大家读完觉得有帮助记得关注和点赞摘要自动化、多向量恶意软件威胁的快速扩散对异构、资源受限的赛博物理网络构成了重大风险。传统的流行病学模型通常将安全防御视为静态参数未能捕捉攻击者与防御者之间战略性的、非对称的博弈。为弥补这一空白本文提出了一种博弈论集成的改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。本文分析并比较了易感S和恢复R节点群体在三种不同运行机制下的演化轨迹均衡对抗、利用激增和强化防御。数值模拟结果捕捉了网络状态变量的实时瞬态动态展示了当防御或进攻缩放向量具有效率优势时流行病曲线的变化。所提出的数学和数值框架为在高度对抗性网络环境中评估动态恶意软件传播和预测局部节点群体状态提供了严格的基础。关键词 攻防策略暴力破解攻击网络安全恶意软件传播SEIR模型。I. 引言随着物联网IoT连接智慧城市的兴起大多数无线系统现在都容易受到恶意软件攻击[1-4]。一些恶意软件攻击包括i蠕虫ii僵尸网络iii病毒iv特洛伊木马和v勒索软件等[5-8]。恶意软件可以允许未经授权访问系统从而导致多种网络安全威胁包括泄露机密信息、消耗宝贵资源或能源甚至敌对接管目标网络[9]。通过网络传播的恶意软件可以被建模以评估其入侵速度并实时预测其未来的影响[10]。网络安全分析师需要动态模拟模型来分析恶意代码通过其网络的演变和传播。2016年Mirai僵尸网络引发了一系列大规模拒绝服务DDoS攻击[11]。Antonakakis等人调查了2016年8月1日至2017年2月28日期间Mirai僵尸网络的增长和DDoS活动并创建了一个综合数据集以开发未来攻击的技术和非技术防御措施[12]。另一个著名的僵尸网络是2019年的Mozi IoT恶意软件攻击它能够感染150万台IoT设备[13]。与依赖集中式命令与控制C2服务器基础设施的Mirai不同Mozi利用了基于分布式哈希表DHT的对等P2P网络拓扑。另一个危险网络威胁的例子是零日勒索软件WannaCry它能够使来自150多个国家的大型企业和医院设施停止运营[14]。WannaCry恶意软件依赖于服务器消息块SMB协议该协议检查IP地址并尝试通过TCP端口445进行连接[15-17]。尽管有安全协议但对传播模型进行全面实时理解以限制传播至关重要。数学模拟在此类分析中可以发挥关键作用。易感、暴露、感染和恢复SEIR通常是恶意软件攻击的四个阶段该模型用于预测受感染网络中的恶意软件传播特别是蠕虫[18,19]。重要的是要理解大多数传统房室模型假设转移率是时不变的因为它只关注特定的攻防策略。然而在现实场景中防御者在严格的操作和计算资源约束下运行或者防御者可以根据攻击者的行动主动改变其策略。随机博弈博弈论与马尔可夫决策过程MDP的结合可用于分析网络攻击中的随机性因此可以纳入传统的SEIR模型。马尔可夫决策过程扩展到多人竞争环境可用于表征网络攻击和防御策略的随机性[20]。这意味着恢复率γ、传播率β和有效再生数Rt不能被视为时不变约束相反它们作为动态变量依赖于在随机博弈框架内执行的局部策略配置。GTI-mSEMP框架本文的主要目标是提出一种博弈论集成的改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。该模型包含i时变攻防响应恢复率ii时变攻防响应传播率以及iii动态有效再生数从而为主动网络攻防场景建立了一个高度真实的仿真环境。本文分为以下部分第二部分相关研究和背景信息第三部分提出的GTI-mSEMP框架第四部分仿真参数第五部分结果与讨论第六部分结论。II. 相关研究与背景信息存在不同类型的流行病模型来模拟恶意软件病毒或蠕虫通过互联无线网络系统的传播[21-25]。理解这些模型对于设计防御机制和确定关键响应至关重要。恶意软件攻击和防御机制的常见状态包括i易感S状态在此状态下无线传感器节点尚未暴露于恶意软件攻击但仍易受潜在攻击。易感节点转变为暴露状态的概率为p。