基于SOA架構的M-Cache對供應鏈安全風險預警系統研究

關鍵詞：面向服務的架構；供應鏈系統；監控緩存；檢測準確率

中圖分類號：TP277 文獻標志碼：A 文章編號：1001-5922（2024）12-0193-04

近年來，供應鏈風險預警與決策系統已廣泛應用于現代工業、農業、機械等領域[1]。然而，隨著供應鏈系統的大量應用，面臨潛在的安全風險，例如硬件木馬，瞬態故障，分布式拒絕服務，緩沖區溢出攻擊，克隆攻擊等[2-4]。上述的數據篡改和攻擊可能導致系統功能改變，信息泄漏，服務崩潰，甚至導致系統損壞[5]。因此，迫切需要有效地解決供應鏈風險預警與決策系統的安全問題。面向服務的架構（SOA）由于其分布式環境、服務的可重用性、服務之間松散的耦合、定義明確的公共接口和標準化的通信協議等特點，已廣泛應用于云計算、電網等關鍵領域[6]。且SOA可以使分布式計算和服務集成能夠跨平臺執行[7]。而供應鏈風險預警與決策系統，是一種利用服務發現并集成這些服務以執行指定功能的彈性結構系統[8]。通常供應鏈風險預警與決策系統利用隨機存取存儲器（RAM）中存儲基本塊參考信息，由于內存中的參考信息值是按照起始有效地址（EAstart）的升序排列的[9]，而起始有效地址并不是連續的，因此從外部內存中搜索供應鏈風險預警與決策系統中的故障參考信息將耗費大量時間[10]。將系統完整性檢查與檢查點備份和恢復相結合，但基本塊的大小被限制在地址監控表[11]。在完成基本塊驗證后進行備份是一個合理的機會，并提出了基于基本塊的監測和恢復框架[12]。基于此，本文提出利于面向服務架構，建立M-Cache的方法，以提高系統數據篡改攻擊檢測性能。根據基本塊的特點修改了指令高速緩存的數據結構，得到監控緩存（M-Cache）的數據結構[13]。然后驗證供應鏈風險預警與決策系統的數據完整性，以確保實時檢測運行系統。

1基于SOA架構的M-Cache監控緩存

1.1M-Cache監控緩存結構

安全監控單元（SMU）始終監控系統ID階段的指令[14]。一旦檢測到基本塊的開始指令，當前基本塊將被發送到供應鏈風險預警與決策系統中的監控緩存（M-Cache）中。M-Cache將根據當前基本塊的低位對緩存參考信息起始有效地址的監控緩存進行索引。索引值將與輸入的當前基本塊進行比較。如果監控緩存命中，則會將存儲在監控緩存RAM中，并相應基本塊參考信息發送到安全監控單元。否則，一旦遺漏，將通過搜索方法從外部存儲器讀取相關參考值[15]。如果在內存中沒有找到這樣的起始有效地址，則表示當前的基本塊是一個非法塊，可能是一個被篡改的基本塊。因此，將向安全監控單元發出一個名為BBinvalid的無效信號。

代碼根據其連續地址存儲到供應鏈系統內存中，這樣指令高速緩存就可以在一行中緩沖多個相鄰指令，并通過這些緩沖指令的公共地址位進行索引。相反，基本塊參考信息值是按起始有效地址的升序排列在內存中的，并不連續。因此，基本塊參考信息只能通過緩沖參考信息的低位在M-Cache中進行索引[16]。

1.2內存訪問

當M-Cache出現錯誤時，安全監控單元（SMU）將訪問內存以搜索當前基本塊的參考信息。由于所有基本塊的起始有效地址都不是連續的，因此很難在基本塊和存儲在內存中的物理地址之間提供通用的對應關系來獲取基本塊的參考信息。二進制搜索和插值搜索是用于檢索連續不連續數據（如基本塊參考信息）的典型算法[17]。與二進制搜索法類似，插值搜索算法根據數據訪問比例從搜索范圍中選擇地址。每次的訪問地址按下式計算：

2結果分析與討論

2.1實驗平臺

為了驗證所提出的安全機制，采用基于Open?RISC-1000框架的32位處理器OR1200作為CPU核心。OR1200處理器支持五級流水線MMU、獨立的8KB指令高速緩沖存儲器和8KB數據緩存。此外，還為供應鏈風險預警與決策系統的并行閃存、串行端口和以太網等外設配置了必要的控制器。此外，使用基于OR1200的GNU工具來編譯和鏈接測試系統，并從編譯后的程序中提取基本塊，以生成程序的完整參考信息[19]。

