《Network》:Centrality-Based Rule Ordering for Firewall Policy Optimization via Probability Propagation in Dependency Graphs
编辑推荐:
防火墙规则排序旨在提高包过滤效率,同时保持保证策略预期安全行为的依赖约束。现有方法通常依赖于局部标准(如规则频率)或依赖于其行为受初始化、参数设置和搜索预算影响的迭代优化过程。本文提出PPCO(Propagated Probability with Desce
防火墙规则排序旨在提高包过滤效率,同时保持保证策略预期安全行为的依赖约束。现有方法通常依赖于局部标准(如规则频率)或依赖于其行为受初始化、参数设置和搜索预算影响的迭代优化过程。本文提出PPCO(Propagated Probability with Descendant-Based Centrality Ordering),一种基于传播概率结合基于后代中心性的确定性依赖感知规则排序方法。所提出的评分同时反映了一条规则的流量相关性及其在依赖图中的结构影响力。结构分量至关重要,尤其当某些规则不活跃或具有零激活概率时,因为它能防止基于概率的平局违反依赖约束。最终策略通过按评分递减顺序排序规则直接获得。实验在包含50至2000条规则的合成规则集以及ClassBench-ng基准实例上进行,结果表明,在所考虑的实验设置下,PPCO在比较的确定性方法中始终达到具有竞争力的排序质量。该方法随着策略规模和依赖率的增加保持稳定,在所有有效配置中产生零依赖违规,实现了最低的评分一致性值,并在大规模下保持有竞争力的执行时间。这些结果表明,在评估配置范围内,PPCO为依赖感知防火墙规则排序提供了一个有效、鲁棒且计算高效的解决方案。
本研究聚焦于网络安全中作为主要保护机制之一的防火墙。防火墙用于控制流量、执行访问控制策略并防止网络实体间未经授权的通信。实践中,防火墙策略表现为一个有序的过滤规则列表,数据包被顺序检查直至找到第一条匹配规则。这种首次匹配行为使得规则顺序成为关键问题,因为它直接影响应用的安全决策和分类数据包所需的比较次数。防火墙规则排序问题旨在将最重要的规则置于策略的更早位置,同时保持策略的预期行为。仅当规则相互独立时,此问题才简单。在实际防火墙策略中,由于规则重叠、异常模式和一般到特定的关系,规则间常存在依赖。在此情况下,某些规则必须保持在其他规则之前,任何无效的重排序都可能改变最终的过滤决策。因此,防火墙规则排序不仅是一个性能问题,也是一个受优先关系约束的正确性问题。
现有方法存在局限性。确定性方法依赖局部标准(如规则频率)或简单的结构启发式方法,而其他方法使用迭代优化技术来探索有效排序的空间。这些方法虽有用,但并未始终反映规则在依赖感知策略内的完整结构作用。一条具有中等局部活动的规则,如果它先于一组高度相关的后代规则,则可能仍具有战略重要性。在此情况下,仅通过其自身频率评估规则会对其真实重要性产生不完整的认识。基于此观察,研究人员提出了PPCO方法,认为防火墙规则的重要性应通过两个基本属性来评估:一是其激活概率,反映规则预期被匹配的频率;二是其在依赖图中的结构影响力,反映其后代策略对其位置的依赖程度。
PPCO是一种确定性规则排序方法,它将传播概率和基于后代的中心性结合到一个单一评分中。传播概率项通过包含所有依赖后代的贡献来扩展局部视图,而中心性项则捕获规则在依赖图中的结构影响力。最终排序通过按评分递减顺序排序规则获得。该方法的独创性在于这种对规则重要性的依赖感知解释。PPCO不依赖迭代搜索、随机初始化或依赖于预算的细化。相反,它产生一个直接的排序,该排序保持简单、可解释且基于结构。这使得该方法从两个角度都具有鲁棒性:既保持与维护策略安全语义的优先约束兼容,又在策略规模增长时计算量保持轻量。
研究人员为开展研究,主要采用了以下关键技术方法:首先,将防火墙策略建模为有向无环图(Directed Acyclic Graph, DAG)以显式表示依赖关系,其中顶点对应防火墙规则,有向边表示依赖关系。其次,定义了结合传播概率和基于后代的归一化结构中心性的PPCO评分公式,其中包含用于平衡两个分量的加权系数。最后,通过直接按评分递减排序规则来生成最终策略顺序,并进行了严格的计算复杂度分析。实验评估使用了合成生成的规则集(规模从50到2000条规则)和来自ClassBench-ng生成器的基准规则集(样本队列来源),并对比了包括贪婪局部策略(Greedy)、基于前驱可达性平均概率的图方法(SGM)以及两阶段方法的确定性第一阶段(ZHTO-D1)在内的基线方法。评估指标包括排序适应度、评分一致性适应度、依赖违规数和执行时间。
研究结果部分通过多个实验验证了PPCO的有效性。
**5.3.1 加权系数的影响**:实验表明,当结构权重系数α
2为零时,评分仅依赖传播概率,可能导致依赖违规;而任何非零的α
