得到一致性結(jié)論：基礎(chǔ)運(yùn)行性是網(wǎng)絡(luò)安全運(yùn)行的特征，其地位比其他兩者重要得多；脆弱性和威脅性雖然可能導(dǎo)致網(wǎng)絡(luò)安全態(tài)勢(shì)降低，但兩者比重較低。

　　根據(jù)專(zhuān)家意見(jiàn)構(gòu)建準(zhǔn)則層因素兩兩之間對(duì)目標(biāo)網(wǎng)絡(luò)安全態(tài)勢(shì)的判別矩陣如圖3所示，令A(yù)為目標(biāo)網(wǎng)絡(luò)安全態(tài)勢(shì)，B1為脆弱性態(tài)勢(shì)，B2為基礎(chǔ)運(yùn)行性態(tài)勢(shì)，B3為威脅性態(tài)勢(shì)。

　　求得矩陣的特征向量和最大特征根分別為：w′A= [0.2，0.6，0.2]T和λmax=3。檢驗(yàn)矩陣的一致性：，表明此矩陣完全一致。綜上所得準(zhǔn)則層的權(quán)值向量為w′A=[0.2，0.6，0.2]T。

　　根據(jù)上述原理分別求得指標(biāo)層對(duì)準(zhǔn)則的權(quán)值向量（不再累贅復(fù)述）：w′B1=[0.312，0，246，0，108，0.108，  0.108，0.118]T；w′B2=[0.339，0.084，0.048，0.217，0.101，0.098，0.068，0.045]T；w′B3=[0.215，0.101，0.098，0.224，0.064，0.201，0.097]T。

　　3.2.2 客觀權(quán)值計(jì)算

　　本文以脆弱性指標(biāo)為例，通過(guò)各類(lèi)檢測(cè)設(shè)備獲取100組檢測(cè)數(shù)據(jù)，將其離散歸一后得到規(guī)范化實(shí)驗(yàn)數(shù)據(jù)；以脆弱性二級(jí)指標(biāo)作為決策系統(tǒng)的條件屬性；參考snort手冊(cè)規(guī)定的風(fēng)險(xiǎn)程度分別為：1為低、2為中和3為高。表1展示部分信息決策。

　　根據(jù)粗糙集的屬性的約簡(jiǎn)能力，可對(duì)該表進(jìn)行約簡(jiǎn)，刪除指標(biāo)中冗余成份。由表1的結(jié)果顯示：a~e中POSC（D）≠POSC-i（D）（i=a，b，c，d，e），表明條件屬性a~e為不可約簡(jiǎn)屬性；而POSC（D）=POSC-f（D），表明條件屬性f為可約簡(jiǎn)屬性。綜上所述，指標(biāo)f為冗余指標(biāo)，需要剔除。

　　依照式（1），式（2）所得脆弱性二級(jí)指標(biāo)權(quán)值為wB1″=[0，333，0，267，0.133，0.133，0.133，0.000]T。

　　同理可得，基礎(chǔ)運(yùn)行性二級(jí)指標(biāo)權(quán)值為wB2″=    [0.352，0.102，0.000，0.209，0.121，0.086，0.130，0.000]T；威脅性二級(jí)指標(biāo)權(quán)值wB3″=[0.261，0.089，0.108，0.213，0.000，0.203，0.126]T。

　　3.2.3 綜合權(quán)值

　　為綜合3.2.1和3.2.2兩種權(quán)賦值方法的優(yōu)點(diǎn)，從下至上，分別逐層確定每一層指標(biāo)對(duì)上層指標(biāo)的權(quán)值，根據(jù)實(shí)際情況和專(zhuān)家的經(jīng)驗(yàn)取值u=0.382，使主、客權(quán)值之比為黃金分割數(shù)。其各級(jí)指標(biāo)權(quán)值分別如下：一級(jí)指標(biāo)為wA=[0.1691，0，6618，0，1691]T，二級(jí)指標(biāo)為wB1=[0.325，0.259，0.123，0，123，0，123，0.047]T；wB2=[0.347，0.095，0.018，0.212，0.113，0.090，0.106，0.019]T；wB3=[0.243，0.094，0.104，0.217，0.025，0.202，0.115]T。

