面向戰略問題決策分析的病毒傳播模型及可視化

崔超 羅批

隨著信息技術的不斷發展進步和廣泛應用,網絡空間已經成為與陸、海、空、天并列的第五維空間[1].在網絡空間這一新型空間發生的危機事件也越來越多,時刻發生著卻常常不容易被察覺.近些年,為了應對網絡空間安全,諸多國家紛紛出臺了網絡空間國家安全戰略,成立了網絡空間力量,并積極展開相關工作.習主席在黨的十八大提出,要高度關注網絡空間安全.十八屆三中全會后,我國成立了中央網絡安全和信息化領導小組,多項針對網絡空間安全的政策措施和相關工作也在積極地展開.

戰略問題決策分析主要是面向高級研究人員,利用現代信息技術,用模擬仿真的方法對戰略問題進行研究,是提升網絡空間危機事件預防和應對能力的一種有效方法.通過決策分析對可能發生的網絡危機事件進行研究,幫助提升網絡空間危機感,制定相關預案措施,以及檢驗已存預案措施的有效性.同時由于決策分析通常是基于模型的研討進行的,是在虛擬的、類似于現實的環境下進行的,既不對實際的網絡空間構成破壞和影響,并且節約成本,又可以達到很好的效果.

模型是戰略問題決策分析的新型工具,應用模型能夠使決策分析的過程和結果更加科學和客觀,避免傳統單純依靠經驗進行決策分析的主觀性和局限性,從而有效地提高決策分析的效率,使分析結果質量更高、效果更好.模型的真實性和完善性,直接關系到決策分析能否真實客觀地反映實際問題.

病毒傳播模型是戰略問題決策分析的支撐模型之一.在信息化時代中,電腦、手機和網絡等信息設備和服務已經成為人們工作和生活中不可或缺的重要組成.但這些設備和服務帶來高效率和方便的同時,也帶來了諸多的風險.病毒就是諸多風險和隱患的重災區之一,病毒具有隱蔽性高、破壞性大的特點,是網絡空間安全面臨的一個重大挑戰,很多網絡安全事件都是以網絡為媒介,以病毒為突破口來展開的.對于高層次戰略問題的決策分析來講,關注的是病毒傳播的嚴重程度和造成的危機程度.因此,要建立一個宏觀和高層次視角的病毒傳播模型,為戰略問題決策分析提供支撐.

本文研究的病毒傳播模型就是用于在宏觀和高層次視角下對網絡蠕蟲病毒在互聯網社交網絡中的傳播過程進行模擬仿真.

1 病毒傳播模型應用場景

1.1 戰略問題決策分析基本情況

本文研究的戰略問題決策分析主要是針對網絡空間領域的問題,在戰略視角下的高層次決策分析.主要研究在網絡病毒爆發,造成互聯網大面積癱瘓、國家關鍵基礎設施級聯失效、民眾恐慌的情況下,相關高層決策者如何緊急作出決策,科學有效處置來化解危機.目的是通過決策分析來檢驗其是否有能力處置網絡危機事件,以及檢驗和完善相關政策機制和預案措施的科學有效性.

1.2 病毒傳播模型應用場景

戰略問題決策分析中的模型系統主要包括互聯網模型、關鍵基礎設施模型和認知域模型3個方面.病毒傳播模型是互聯網模型的組成之一.

與傳統的病毒傳播模型不同,戰略問題決策分析中的病毒傳播模型關注的重點不是病毒具體運行機理、修復手段和預防措施,而是宏觀、高層次的國家網絡安全態勢發展.在本模型中主要模擬表現的是病毒感染總體態勢,具體為模擬在社交通訊網絡中(E-Mail、QQ、微信,等)的病毒傳播過程.在導入研討想定,裝載初始數據后,以及參與者作出決策后,由模型系統進行運算,模擬在社交網絡中導入病毒情況后,安全態勢如何變化.