更强大的网络安全网络将具有较低的p值。ii暴露E状态在此状态下传感器节点已暴露于恶意软件除非网络安全团队采用有效的防御机制否则将随时间被感染。Awasthi等人2023提出了暴露状态-1E1和暴露状态-2E2来复制两种类型的恶意软件攻击[21]。iii感染I状态在此状态下受感染的传感器节点可以感染其他相邻传感器节点。恢复率γ取决于防御方和攻击方的策略受感染节点可能转变为恢复状态或因故障而崩溃。iv恢复R状态恢复R状态包括传感器节点已主动从其感染状态中恢复。重新易感率由δ给出。此状态通常被视为网络攻击周期的最后状态。III. 提出的GTI-mSEMP框架A. 易感状态在基础状态中运行的无线传感器节点尚未暴露于恶意负载但存在固有漏洞使其容易受到潜在利用。在离散时间周期内易感节点转变为潜在暴露E状态的概率记为p其中p ∈ [0,1]。数学上p不是一个静态标量而是一个动态条件概率分布是网络空间节点密度或聚类系数、攻击者操作强度和防御者响应安全策略的函数由方程1给出其中ρ是无线传感器网络WSN部署层的空间密度a_A ∈ A表示从攻击者行动空间中选择的进攻策略d_D ∈ D表示从防御者策略库中执行的动态缓解协议。为了捕捉WSN生态系统中高级持续威胁APT的多层性质采用了进攻策略a_A。它是方程2所示的策略行动矩阵决定在时间步t在不同目标选择和攻击向量上分配的进攻资源或能量。其中aᵢⱼ是使用利用向量j针对节点类别i的特定进攻投资或扫描强度。为了对抗APT的多层操作配置防御者策略配置d_D可以形式化为与攻击者矩阵维度匹配的n×m矩阵。其中dᵢⱼ代表防御者为保护节点类别i免受利用层j攻击而分配的安全资产、防御计算周期或网络带宽的百分比。转移概率pᵢⱼ可以建模为方程4所示的比率。为简单起见我们保持节点密度ρ恒定。其中α是防御效率系数防御工具的有效性ε是未采取防御行动时的基线网络脆弱性。整合了进攻和防御策略的易感S阶段变化率由以下方程5给出。其中b表示新节点接入或加入率δ表示重新易感系数表征因补丁过期或配置重置而恢复易感状态的恢复节点。参数pᵢⱼ定义易感节点进入潜伏状态的条件转移概率如方程5所示。ω表示由管理安全机制例如自动防病毒部署驱动的主动免疫率而σ表示硬件损耗率考虑因运行能量和电池限制导致的传感器节点故障。B. 暴露状态E类似地暴露状态E由方程6给出。其中[pᵢⱼ(A, D) ρ] S I表示恶意软件从易感S到潜伏暴露E状态的主动传播率。(λ₁ σ)E决定从潜伏状态的总退出率。λ₁表示暴露节点E转变为感染节点I的转变率。在经典流行病模型中λ₁从暴露到感染的潜伏期或转变率是固定的硬件或软件常数代表病毒自然执行所需的时间。然而在高级网络战场景中这个转变窗口会被参与的攻防双方主动操纵。潜伏转变率系数在离散时间执行环境中被限制在λ₁ ∈ [0,1]。该系数表征恶意软件负载的操作延迟λ₁0表示绝对执行抑制而λ₁1表示恶意进程线程从潜伏暴露E区间到活跃感染I区间的瞬时单周期初始化。数学上潜伏转变系数λ₁ f(ρ, a_A, d_D)可写为方程7。其中λ₀是恶意软件二进制的基线硬件执行速度a_{A.exec}是攻击者在负载优化上的战略投资d_{D.audit}是该特定节点层的防御者运行时审计强度。如果攻击者的执行加速系数μ很大则恶意软件针对目标架构高度优化允许小的战术投资急剧加速到爆发速度。类似地防御者的检测效率系数η是衡量防御者审计工具在主动发现、减缓或沙箱化未授权进程线程方面的有效性。类似地防御者的检测效率系数η是衡量防御者审计工具在主动发现、减缓或沙箱化未授权进程线程方面的有效性。如果网络中存在同时发生的多个恶意软件攻击则暴露状态可以用Eₙ表示相应的转变率为λₙ其中n ∈ {1,2,3 …… N}。C. 感染状态I在感染I状态期间受损的传感器节点拥有活跃的、正在执行的恶意软件负载并通过WSN拓扑向相邻的易感和潜伏节点传播恶意数据包。有效恢复率γᵢⱼ(A, D)被形式化为攻防策略配置的联合函数。