2都能保证零违规。因此,保留了α
1=0.9, α
2=0.1的配置,在有效配置中实现了良好的适应度平衡。
**5.3.2 依赖率的影响**:随着依赖率增加,PPCO的适应度保持接近上界,而Greedy、SGM和ZHTO-D1的性能下降更明显,表明传播评分在依赖结构变得密集时仍然有效。
**5.3.3 规则集规模的影响**:对于增加的规则集规模,PPCO在每个尺度上都实现了有竞争力的适应度。其相对于Greedy的增益在规则集较小时 modest,但随着规模增大(从n=200开始)变得显著并保持稳定,表明结合传播概率和结构中心性的好处不仅限于小实例。
**5.3.4 评分一致性评估**:PPCO在所有配置中都实现了最低的评分一致性适应度值,且随着策略规模增大,其相对于Greedy的降低幅度变得特别大,表明其产生的排序与依赖感知评分保持高度一致。
**5.3.5 执行时间**:PPCO在较小规模时具有竞争力,并随着规则数量增加成为最快的方法。速度优势随规模扩大而增长。
**5.3.6 在ClassBench-ng规则集上的扩展验证**:在涵盖四个不同种子配置文件的13个ClassBench-ng实例上,PPCO在4个实例上取得了最高或并列最高的适应度,在其余实例上与最佳基线差距极小(不超过0.06%)。更重要的是,PPCO在所有13个实例上都取得了最低的评分一致性适应度,且所有方法在所有实例上均观察到零依赖违规。
**5.3.7 与精确最优排序的比较**:在从真实ClassBench-ng文件中提取的4个n=15规则的小规模实例上,与通过动态规划计算出的精确最优适应度进行比较。在具有非平凡多级依赖链的实例上,PPCO和ZHTO-D1都达到了超过99.5%的最优适应度,而Greedy和SGM则下降至33%-50%,证实了当依赖链非平凡时,局部选择标准可能导致排序质量显著下降。
在讨论部分,研究人员总结了实验结果。PPCO在所有测试的有效配置中均产生零依赖违规,并在探索的策略规模和依赖率范围内保持强大的排序适应度。这表明所提出的评分不仅是一个良好的排序信号,而且尊重策略的结构约束。PPCO相对于基线的优势随着依赖结构变得更密集或策略规模增大而增长。评分中的结构项并非次要补充;当概率相等、接近或 simply 无信息时,它变得至关重要。保持α
2非零可完全消除因流量信息不完整或弱区分性而导致违规的风险。评分一致性适应度结果进一步表明,PPCO产生的排序与其自身的排序逻辑保持紧密一致,支持其是一种结构化排序方法的观点。运行时结果从实践角度强化了这一点:PPCO保持轻量级,并随着策略规模增大明显快于基线方法。在ClassBench-ng上的扩展验证呈现了更细微的情况:PPCO并未在每一个实例的原始适应度上都取得最高,但它在所有实例上都保持了最低的评分一致性适应度,并且从未在正确性上妥协。与ZHTO-D1的比较显示,两者排序质量相近,但PPCO在大多数实例上更快,这表明其通过单一全局排序达到了可比甚至更优的排序质量。
研究结论部分指出,本文介绍了PPCO,一种基于传播概率和基于后代中心性的防火墙规则排序确定性方法。该方法的核心思想是通过规则在依赖图中的结构影响力以及其局部激活概率来评估每条规则。PPCO因此捕获了规则重要性的两个基本维度:流量相关性和依赖感知影响力。所提出的公式导向一个简单且可解释的排序机制。最终策略通过对这些评分进行直接递减排序获得。这种设计避免了随机探索、迭代细化以及对初始化质量的依赖。实验结果表明,在包含50至2000条规则的合成策略中,PPCO在评估的确定性基线中始终达到具有竞争力的适应度值,同时保持零依赖违规。该方法随着依赖率增加保持稳定,并在测试的结构约束下持续优于比较方法。参数分析进一步表明,组合α
1=0.9和α
2=0.1在概率相关性和结构中心性之间提供了最佳的有效平衡。此外,PPCO在所有测试设置中获得了最低的评分一致性值,这证实了生成的顺序与提出的重要性模型保持高度一致。运行时评估也表明PPCO能够高效扩展,并且随着规则集规模增长,其速度显著快于比较方法。在ClassBench-ng规则集上的扩展验证证实,PPCO在原始适应度上保持在最强基线的小幅度范围内,并在每个测试实例上实现了最低的评分一致性值,同时始终保持零依赖违规。PPCO也被证明在13个扩展基准实例中的12个上比其排序质量最接近的竞争者ZHTO-D1更快,且差距倾向于随规则集规模增大而增加。最后,在小规模实例上与精确最优排序的比较表明,PPCO在每个测试实例上都达到了真实最优值的99.55%或以上,而当依赖结构非平凡时,Greedy和SGM则下降至最优值的33%-50%。综上所述,这些结果表明PPCO为依赖感知防火墙规则排序提供了一个鲁棒且实用的解决方案。其主要优势在于它保持简单、确定性和基于结构,同时仍能捕获规则的非局部重要性概念。因此,当同时需要正确性、稳定性和低执行成本时,该方法为迭代优化技术提供了一个强有力的替代方案。