2.2系統數據檢測率

為了模擬攻擊者對供應鏈風險預警與決策系統中3種不同數據篡改攻擊（代碼數據、內存數據、動態數據），在每個測試程序的源文件中隨機選擇不同參數，例如輸入變量和靜態變量，并修改參數的值。然后在測試平臺上運行被篡改的程序，觀察利用SOA所構建監控緩存是否能夠探測到攻擊。同時攻擊次數分別設定為50、100、200、300、400次。

表1為本文提出的面向服務架構的監控緩存對供應鏈中3種不同數據篡改攻擊的檢測率。

由表1可知，3種不同數據篡改攻擊的檢測率隨攻擊次數增加而降低，但下降幅度較低，最高下降幅度為1.9%，主要原因為監控緩存具有足夠空間的存儲器來進行大規模故障監控。且3種不同數據篡改攻擊的檢測率均大于98%，進一步突出SOA所構建的監控緩存能有效檢測到數據篡改攻擊。此外，對系統代碼攻擊和對內存數據的攻擊更容易被檢測，內存數據的攻擊檢測率最大為99.6%，最小為98.6%，原因是供應鏈風險預警與決策系統二進制文件包含程序不使用的庫函數。即使攻擊者篡改這些函數的數據，但其代碼也不會被執行[20]。因此，監控緩存可以檢測到代碼數據攻擊和動態數據。而內存數據需要從供應鏈風險預警與決策系統內存中提取出來并進行檢測，且系統篡改的基本塊不容易被發現，會進一步導致內存數據檢測率較低，但其檢測率仍大于98.6%，可滿足實際檢測需求。

2.3系統單節點數據檢測

如果攻擊者的資源有限，則需要攻擊供應鏈風險預警與決策系統中的單節點來實現數據纂改攻擊。因此將本文所提出的SOA所構建的監控緩存方法與隨機森林模型與深度學習模型進行對比，以評估3種方法對系統單節點纂改數據檢測的準確率。結果如圖1所示。

由圖1可知，監控緩存方法具有較高的檢測準確率，在訓練次數小于80次時，檢測準確率均大于隨機森林模型與深度學習模型，而當訓練次數大于80次時，檢測準確率趨于穩定變化。且由于供應鏈風險預警與決策系統的節點較少，不同模型的檢測結果在訓練次數120次以上的差距較小。同時可觀察到，隨機森林模型的收斂速度比監控緩存方法慢，監控緩存方法的檢測準確率達到99.07%，優于隨機森林模型的98.50%，進一步降低了漏檢率。而深度學習模型與監控緩存方法在訓練次數120次以后，準確率較為接近，但深度學習模型在訓練次數120次前準確率較低，因此監控緩存方法的單節點纂改數據檢測準確率優于隨機森林模型與深度學習模型。

2.4不同篡改數據攻擊功率對檢測結果的影響

攻擊者在供應鏈風險預警與決策系統上進行篡改數據攻擊時，會使用不同的攻擊力，攻擊功率越小，檢測到的基本塊變化越小，攻擊不容易被發現。因此對不同攻擊功率對應的檢測準確率進行研究，結果如圖2所示。

由圖2可知，隨著攻擊強度的增加，檢測準確率也隨之提高。將攻擊功率設置為1W，檢測精度僅為56.28%，檢測效率較低，由于功率過低，供應鏈風險預警與決策系統防護墻可直接攔截篡改數據攻擊，對系統影響較小。當攻擊功率達到6W時，基于SOA的監控緩存方法具有出色的檢測效果，檢測準確率為98.03%。隨著攻擊功率增大，檢測準確率仍呈上升趨勢，但增加趨勢較小。當攻擊功率為10W，本文所提出的監控緩存方法最大檢測準確率為99.1%。

3結語

本文基于面向服務的架構，提出M-Cache方法，以檢查供應鏈風險預警與決策系統的數據完整性，防止數據發生篡改，影響供應鏈風險預警與決策系統的正常運行。實驗結果表明，監控緩存方法可以檢測到代碼數據攻擊和動態數據。監控緩存方法具有較高的檢測準確率，在訓練次數小于80次時，檢測準確率均大于隨機森林模型與深度學習模型，而當訓練次數大于80次時，檢測準確率趨于穩定變化，較多的訓練次數對監控緩存檢測準確率影響較小。隨著攻擊強度的增加，檢測準確率也隨之提高，綜上所述，基于面向服務架構，提出的M-Cache方法，可有效檢測到篡改數據攻擊，檢測準確率滿足供應鏈風險預警與決策系統實際運行需求。