基于AHP—TOPSIS 的滲透測試工具的綜合評價模型?

劉建華 魏銘冠 劉意先

（1.西安郵電大學信息中心 西安 710121）（2.西安郵電大學計算機學院 西安 710121）（3.西安郵電大學通信與信息工程學院 西安 710121）

1 引言

互聯網給人類帶來了極大的便利，但隨之而來的各類網絡安全問題也日益凸顯［1］。對于網絡信息泄露、病毒入侵、黑客攻擊等網絡安全問題，網絡安全人員可以利用滲透測試工具隨時掌握網絡的實際情況［2］。網絡安全工具主要是通過檢測遠程或本地主機安全性弱點的程序。網絡安全工具種類有很多，如：網絡掃描工具、通用漏洞檢測以及應用漏洞檢測等［3］。Kali Linux 系統是一個專為滲網絡安全打造的系統，在Kali Linux 系統中預安裝了嗅探/欺騙、漏洞分析等十三個工具集［4］。有些工具的功能較為相似，這會給網絡安全人員在選擇工具時帶來一定的麻煩。一個問題是，在不同情況下要更好地進行安全維護和識別某些類型的網絡危險時，網絡安全人員必須花大量時間在其他來源中搜索信息，對比功能相近的工具并找到最合適的一款工具。另一個問題是，類似的工具可能會產生不同的結果，如：漏洞掃描不全面，數據分析出錯等。因而在進行網絡安全維護時，網絡安全人員在選擇工具時會有一定的難度。對此，Artem Tetskyi 等［5］使用神經網絡創建決策模型以解決在各個應用領域中選擇工具的問題。該方案可行但對于模型要求相對較高。

本文擬提出AHP-TOPSIS［6］模型用于解決選擇工具困難的問題。該模型相對簡單且易于實現，因此將會為使用者在選擇工具時提供一定的參考價值。

AHP-TOPSIS 方法中的混合模型已被先前的研究人員廣泛使用，其準確性已被接受。例如，將AHP-TOPSIS用于衡量區域創新系統的績效評估［7］；AHP-TOPSIS 曾用于評估船舶操作員的壓載水處理系統［8］；利用AHP-TOPSIS 研究印度太陽能電池板開發的可行性［9］；AHP-TOPSIS 也可以用于分析e-SCM 性能［10］；AHP-TOPSIS 也可用于避免城市交叉口的交通擁堵問題［11］；AHP-TOPSIS 甚至于可用于預測大學生未來就業問題［12］。

2 指標體系構建

由于，滲透測試工具種類較多，因此本文的滲透模型主要以嗅探器的選擇為主。而嗅探器的功能各異，故本文主要將模型縮小到在一定的需求下，選擇適合該需求的工具。通過參考“https：//sectools.org/tag/ sniffers/”網站，工具選擇的體系構建應兼顧該工具的功能、使用平臺、評分、聲望等多個因素。本文的評價指標包含定性和定量兩種指標。如表1所示。

3 AHP-TOPSIS模型建立

3.1 建立判斷矩陣

利用層次分析法（Analytic Hierarchy Process，AHP）［13］建立評價方案，該方案主要由目標層、準則層和方案層組成。通過決策者的主觀性，利用兩兩比對法對準則層以及方案層進行賦值構造成對矩陣，輸入的數據都是決策者的主觀判斷值。比較時用1～9 尺度對評價因子進行重要性標度［14］，其中1表示影響相同，3表示影響稍強，5表示影響強，7表示影響明顯強，9 表示影響絕對強，2，4，6，8 則是介于兩個相鄰等級之間，且。構成一個成對比較矩陣（即判斷矩陣）A=(aij)n×n，其中aij表示第i 個因素與第j 個因素相比較而得到的結果。最終得到的判斷矩陣為

表1 測試工具指標評價體系

3.2 計算權向量及一致性檢驗

成對矩陣A 利用Matlab 將其規范化為矩陣Z"，其元素為，且有

求出判斷矩陣每一行評價因子的幾何平均值，對所得向量進行歸一化處理，得到各個評價因子的主觀權重值。計算公式為

為了檢查各矩陣的一致性和正確性，采用特征值原理計算一致性指數CI 。計算公式為

3.3 層次總排序

結合式（1）～（4）求得的準則層和方案層各自的權重值，計算方案層中各個方案對目標層的相對重要性的排序，即權重W=[w1,w2,…,wm]。

3.4 加權標準化矩陣

將方案層各方案相對于準則層的單個準則的影響程度構造成對矩陣Z ，并將Z 根據總排序得到的權重W 進行加權處理，得到加權標準化矩陣P。

3.5 TOPSIS計算歐氏距離

利用TOPSIS法［15］求出加權標準化矩陣P 的正理想解和負理想解，具體計算公式如下所示：

正理想解：

負理想解：

再分別以di*和di0表示各方案的正、負理想解的歐式距離，具體計算如下所示：

計算各方案的貼近度指數Ci，按Ci由大到小排序方案的優劣次序：

3.6 構造最終評價矩陣

由式（10）的結果得到各方案貼近目標的最終矩陣C ，再結合準則層的權重ω，得到最終的綜合評價矩陣Q=ωC 。利用Matlab 求出最終貼近度T進行優劣排序，從而得出結果。