从感染区间节点可以转入两种路径之一i通过管理补丁部署和缓解向量进入恢复路径ii因恶意资源耗尽导致的操作崩溃或硬件故障而永久退出网络拓扑。数学上感染状态I由方程8给出其中γᵢⱼ(A, D) I是节点被成功修补并转移到恢复状态的策略性流出率。然而对于同时发生的恶意软件攻击初始化其负载的潜伏节点流入量由以下方程9给出潜伏节点初始化其负载的流入量 策略恢复率包括动态的攻防策略配置类似于我们的易感概率。数学上γᵢⱼ f(ρ, a_A, d_D) 可表示为方程10其中γ₀是基线网络恢复率可能包括自动备份或重启频率。类似地η_I和μ_I是缩放敏感系数定义在恢复阶段每个参与者主动策略的操作有效性。D. 恢复状态I[原文此处应为R]这包括已成功修复并对活跃恶意软件株系免疫的传感器节点子群体。节点通过两种不同渠道进入此状态i通过管理安全广播从易感S池主动进入或ii在成功进行本地固件修补γᵢⱼ I后从感染I池反应性进入。重新易感率即恢复节点失去免疫力并恢复为易感S状态由策略函数δᵢⱼ(A, D)控制。该函数形式捕捉了对手aᵢⱼ和dᵢⱼ之间的实时竞争摩擦。数学上恢复状态由方程11给出其中ω S是主动后台防御通道σ R是后台死亡率。博弈依赖的重新易感系数δᵢⱼ f(ρ, a_A, d_D)由方程12给出其中δ₀是补丁退化的基线自然率μ_R、η_R是缩放敏感系数。IV. 仿真参数为评估所提出的GTI-mSEMP框架的操作动态基线仿真模型将网络拓扑分为三个不同的异构节点类别i核心网关ii中间路由节点和iii低功耗外围传感器。相应地评估了两种主要对抗向量以代表不同严重程度的威胁i暴力破解攻击BFA特征为自动化凭证猜测例程和ii零日漏洞利用代表针对未记录软件或硬件漏洞的复杂攻击[26-29]。攻击者和防御者的策略资源分配配置被映射到一个联合3×2博弈矩阵A, D ∈ R³ˣ²其中行向量对应目标拓扑节点层列向量量化分配给每个利用场景的相对资源。为分析不同战术条件下的系统敏感性研究了三种基础操作机制案例I——均衡对抗建立双方对称资源分配的基线案例II——规避性利用激增模拟防御者被严重智取的策略失配案例III——激进隔离表征由增强管理防御控制强化的网络态势。为数学上评估这三种策略机制攻击者A和防御者D的资源分配矩阵在跨网络层第1行网关第2行路由节点第3行外围设备和利用向量第1列BFA第2列零日攻击上进行参数化。案例I均衡对抗A₁ ( 0.40 0.20 )( 0.30 0.10 )( 0.00 0.00 )D₁ ( 0.40 0.20 )( 0.30 0.10 )( 0.00 0.00 )案例II规避性利用激增A₂ ( 0.00 0.10 )( 0.00 0.90 )( 0.00 0.00 )D₂ ( 0.50 0.10 )( 0.30 0.10 )( 0.00 0.00 )案例III激进隔离A₃ ( 0.50 0.20 )( 0.20 0.10 )( 0.00 0.00 )D₃ ( 0.80 0.10 )( 0.10 0.00 )( 0.00 0.00 )为评估所提出GTI-mSEMP框架的性能在MATLAB中开发了动态仿真环境结果比较于图1。耦合微分方程组使用四阶龙格-库塔RK4方法进行数值求解固定积分步长0.02仿真时域t ∈ [0,50] 周期。网络配置由分布在三个局部操作层的异构传感器拓扑组成。为进行比较研究以评估所提出网络框架内易感、暴露、感染和恢复SEIR状态的动态闭环轨迹使用表I中列出的参数进行了MATLAB仿真。在这种反应性和规避性对抗案例II中防御资源被动态分配给恶意足迹当前激增的扇区。这无意中暴露了一个残余向量空间规避性攻击者可以策略性地利用智取防御并导致延长的流行足迹。数学上这种闭环优化机制由方程13和14控制。该模型的实时状态轨迹及每个节点类别的相应防御者资源分配跟踪如图2所示。令 i ∈ {1,2,3} 表示特定网络层分别为网关、路由和外围设备。