2 病毒傳播模型

2.1 傳統病毒傳播模型

傳統的病毒傳播模型主要是建立在隨機網絡[2?3]、小世界網絡[4?5]和無尺度網絡[6]上的 SI模型[7?8]、SIS 模型[9?10]、SIR 模型[8,11]以及 SEIR[12]模型.在這些模型中,節點狀態主要有易感染狀態(Suspected)、潛伏狀態(Exposed)、被感染狀態(Infected)、恢復狀態(Recovered).這些模型都是通過建立相應的微分方程對節點的狀態轉化進行描述,特點是使用比較簡單,能夠說明病毒爆發隨時間演化的過程,反映傳播過程中的平均趨勢,然而卻無法準確描述病毒傳播過程中的某些概率事件以及反映節點之間的交互性[13].

因此,需要根據我國網民分布實際,根據病毒傳播特點和網民特點,結合戰略問題決策分析這種高層次的視角和需求,對傳統的病毒傳播模型進行改進,以更好地支撐戰略問題決策分析的需求.

2.2 基于Agent的病毒傳播模型設計

2.2.1 病毒傳播模型中的Agent主體

病毒的傳播受到多方面因素的制約,對這些因素分別采用Agent主體的方式予以描述.病毒傳播模型中的Agent主體主要有網民Agent、病毒Agent、運營商Agent和控制Agent.

網民Agent:

網民Agent是病毒傳播模型中最基礎的一類Agent,是病毒傳播的載體,也是社交關系網絡的構成要素.現實世界中網民用戶是既復雜多樣又有共同特點的,病毒傳播模型中為體現此特點,把網民的特征歸納抽象為不同的特征屬性變量.在創建網民Agent的時候,通過不同屬性取值的組合,構建出既有共同的特征,又有復雜多樣性的網民Agent群體.

在對網民Agent屬性進行定義時,將其屬性分為基本屬性、關系屬性和病毒感染狀態屬性,基本屬性是表現網民自身特征的屬性集合,關系屬性是表現網民關系網絡的屬性集合,病毒狀態屬性是顯示其感染病毒情況的屬性.

網民Agent可描述為:

其中,

Propertybasic為網民Agent基本屬性集合；

Propertyrelationship為網民Agent關系網絡屬性集合；

Propertystatus為網民Agent病毒感染狀態屬性.

1)基本屬性集合

網民Agent的基本屬性描述了網民作為自然人的基本特征屬性.

網民Agent的基本屬性可描述為:

其中,

ID:網民Agent的唯一編號,數據類型為正整數；

Gender:網民Agent的性別,數據類型為字符串,取值范圍為 “male”、“female”；

Age:網民Agent的年齡,數據類型為正整數,取值范圍為[18,60]；

City:網民Agent所在城市,City=[Name,Level],其中Name為所在城市名稱,數據類型為字符串,Level為所在城市發展水平,取值范圍為1/2/3/4,分別代表 “一線城市”、“二線城市”、“三線城市”、“四線城市”；

GeoCoord:網民Agent的地理坐標,GeoCoord=[GeoCoordX,GeoCoordY],數據類型為浮點型數組；

Occupation:網民Agent所屬職業,數據類型為字符串,取值范圍為“公務員”、“企業白領”、“工農人員”、“學生”；

Education:網民Agent受教育程度.取值范圍為1/2/3/4,分別代表“專業技術”、“高等學歷”、“中等學歷”、“低學歷”.

2)關系網絡屬性集合

本文研究的蠕蟲病毒傳播方式,是典型的人際關系網絡傳播方式,以網民的社交關系網絡為基礎.網民Agent的關系網絡中有大量類型不同的關聯節點,如親屬、同事、同學、朋友等,每個關聯節點的關系重要程度也不同.

網民Agent的關系網絡屬性可描述為:

其中,

Type:網民Agent相互之間人際關系的種類,數據類型為字符串,取值范圍為“親屬”、“同事”、“同學”、“朋友”；

Weight:網民Agent之間關系的權重. 取值范圍為 1/2/3/4,分別代表關系為 “不好”、“一般”、“好”、“非’.