4 試算案例

現有滲透需求為：“嗅探流過網卡的數據并進行分析過濾，篩選出所需的網絡信息”。采用AHP-TOPSIS 模型法選擇合適的嗅探工具。按表1中的指標體系將該需求分解為以下4 個評判屬性指標：功能、評分（Rating）、聲望（popularity）和使用平臺。所選工具應該具備嗅探網卡和自動分析收到的數據包并了解數據包詳細信息等功能。評分和聲望是“https：//sectools.org/tag/ sniffers/”網站為所有工具提供的必有的、固定的屬性。本案例的需求可在Windows、Linux和Apple Mac OS X平臺上進行實驗。

4.1 建立判斷矩陣及進行一致性檢驗

本文所選取的數據均來源于“SecTools.org：排名前125 名的網絡安全工具”，數據具有真實可靠性。自2011 年，該網站提供評級、評論、排序和新工具建議表等功能。根據表1 中的指標體系，現只選取其中4 個包嗅探器工具作為本文實驗分析的數據，這些數據的所有屬性都是基礎語言類型。在對于如何將基礎語言轉化為數據類型的問題中，周波等［16］提出了一種模糊項的新型定量方法：將安全評估中使用的屬性按“高”、“中”、“低”進行排序后再進行量化。本文則先采用人為方法對工具賦予主觀權重，再利用AHP 進行比較，構造成對矩陣。最后利用AHP-TOPSIS模型進行綜合評價。

在利用AHP 構建成對矩陣之前，首先將各個屬性進行適當的賦值，如，比較Wireshark 和Net?workMiner。Wireshark 是一個數據包嗅探器，功能是“可檢查來自實時網絡或磁盤上捕獲文件的數據，也可以通過交互的方式瀏覽已捕獲到的數據，最終可深入了解所需數據包的詳細信息”，按其對本文需求的影響賦其主觀權重9（十分制）；使用者給予的評分是4 分，聲望為2，可在Linux、Apple Mac OS X、Windows 系統上使用，它還提供GUI 界面、源代碼可檢查功能。而NetworkMiner的功能是“可被用作是被動網絡嗅探器（或數據包）的捕獲工具，以便用于檢測操作系統，開放端口等”，按其對本文需求的影響賦其主觀權重7（十分制）；使用者給予的評分是3 分，聲望是20，僅限于再Windows系統上使用，提供GUI 界面、源代碼可檢查等功能?，F將它們依次賦予數值，本文中的數據均是數據嗅探器，因此將這一項均賦值為“1”；將“無線工具”賦值為“2”；聲望值和評分均為各自的數值；各個操作系統均為“1”；可提供GUI 界面賦值為“2”；源代碼可檢查賦值為“3”。因此，Wireshark 的值為“23”，NetworkMiner 的值為“36”。同理將其余兩個工具都賦值。最終的結果如表2 所示，將各屬性（功能、聲望、評分以及使用平臺）分別用X1～X4表示。

表2 數據量化

本文所選取的各個屬性皆是數據源中各個工具所擁有的信息。通過對本文案例的分析，選擇出對本文案例影響較大的屬性作為工具的屬性。為滿足每個不同的需求，AHP-TOPSIS 模型的屬性選擇不是固定唯一的，而是根據需求的不同，需要靈活選擇合適的屬性。

根據表2的數據結合圖1的層次結構模型構建判斷矩陣。其中A 為目標層，B為準則層，C為方案層。

圖1 層次結構模型

4.2 構造加權矩陣并計算貼近度

根據圖1 可列出各方案對于各準則的判斷矩陣，結合表2 中總排序結果中的總排權值構造加權矩陣P。結果如表3所示。

表3 層次總排序結果

（功能）

（評分）

（聲望）

（使用平臺）

利用TOPSIS 法算出P1～P4各矩陣的正、負理想解以及貼近度。方案層的四個方案Wireshark、Kismet、Dsniff 以 及NetworkMiner 分 別 用S1～S4表示。結果如表4所示。

表4 各矩陣的正、負理想解以及貼近度

4.3 構造最終評判加權矩陣，得出結果

5 結語

在本文中，AHP-TOPSIS 方法被用作工具選擇過程的決策支持模型。該模型可用于減少決策中的人為弱點，并獲得更準確的結果。AHP具有很強的主觀性，在構造成對矩陣時，輸入的數據都是決策者的主觀判斷。但它具有簡潔性和實用性，在各個決策分析中占據極其重要的地位。經實驗證明：本文提出的AHP—TOPSIS 模型具有成本低、容易實現、靈活性較強、算法簡單、容易理解、使用Mat?lab 操作代碼較少的特點，并且對于選擇網絡測試工具是比較有效的方法。同時該方法也可適用于其他工具的選擇問題。