防御分配权重向量 D_{weight,i}(t) 根据活跃感染足迹在每个时间周期动态计算。表IGTI-mSEMP框架仿真中使用的参数参数数值描述b0.5新节点接入率ω0.05主动免疫率σ0.002硬件损耗率ρ0.002节点密度α5防御效率系数ε0.02基线网络脆弱性λ₀0.15基线硬件执行速度γ₀0.08基线网络恢复率δ₀0.04补丁退化基线自然率V. 结果与讨论图1展示了易感S和恢复R节点群体在三种研究机制下的操作轨迹。在案例III激进隔离下易感节点群体表现出最陡峭的初始下降达到7.5秒的稳态阈值。虽然案例III在核心网关上具有强化态势但这种防御资产的激进集中使中间路由和外围层资源易受攻击。对手随后可以利用这些未强化的扇区加速系统范围健康节点的耗竭相比案例II中观察到的更平缓衰减。这种结构性脆弱性进一步反映在恢复轨迹中案例I均衡对抗实现了最高的全局修复上限约435个节点。这表明防御资本在所有拓扑层上的均衡分布相比超本地化的非对称防御策略能产生更优的长期网络韧性。动态闭环博弈的瞬态和稳态行为如图2所示。如初始状态配置所示外围层以500个节点的最大群体规模和15个节点的活跃感染足迹开始。相反网关基础设施包含高度限制的150个节点基线足迹最初只有5个节点被入侵。这种初始分布直接驱动了图2右所示的优化跟踪引擎因为局部威胁量绝大多数集中在网络边缘防御者的分配比例在外围层最大化在网关层最小化。图1案例I均衡对抗、案例II利用激增和案例III强化防御的易感S和恢复R节点群体操作轨迹。左易感节点轨迹。右恢复节点轨迹。然而在瞬态时域 t ∈ [0,50] 周期内发生快速流行病级联特征是易感S节点急剧下降同时暴露E和感染I群体上升并最终被抑制。同时恢复R区间在达到稳态平衡之前快速扩展如图2左所示。这种成功稳定直接归因于流畅的闭环博弈机制随着威胁向量跨层传播防御者动态更新其策略矩阵稳步增加对网关防御的资源分配同时工程化控制外围预算份额的减少。这证明持续实时更新资源分配成功对抗了攻击者的规避策略并直接决定了更广泛赛博物理网络的恢复率。必须强调在图2中博弈论缩放向量有利于防御者η μη_I μ_Iη_R μ_R为安全基础设施提供了显著操作优势。当这些非对称缩放关系反转时观察到不同的流行足迹详见比较分析图3。为评估GTI-mSEMP框架在高度不利条件下的敏感性图3显示了当博弈论缩放向量反转以有利于进攻能力μ_I 5.0η_I 2.0μ_R 6.0η_R 1.5时的系统状态轨迹。在此非对称配置下网络经历严重流行病级联。如图3左所示感染I群体经历大规模、无节制的激增峰值约为450个节点——与图2中使用的防御策略相比显著高出400%以上。图2闭环规避博弈分析案例II。左跨SEIR区间的累积传感器节点数的时间演化。右跨异构网络层的防御资源分配动态收敛。由于攻击者在局部修补和抑制率上占优I(t)曲线在大部分瞬态时域内明显高于恢复R曲线健康易感S节点群体降至125个的极低水平。图3右中相应的优化跟踪在早期表现出高波动性因为防御者转移预算分配以抑制激进的跨层恶意软件传播最终稳定在稳态平衡。VI. 结论本文提出了一种针对资源受限赛博物理网络的新型博弈论集成改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。通过将安全环境建模为动态闭环规避博弈案例II本文数学上形式化了防御者与能够预测和利用残余防御缺口的对手之间的反应性交互。通过四阶龙格-库塔积分执行的数值模拟验证了所提出的模型在防御缩放因子具有操作效率优势时的表现这通过抑制的流行足迹和仿真输出中平坦化的感染I峰值来体现。相反还评估了进攻主导场景下的敏感性分析其中观察到活跃感染I峰值同时脆弱易感S节点群体迅速下降。这些发现验证了实时状态依赖的资源优化对于破坏暴力破解攻击BFA和零日威胁等自动化传播引擎至关重要。图3反转缩放向量下的系统轨迹变体II。左由于攻击者能力增强无节制的流行级联抑制了易感节点。右严重网络压力下跨异构节点层的动态优化跟踪。