3)病毒感染狀態屬性

網民Agent的病毒感染狀態屬性是根據病毒傳播模型需求而建立的屬性.

網民Agent的病毒感染狀態屬性可描述為:

其中,

Status:網民Agent的病毒感染狀態,數據類型為字符串,取值范圍為 “Healthy”、“Danger”、“Infected”、“Recovered”.Healthy 狀態代表網民Agent沒有接收到病毒；Danger狀態代表網民Agent接收到病毒但還沒點擊打開,未被感染；Infected狀態代表網民Agent接收且打開病毒,被病毒感染；Recovered狀態代表網民Agent病毒已被清除.

病毒Agent:

病毒Agent是病毒傳播模型中最活躍的一類Agent,是病毒傳播模型中傳播效果的推動者,其通過不斷讀取網民社交網絡信息、發送病毒來實現病毒的擴散.

病毒Agent可描述為:

其中,

Name:病毒Agent的名稱,即病毒代號,數據類型為字符串；

Action:病毒Agent執行的行動.病毒在傳播過程中,主要通過不斷的掃描用戶關系網絡數據,進行識別判斷后向目標網民Agent發送病毒,目標Agent在接收病毒且打開后,感染該病毒.因此病毒Agent的Action屬性主要有掃描、判斷、發送、激活4個行動.

運營商Agent:

運營商Agent是提供基礎網絡服務的一類Agent,運營商提供的網絡服務是網民生活、辦公和娛樂中不可或缺的一部分,也是病毒傳播所依賴的路徑.運營商Agent對其管理范圍內的網絡服務具有控制服務狀態的能力.

運營商Agent可描述為:

其中,

ID:運營商Agent的唯一編號,數據類型為正整數；

Service:運營商Agent的網絡服務控制開關,數據類型為bool類型.當Service取值為“true”時,網絡服務為通暢狀態,當Service取值為“false”時,網絡服務為關閉狀態；

Scope:運營商Agent的管理控制范圍,運營商對這一范圍內的網絡具有網絡服務控制能力.

控制Agent:

控制Agent代表的為中央和各省市的政府和各類監督、管理和控制部門,其對整個國家的網絡運營狀態和網絡安全狀況具有監督、管理和控制的能力,在出現網絡安全隱患和突發事件時,可通過一定的手段對網絡安全問題進行修復和治理.控制Agent通過交互可對網民Agent、病毒Agent和運營商Agent具有引導、約束、監管、控制等作用.

控制Agent可描述為:

其中,

ID:控制Agent的唯一編號,數據類型為正整數；

Type:控制Agent的類型,數據類型為字符串.用于對其分類為政府部門、監管部門、控制部門等.不同類型的控制Agent所具備的行政手段和技術手段也不同；

Scope:控制Agent的管理控制范圍,控制Agent在這一范圍內具有控制的能力；

Measure:控制Agent的手段措施.為控制和管理網絡安全情況,控制Agent具有一定的行政技術手段和預案措施,在出現網絡安全隱患和問題時,通過這些手段措施來引導網民、限制約束病毒、行政干預運營商,從而達到化解網絡安全危機的目的.

2.2.2 病毒傳播過程算法設計

在病毒傳播模型中,影響病毒傳播過程的因素主要有兩個,一是網絡結構,二是病毒感染概率.網絡結構主要決定病毒傳播過程中的傳播源和傳播目標,病毒感染概率主要決定傳播目標是否被感染.

網絡結構即網民Agent及其關系網絡組建的網絡.定義病毒傳播網絡Network=＜V,L＞,其中V即為網絡中網民Agent節點,L為各網民Agent節點間的連邊代表網民間的關系,病毒通過這些連邊在網民節點間進行傳播.

在病毒感染概率的設計上,決定病毒感染概率的因素主要有網民所在城市的發展水平Level、受教育程度Education、網民Agent間關系權重Weight.