　　3.3 結(jié)果及分析

　　經(jīng)過(guò)多次態(tài)勢(shì)因子數(shù)據(jù)的檢測(cè)，根據(jù)上述因子加權(quán)求和法進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)值的量化。為了方便管理員評(píng)價(jià)，規(guī)定安全態(tài)勢(shì)值分布在[0，1]之間且把網(wǎng)絡(luò)安全態(tài)勢(shì)劃分為5個(gè)危害等級(jí)：[0，0.1]，[0.1，0.2]，[0.2，0.3]，[0.3，0.5]，[0.5，1]，危險(xiǎn)性隨不同等級(jí)逐層增大，當(dāng)安全態(tài)勢(shì)值趨近于1時(shí)，表示當(dāng)前網(wǎng)絡(luò)運(yùn)行極不安全，反之亦然。繪出如圖4的網(wǎng)絡(luò)安全態(tài)勢(shì)曲線，反映本時(shí)段的網(wǎng)絡(luò)安全態(tài)勢(shì)狀況。

　　4 結(jié)論

　　粗糙集理論在網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估中能有效度量各網(wǎng)絡(luò)安全態(tài)勢(shì)要素重要性，在處理海量的網(wǎng)絡(luò)數(shù)據(jù)時(shí)能避免不確定性、冗余性和高維性對(duì)態(tài)勢(shì)因子篩選的干擾。本文提出的基于綜合加權(quán)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法能夠避免傳統(tǒng)層次分析法導(dǎo)致安全態(tài)勢(shì)評(píng)估結(jié)果不準(zhǔn)確的問(wèn)題，又能減少粗糙集約簡(jiǎn)不充分造成的評(píng)估低效問(wèn)題。仿真結(jié)果表明，此方法能夠提高網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估的準(zhǔn)確度，滿足對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估的要求。

參考文獻(xiàn)

　　[1] 龔正虎，卓瑩.網(wǎng)絡(luò)安全態(tài)勢(shì)感知[J].軟件學(xué)報(bào)，2010，21（7）：1605-1619.

　　[2] BASS T， ARBOR A. Multisensor data fusion for next generation distributed intrusion detection syste ms[C]. Proceeding of IRIS National Symposium on Sensor and Data Fusion， Laurel， MD： [s.n.]，1999：24-27.

　　[3] 陳秀真，鄭慶華，管曉宏，等.層次化網(wǎng)絡(luò)安全威脅態(tài)勢(shì)量化評(píng)估方法[J].軟件學(xué)報(bào)，2006，17（4）：885-897.

　　[4] 韋勇，連一峰.基于日志審計(jì)與性能修正算法的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型[J].計(jì)算機(jī)學(xué)報(bào)，2009，32（4）：763-772.

　　[5] 李方偉，楊紹成，朱江.基于模糊層次法的改進(jìn)型網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法[J].計(jì)算機(jī)應(yīng)用，2014，34（9）：2622-2626.

　　[6] 劉延華，陳國(guó)龍，吳瑞芬.基于云模型和AHP的網(wǎng)絡(luò)信息系統(tǒng)可生存性評(píng)估[J].通信學(xué)報(bào)，2014，35（8）：107-115.

　　[7] PAWLAK Z. Rough sets and intelligent data analysis[J]. Information Sciences， 2002，147（1）：1-12.

　　[8] 王國(guó)胤，姚一豫，于洪.粗糙集理論與應(yīng)用研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2009，32（7）：1229-1246.

　　[9] 王宇飛，徐志博，王婧.層次化電力信息網(wǎng)絡(luò)威脅態(tài)勢(shì)評(píng)估方法[J].中國(guó)電力，2013，46（7）：121-125.

　　[10] 賈焰，王曉偉，韓偉紅，等.YHSSAS：面向大規(guī)模網(wǎng)絡(luò)的安全態(tài)勢(shì)感知系統(tǒng)[J].計(jì)算機(jī)科學(xué)，2011，38（2）：4-9.

　　[11] 卓瑩，何明，龔正虎.網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估的粗集分析模型[J].計(jì)算機(jī)工程與科學(xué)，2012，34（3）：326-330.

　　[12] 陸悠，羅軍舟，李偉，等.面向網(wǎng)絡(luò)狀態(tài)的自適應(yīng)用戶行為評(píng)估方法[J].通信學(xué)報(bào)，2013，34（7）：71-80.

　　[13] 文志誠(chéng)，曹春麗.基于因子加權(quán)的網(wǎng)絡(luò)安全態(tài)勢(shì)感知方法[J].計(jì)算機(jī)應(yīng)用，2015，35（5）：1393-1398.

　　[14] 高春維，譚旭.決策屬性未知下的學(xué)生評(píng)教粗糙集分析[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（9）：238-241．