大家读完觉得有帮助记得关注和点赞摘要自动化、多向量恶意软件威胁的快速扩散对异构、资源受限的赛博物理网络构成了重大风险。传统的流行病学模型通常将安全防御视为静态参数未能捕捉攻击者与防御者之间战略性的、非对称的博弈。为弥补这一空白本文提出了一种博弈论集成的改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。本文分析并比较了易感S和恢复R节点群体在三种不同运行机制下的演化轨迹均衡对抗、利用激增和强化防御。数值模拟结果捕捉了网络状态变量的实时瞬态动态展示了当防御或进攻缩放向量具有效率优势时流行病曲线的变化。所提出的数学和数值框架为在高度对抗性网络环境中评估动态恶意软件传播和预测局部节点群体状态提供了严格的基础。关键词 攻防策略暴力破解攻击网络安全恶意软件传播SEIR模型。I. 引言随着物联网IoT连接智慧城市的兴起大多数无线系统现在都容易受到恶意软件攻击[1-4]。一些恶意软件攻击包括i蠕虫ii僵尸网络iii病毒iv特洛伊木马和v勒索软件等[5-8]。恶意软件可以允许未经授权访问系统从而导致多种网络安全威胁包括泄露机密信息、消耗宝贵资源或能源甚至敌对接管目标网络[9]。通过网络传播的恶意软件可以被建模以评估其入侵速度并实时预测其未来的影响[10]。网络安全分析师需要动态模拟模型来分析恶意代码通过其网络的演变和传播。2016年Mirai僵尸网络引发了一系列大规模拒绝服务DDoS攻击[11]。Antonakakis等人调查了2016年8月1日至2017年2月28日期间Mirai僵尸网络的增长和DDoS活动并创建了一个综合数据集以开发未来攻击的技术和非技术防御措施[12]。另一个著名的僵尸网络是2019年的Mozi IoT恶意软件攻击它能够感染150万台IoT设备[13]。与依赖集中式命令与控制C2服务器基础设施的Mirai不同Mozi利用了基于分布式哈希表DHT的对等P2P网络拓扑。另一个危险网络威胁的例子是零日勒索软件WannaCry它能够使来自150多个国家的大型企业和医院设施停止运营[14]。WannaCry恶意软件依赖于服务器消息块SMB协议该协议检查IP地址并尝试通过TCP端口445进行连接[15-17]。尽管有安全协议但对传播模型进行全面实时理解以限制传播至关重要。数学模拟在此类分析中可以发挥关键作用。易感、暴露、感染和恢复SEIR通常是恶意软件攻击的四个阶段该模型用于预测受感染网络中的恶意软件传播特别是蠕虫[18,19]。重要的是要理解大多数传统房室模型假设转移率是时不变的因为它只关注特定的攻防策略。然而在现实场景中防御者在严格的操作和计算资源约束下运行或者防御者可以根据攻击者的行动主动改变其策略。随机博弈博弈论与马尔可夫决策过程MDP的结合可用于分析网络攻击中的随机性因此可以纳入传统的SEIR模型。马尔可夫决策过程扩展到多人竞争环境可用于表征网络攻击和防御策略的随机性[20]。这意味着恢复率γ、传播率β和有效再生数Rt不能被视为时不变约束相反它们作为动态变量依赖于在随机博弈框架内执行的局部策略配置。GTI-mSEMP框架本文的主要目标是提出一种博弈论集成的改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。该模型包含i时变攻防响应恢复率ii时变攻防响应传播率以及iii动态有效再生数从而为主动网络攻防场景建立了一个高度真实的仿真环境。本文分为以下部分第二部分相关研究和背景信息第三部分提出的GTI-mSEMP框架第四部分仿真参数第五部分结果与讨论第六部分结论。II. 相关研究与背景信息存在不同类型的流行病模型来模拟恶意软件病毒或蠕虫通过互联无线网络系统的传播[21-25]。理解这些模型对于设计防御机制和确定关键响应至关重要。恶意软件攻击和防御机制的常见状态包括i易感S状态在此状态下无线传感器节点尚未暴露于恶意软件攻击但仍易受潜在攻击。