網民Agent的病毒感染概率計算方法如下:

定義函數:

對于網民Agent,其病毒感染概率:

其中f(Level)、f(Education)、f(Weight)為城市發展水平、受教育程度和網民Agent間關系權重對病毒感染概率的影響.A1、A2、A3分別代表城市發展水平、受教育程度和網民Agent間關系權重對病毒感染概率影響的權重值,A1+A2+A3=1.

根據網民Agent屬性、網絡結構和病毒感染概率設計病毒傳播算法如下:

1)設定網民Agent屬性、數量、網絡結構以及其他模型初始數據和參數；

2)隨機設定網絡中幾個網民節點的Status屬性為Infected狀態,其他為Healthy狀態；

3)被感染為Infected狀態的網民節點,遍歷好友列表,若好友Status屬性為Healthy或Danger狀態,則向好友發送病毒.接收到病毒的網民Status屬性變成Danger狀態；

4)接收到病毒處于Danger狀態的網民,根據病毒感染概率算法計算出感染概率Pinfect,然后以Pinfect的概率轉變為Infected狀態,否則狀態無變化；

5)重復執行步驟3)～4)；

6)處于Infected狀態的網民節點,在通過控制Agent的交互后轉變為Recovered狀態.

2.3 病毒傳播的可視化表現

本文研究的病毒傳播模型面向的是戰略問題決策分析的研討模型,因此,在可視化表現上,要遵循戰略問題決策分析對態勢的需求,讓參與者能夠清楚地看出當前病毒感染的程度和趨勢.具體的可視化表現方式主要有兩類,第1類為描述當前全國的病毒感染態勢圖,采用地圖的表現方式來展現.第2類為各類病毒感染的統計數據,一方面是當前不同感染狀態的節點所處的比例,采用餅圖的表現方式來展現,另一方面是病毒感染程度從開始到當前的過程統計圖,采用曲線圖的方式來表現.

3 病毒傳播模型在戰略問題決策分析中的應用

3.1 原型系統的設計實現

根據上述模型和算法設計,可基于AnyLogic和JavaScript技術分別構建病毒傳播后臺模型(如圖1、圖2所示)和病毒傳播前端可視化界面(如圖3所示),并通過病毒傳播數據庫對前端界面和后臺模型進行連接同步,從而組成戰略問題決策分析的病毒傳播原型系統.

模型運行前,將Agent節點屬性信息保存至數據庫中,設置節點初始狀態均為Healthy狀態.運行AnyLogic構建的病毒傳播模型,讀取數據庫信息并賦值到各Agent屬性參數和Agent網絡參數,然后模型按照病毒傳播算法對整個網絡的節點進行病毒傳播,并將相關Agent屬性的變化寫入數據庫中.在整個傳播過程中,前端可視化界面通過實時更新讀取數據庫中節點信息,采用地圖、餅圖、曲線圖的方式對病毒傳播態勢進行表現.

3.2 病毒傳播模型的應用

本文假設的戰略問題決策分析是基于模型的研討進行.參與者為高級研究人員,組織者負責動態危機情況的設置和調整控制.研討主要分為兩個階段:第1階段為網絡病毒的大面積傳播擴散,造成網民用戶大量個人財產和隱私損失.第2階段為國家關鍵基礎設施的級聯失效,主要模擬互聯網和其他國家關鍵基礎設施在遭受網絡攻擊后系統癱瘓,由于相互的依賴關系,造成大面積的級聯失效.導入情況后,參與者針對這些網絡危機事件接受一系列的問題質詢,作出決策.

病毒傳播模型在戰略問題決策分析中的應用即為第1階段網絡病毒大面積傳播擴散的研討中.具體的應用主要涉及兩方面.一方面在研討初始和動態推演階段,模擬病毒在網民間的傳播過程.另一方面在動態推演階段,當參與者針對病毒傳播情況和質詢問題作出決策后,病毒傳播模型要能根據這些決策作出反饋,即決策對病毒傳播的影響是修復、無變化或是進一步惡化,從而檢驗參與者作出的決策是否科學有效.