易感节点转变为暴露状态的概率为p。更强大的网络安全网络将具有较低的p值。ii暴露E状态在此状态下传感器节点已暴露于恶意软件除非网络安全团队采用有效的防御机制否则将随时间被感染。Awasthi等人2023提出了暴露状态-1E1和暴露状态-2E2来复制两种类型的恶意软件攻击[21]。iii感染I状态在此状态下受感染的传感器节点可以感染其他相邻传感器节点。恢复率γ取决于防御方和攻击方的策略受感染节点可能转变为恢复状态或因故障而崩溃。iv恢复R状态恢复R状态包括传感器节点已主动从其感染状态中恢复。重新易感率由δ给出。此状态通常被视为网络攻击周期的最后状态。III. 提出的GTI-mSEMP框架A. 易感状态在基础状态中运行的无线传感器节点尚未暴露于恶意负载但存在固有漏洞使其容易受到潜在利用。在离散时间周期内易感节点转变为潜在暴露E状态的概率记为p其中p ∈ [0,1]。数学上p不是一个静态标量而是一个动态条件概率分布是网络空间节点密度或聚类系数、攻击者操作强度和防御者响应安全策略的函数由方程1给出其中ρ是无线传感器网络WSN部署层的空间密度a_A ∈ A表示从攻击者行动空间中选择的进攻策略d_D ∈ D表示从防御者策略库中执行的动态缓解协议。为了捕捉WSN生态系统中高级持续威胁APT的多层性质采用了进攻策略a_A。它是方程2所示的策略行动矩阵决定在时间步t在不同目标选择和攻击向量上分配的进攻资源或能量。其中aᵢⱼ是使用利用向量j针对节点类别i的特定进攻投资或扫描强度。为了对抗APT的多层操作配置防御者策略配置d_D可以形式化为与攻击者矩阵维度匹配的n×m矩阵。其中dᵢⱼ代表防御者为保护节点类别i免受利用层j攻击而分配的安全资产、防御计算周期或网络带宽的百分比。转移概率pᵢⱼ可以建模为方程4所示的比率。为简单起见我们保持节点密度ρ恒定。其中α是防御效率系数防御工具的有效性ε是未采取防御行动时的基线网络脆弱性。整合了进攻和防御策略的易感S阶段变化率由以下方程5给出。其中b表示新节点接入或加入率δ表示重新易感系数表征因补丁过期或配置重置而恢复易感状态的恢复节点。参数pᵢⱼ定义易感节点进入潜伏状态的条件转移概率如方程5所示。ω表示由管理安全机制例如自动防病毒部署驱动的主动免疫率而σ表示硬件损耗率考虑因运行能量和电池限制导致的传感器节点故障。B. 暴露状态E类似地暴露状态E由方程6给出。其中[pᵢⱼ(A, D) ρ] S I表示恶意软件从易感S到潜伏暴露E状态的主动传播率。(λ₁ σ)E决定从潜伏状态的总退出率。λ₁表示暴露节点E转变为感染节点I的转变率。在经典流行病模型中λ₁从暴露到感染的潜伏期或转变率是固定的硬件或软件常数代表病毒自然执行所需的时间。然而在高级网络战场景中这个转变窗口会被参与的攻防双方主动操纵。潜伏转变率系数在离散时间执行环境中被限制在λ₁ ∈ [0,1]。该系数表征恶意软件负载的操作延迟λ₁0表示绝对执行抑制而λ₁1表示恶意进程线程从潜伏暴露E区间到活跃感染I区间的瞬时单周期初始化。数学上潜伏转变系数λ₁ f(ρ, a_A, d_D)可写为方程7。其中λ₀是恶意软件二进制的基线硬件执行速度a_{A.exec}是攻击者在负载优化上的战略投资d_{D.audit}是该特定节点层的防御者运行时审计强度。如果攻击者的执行加速系数μ很大则恶意软件针对目标架构高度优化允许小的战术投资急剧加速到爆发速度。类似地防御者的检测效率系数η是衡量防御者审计工具在主动发现、减缓或沙箱化未授权进程线程方面的有效性。类似地防御者的检测效率系数η是衡量防御者审计工具在主动发现、减缓或沙箱化未授权进程线程方面的有效性。如果网络中存在同时发生的多个恶意软件攻击则暴露状态可以用Eₙ表示相应的转变率为λₙ其中n ∈ {1,2,3 …… N}。C. 感染状态I在感染I状态期间受损的传感器节点拥有活跃的、正在执行的恶意软件负载并通过WSN拓扑向相邻的易感和潜伏节点传播恶意数据包。有效恢复率γᵢⱼ(A, D)被形式化为攻防策略配置的联合函数。从感染区间节点可以转入两种路径之一i通过管理补丁部署和缓解向量进入恢复路径ii因恶意资源耗尽导致的操作崩溃或硬件故障而永久退出网络拓扑。数学上感染状态I由方程8给出其中γᵢⱼ(A, D) I是节点被成功修补并转移到恢复状态的策略性流出率。然而对于同时发生的恶意软件攻击初始化其负载的潜伏节点流入量由以下方程9给出潜伏节点初始化其负载的流入量 策略恢复率包括动态的攻防策略配置类似于我们的易感概率。数学上γᵢⱼ f(ρ, a_A, d_D) 可表示为方程10其中γ₀是基线网络恢复率可能包括自动备份或重启频率。类似地η_I和μ_I是缩放敏感系数定义在恢复阶段每个参与者主动策略的操作有效性。D. 恢复状态I[原文此处应为R]这包括已成功修复并对活跃恶意软件株系免疫的传感器节点子群体。节点通过两种不同渠道进入此状态i通过管理安全广播从易感S池主动进入或ii在成功进行本地固件修补γᵢⱼ I后从感染I池反应性进入。重新易感率即恢复节点失去免疫力并恢复为易感S状态由策略函数δᵢⱼ(A, D)控制。该函数形式捕捉了对手aᵢⱼ和dᵢⱼ之间的实时竞争摩擦。数学上恢复状态由方程11给出其中ω S是主动后台防御通道σ R是后台死亡率。博弈依赖的重新易感系数δᵢⱼ f(ρ, a_A, d_D)由方程12给出其中δ₀是补丁退化的基线自然率μ_R、η_R是缩放敏感系数。IV. 仿真参数为评估所提出的GTI-mSEMP框架的操作动态基线仿真模型将网络拓扑分为三个不同的异构节点类别i核心网关ii中间路由节点和iii低功耗外围传感器。相应地评估了两种主要对抗向量以代表不同严重程度的威胁i暴力破解攻击BFA特征为自动化凭证猜测例程和ii零日漏洞利用代表针对未记录软件或硬件漏洞的复杂攻击[26-29]。攻击者和防御者的策略资源分配配置被映射到一个联合3×2博弈矩阵A, D ∈ R³ˣ²其中行向量对应目标拓扑节点层列向量量化分配给每个利用场景的相对资源。为分析不同战术条件下的系统敏感性研究了三种基础操作机制案例I——均衡对抗建立双方对称资源分配的基线案例II——规避性利用激增模拟防御者被严重智取的策略失配案例III——激进隔离表征由增强管理防御控制强化的网络态势。为数学上评估这三种策略机制攻击者A和防御者D的资源分配矩阵在跨网络层第1行网关第2行路由节点第3行外围设备和利用向量第1列BFA第2列零日攻击上进行参数化。案例I均衡对抗A₁ ( 0.40 0.20 )( 0.30 0.10 )( 0.00 0.00 )D₁ ( 0.40 0.20 )( 0.30 0.10 )( 0.00 0.00 )案例II规避性利用激增A₂ ( 0.00 0.10 )( 0.00 0.90 )( 0.00 0.00 )D₂ ( 0.50 0.10 )( 0.30 0.10 )( 0.00 0.00 )案例III激进隔离A₃ ( 0.50 0.20 )( 0.20 0.10 )( 0.00 0.00 )D₃ ( 0.80 0.10 )( 0.10 0.00 )( 0.00 0.00 )为评估所提出GTI-mSEMP框架的性能在MATLAB中开发了动态仿真环境结果比较于图1。耦合微分方程组使用四阶龙格-库塔RK4方法进行数值求解固定积分步长0.02仿真时域t ∈ [0,50] 周期。网络配置由分布在三个局部操作层的异构传感器拓扑组成。为进行比较研究以评估所提出网络框架内易感、暴露、感染和恢复SEIR状态的动态闭环轨迹使用表I中列出的参数进行了MATLAB仿真。在这种反应性和规避性对抗案例II中防御资源被动态分配给恶意足迹当前激增的扇区。这无意中暴露了一个残余向量空间规避性攻击者可以策略性地利用智取防御并导致延长的流行足迹。数学上这种闭环优化机制由方程13和14控制。该模型的实时状态轨迹及每个节点类别的相应防御者资源分配跟踪如图2所示。令 i ∈ {1,2,3} 表示特定网络层分别为网关、路由和外围设备。