針對網絡病毒大面積傳播擴散的研討流程分5步進行,如圖4所示.

第1步,組織者設定戰略問題決策分析研討及病毒傳播模型的各類設置.

第2步,導入戰略問題決策分析中病毒傳播的研討想定,裝載模型的各類Agent以及可視化的初始數據,給定初始態勢.

第3步,參與者根據病毒傳播的研討想定和初始態勢進行討論,回答組織者提出的對病毒傳播情況的質詢問題,并輸入決策措施.

第4步,組織者將參與者作出的決策措施轉化為控制Agent和運營商Agent等可執行的控制措施,模型系統根據參與者的決策措施進行仿真運算,將仿真結果輸出,并將決策前的態勢和決策后的態勢進行比較顯示.組織者根據模型輸出結果,結合研討動態情況進行調整控制,或導入新的危機情況,以利于研討順利進行.

第5步,更新研討實時態勢,參與者根據更新的病毒傳播態勢和組織者提出新一輪質詢問題,輸入新一輪措施進行迭代,研討依次推進.

最終通過戰略問題決策分析研討,達到增強網絡空間危機意識,提升網絡空間危機事件應對能力的效果,以及通過研討幫助制定預防網絡危機事件的預案措施.

4 結論

本文建立了一個面向戰略問題決策分析的網絡病毒傳播計算機仿真模型.分析了網民Agent屬性,提出了基于城市的發展水平、受教育程度和網民Agent間關系權重的病毒感染概率算法,設計了病毒傳播算法,研究了病毒傳播的可視化表現方法.最后采用AnyLogic和JavaScript技術對病毒傳播模型和可視化表現的原型系統進行了技術實現,對病毒傳播模型在戰略問題決策分析中的應用進行了說明.病毒傳播模型和可視化表現的研究,為利用Agent建模方法和復雜系統理論解決戰略問題決策分析中病毒傳播的研究提供了思路和方法.

1 郝葉力.對網絡國防問題的認識與思考[J].信息對抗學術,2011(1):4-6.

2 ERDOS P,RENYI A.On random graphs[J].Publ.Math.Inst.Hung.Acad.Sci.1959(6):17?60.

3 ERDOS P,RENYI A.On the evolution of random graphs[J].Publ.Math.Inst.Hung.Acad.Sci.1960(5):17?60.

4 WATTS D J,STROGATZ S H.Collective dynamics of‘small-world’networks[J].Nature,1998,393(6448):440?442.

5 NEWMAN M E J,WATTS D J.Renormalization group analysis of the small-world network model[J].Phys.Lett.A,1999,263:341?346.

6 BARABASI A L,ALBERT R.Emergence of scaling in random networks[J].Science,1999,286(5439):509?512.

7 PASTOR S R,VESPIGNANI A.Epidemic spreading in scale-free networks[J].Physical Review Letters,2001,86(14):3200?3203.

8 MOORE C,NEWMAN M E J.Epidemics and Percolation in Small-world Networks[J].Physical Review,2000,61(5):5678?5682.

9 NEWMAN M E J.The structure and function of complex networks[J].SIAM Review Letters,2003,45(2):167?256.

10 NEWMAN M E J.Threshold eあects for two pathogens spreading on a network[J].Physical Review Letters,2005,95(10):108701.

11 MORENO Y,GOMEZ J B,PACHECO A F.Epidemic incidence in correlated complex networks[J].Physical Review E,2003,68(3):035101.

12 DAVIDJ D,ROHANIE P,BENJAMIN M,et al.A simple model for complexdynamicaltransitionsinepidemics[J].Science,2000,287:667?670.

13 宋玉榮,蔣國平.基于一維元胞自動機的復雜網絡惡意軟件傳播研究[J].物理學報,2009,58(9):5911-5918.