防御分配权重向量 D_{weight,i}(t) 根据活跃感染足迹在每个时间周期动态计算。表IGTI-mSEMP框架仿真中使用的参数参数数值描述b0.5新节点接入率ω0.05主动免疫率σ0.002硬件损耗率ρ0.002节点密度α5防御效率系数ε0.02基线网络脆弱性λ₀0.15基线硬件执行速度γ₀0.08基线网络恢复率δ₀0.04补丁退化基线自然率V. 结果与讨论图1展示了易感S和恢复R节点群体在三种研究机制下的操作轨迹。在案例III激进隔离下易感节点群体表现出最陡峭的初始下降达到7.5秒的稳态阈值。虽然案例III在核心网关上具有强化态势但这种防御资产的激进集中使中间路由和外围层资源易受攻击。对手随后可以利用这些未强化的扇区加速系统范围健康节点的耗竭相比案例II中观察到的更平缓衰减。这种结构性脆弱性进一步反映在恢复轨迹中案例I均衡对抗实现了最高的全局修复上限约435个节点。这表明防御资本在所有拓扑层上的均衡分布相比超本地化的非对称防御策略能产生更优的长期网络韧性。动态闭环博弈的瞬态和稳态行为如图2所示。如初始状态配置所示外围层以500个节点的最大群体规模和15个节点的活跃感染足迹开始。相反网关基础设施包含高度限制的150个节点基线足迹最初只有5个节点被入侵。这种初始分布直接驱动了图2右所示的优化跟踪引擎因为局部威胁量绝大多数集中在网络边缘防御者的分配比例在外围层最大化在网关层最小化。图1案例I均衡对抗、案例II利用激增和案例III强化防御的易感S和恢复R节点群体操作轨迹。左易感节点轨迹。右恢复节点轨迹。然而在瞬态时域 t ∈ [0,50] 周期内发生快速流行病级联特征是易感S节点急剧下降同时暴露E和感染I群体上升并最终被抑制。同时恢复R区间在达到稳态平衡之前快速扩展如图2左所示。这种成功稳定直接归因于流畅的闭环博弈机制随着威胁向量跨层传播防御者动态更新其策略矩阵稳步增加对网关防御的资源分配同时工程化控制外围预算份额的减少。这证明持续实时更新资源分配成功对抗了攻击者的规避策略并直接决定了更广泛赛博物理网络的恢复率。必须强调在图2中博弈论缩放向量有利于防御者η μη_I μ_Iη_R μ_R为安全基础设施提供了显著操作优势。当这些非对称缩放关系反转时观察到不同的流行足迹详见比较分析图3。为评估GTI-mSEMP框架在高度不利条件下的敏感性图3显示了当博弈论缩放向量反转以有利于进攻能力μ_I 5.0η_I 2.0μ_R 6.0η_R 1.5时的系统状态轨迹。在此非对称配置下网络经历严重流行病级联。如图3左所示感染I群体经历大规模、无节制的激增峰值约为450个节点——与图2中使用的防御策略相比显著高出400%以上。图2闭环规避博弈分析案例II。左跨SEIR区间的累积传感器节点数的时间演化。右跨异构网络层的防御资源分配动态收敛。由于攻击者在局部修补和抑制率上占优I(t)曲线在大部分瞬态时域内明显高于恢复R曲线健康易感S节点群体降至125个的极低水平。图3右中相应的优化跟踪在早期表现出高波动性因为防御者转移预算分配以抑制激进的跨层恶意软件传播最终稳定在稳态平衡。VI. 结论本文提出了一种针对资源受限赛博物理网络的新型博弈论集成改进型多无线传感器流行病恶意软件传播GTI-mSEMP框架。通过将安全环境建模为动态闭环规避博弈案例II本文数学上形式化了防御者与能够预测和利用残余防御缺口的对手之间的反应性交互。通过四阶龙格-库塔积分执行的数值模拟验证了所提出的模型在防御缩放因子具有操作效率优势时的表现这通过抑制的流行足迹和仿真输出中平坦化的感染I峰值来体现。相反还评估了进攻主导场景下的敏感性分析其中观察到活跃感染I峰值同时脆弱易感S节点群体迅速下降。这些发现验证了实时状态依赖的资源优化对于破坏暴力破解攻击BFA和零日威胁等自动化传播引擎至关重要。图3反转缩放向量下的系统轨迹变体II。左由于攻击者能力增强无节制的流行级联抑制了易感节点。右严重网络压力下跨异构节点层的动态优化跟踪。
