多阶段复合模糊与神经自适应框架用于关键基础设施中的鲁棒网络安全风险量化

《International Journal of Cognitive Computing in Engineering》：A multi-stage composite fuzzy and neuro-adaptive framework for robust cybersecurity risk quantification in critical infrastructure

　　

由于信息技术（IT）和操作技术（OT）网络在关键基础设施中融合，网络安全风险必须在不确定性和不完全可观测性下进行量化，而传统静态评分方法在这些条件下表现不佳。本文提出了多阶段复合模糊与神经自适应（MCFNA）框架，用于量化工业控制系统（ICS）环境中的操作网络风险。MCFNA由三个可解释的Mamdani模糊推理阶段组成，依次解析威胁能力、攻击可能性和总体操作风险，并通过自适应神经模糊推理系统（ANFIS）层增强，该层根据观测到的遥测数据校准模糊模型。耦合学习过程被证明收敛到一阶驻点。该框架在安全水处理（SWaT）基准上进行了评估，采用了泄漏控制特征管道和攻击场景划分的训练/测试分割，防止依赖时间窗口跨越分割边界。在回归和分类指标上，自适应框架相对于线性回归、神经网络和集成基线提高了风险估计准确性，敏感性分析将资产脆弱性识别为主要的风险驱动因素。这些结果表明，MCFNA可以提供可解释、数值稳定且可操作的风险估计，帮助在融合的IT/OT基础设施中优先安排安全运营中心（SOC）的修复措施。

随着信息技术（IT）与操作技术（OT）网络在关键基础设施中的深度融合，网络安全威胁态势日益严峻。传统静态评分方法（如通用漏洞评分系统CVSS v3.1）因无法处理不确定性、不完全可观测性及时间非平稳性，在工业控制系统（ICS）环境中表现不佳。现有方法中，概率模型依赖精确条件概率表，机器学习检测器缺乏可解释性且无收敛保证。为此，研究人员提出了多阶段复合模糊与神经自适应（MCFNA）框架，旨在为ICS提供可解释、动态收敛且可操作的风险量化工具。该研究在《International Journal of Cognitive Computing in Engineering》上发表。

研究人员综合运用了三种关键技术方法：首先，构建了由三个可解释Mamdani模糊推理阶段组成的复合模糊推理系统（CFIS），依次解析威胁能力、攻击可能性和总体操作风险，包含77条IF-THEN规则；其次，引入自适应神经模糊推理系统（ANFIS）作为神经自适应层（NAL），通过混合递归最小二乘（RLS）与梯度下降学习算法校准模糊模型参数，并基于Robbins-Siegmund框架证明了几乎必然收敛到一阶驻点；最后，在安全水处理（SWaT）基准数据集（来自新加坡科技设计大学iTrust中心，包含51个传感器/执行器、41次攻击、11天连续运行数据）上，采用泄漏控制特征管道和攻击场景划分的训练/测试分割进行验证。

研究结果包括以下方面：

**SWaT数据集与数据源透明度**：基于SWaT公开数据集，包含946,722条时间戳记录，7天正常操作用于训练，4天41次攻击用于测试。

**特征工程与泄漏控制**：通过因果（仅过去）60秒窗口重建意图（I）变量，避免目标泄漏；五类严重性标签独立于模型输入，所有特征归一化至[0,1]并满足算法约束AC1。

**中间变量MSE分析**：在静态基线（专家先验）与MCFNA（ANFIS校准后）对比中，能力（Capability）均方误差（MSE）从0.1321降至0.0009（降幅99.3%），可能性（Likelihood）MSE降低82.2%，风险（Risk）MSE降低92.2%，证实了自适应校准的有效性。

**整体风险预测性能**：MCFNA在回归与分类指标上全面优于线性回归、随机森林、人工神经网络及静态模糊推理系统，达到R²=0.923、均方根误差（RMSE）=0.031、平均绝对误差（MAE）=0.024、对称平均绝对百分比误差（sMAPE）=8.7、F1分数=0.946、受试者工作特征曲线下面积（AUC）=0.971，所有配对Wilcoxon检验p<0.001。在低假阳性率（FPR<0.1）区域，真阳性率（TPR）>0.85。

**每个攻击场景量化**：在六个代表性攻击场景（从低到极高严重性）中，ANFIS增强后的MCFNA误差均小于静态CFIS，例如多PLC协调攻击（High）误差从0.14降至0.03（降幅78.6%）。

**敏感性分析**：采用单次一个（OAT）方法，以SWaT Atk-07（中等严重性）为基准，独立±10%扰动各输入变量，发现脆弱性（Vulnerability）敏感性指数最高（0.41），其次为能力（0.33）和影响（0.29），意图（0.18）与目标（0.12）较低。

**综合性能比较**：在雷达图中，MCFNA在R²、F1、AUC、1?RMSE五个维度上均包围最大面积，验证了同时优越性。

**消融研究**：移除ANFIS NAL导致R²从0.923降至0.312，移除参数传输接口降至0.404，移除多阶段组成降至0.691，表明每个组件均贡献显著。

**与最新技术比较**：与LSTM、AE+GWO、CNN等二进制检测方法相比，MCFNA是唯一同时实现五级风险量化与规则级可解释性的框架。

讨论部分总结了研究的意义：MCFNA提供了可解释的风险评分（伴随主导规则标签、触发强度及中间变量值），支持SOC分析师追踪决策依据；其计算复杂度低（推理约10³浮点运算，训练约10⁷ FLOPs），支持多资产并行部署。在ZTA（零信任架构）中，MCFNA风险评分可作为PDP（策略决策点）的额外信任信号，但需人工审核与安全冗余。研究也承认了局限性，包括单领域验证、标注依赖、窗口独立性假设等。

研究结论部分翻译如下：本文提出了MCFNA框架，具有四个经过严格验证的贡献：一个正式组成的三阶段CFIS，包含77条IF-THEN规则和完整的隶属函数（MF）参数化；一个Robbins-Siegmund收敛的ANFIS NAL，带有定理1和推论1（显式Hessian界B_explicit≈3.2×10¹¹(1+C_f)）以及正式的CFIS-NAL接口；在SWaT ICS验证上实现了R²=0.923、RMSE=0.031、F1=0.946、AUC-ROC=0.971、中间MSE降低99.3%，且所有配对Wilcoxon检验p<0.001；以及57篇经过验证的参考文献、13项数据来源注册表和10张出版级图表。在五种研究维度（正式多阶段CFIS组成、显式CFIS-NAL接口、Robbins-Siegmund驻点收敛、ICS基准验证与多类指标、sMAPE报告）中，MCFNA是唯一同时满足所有维度的框架，为IT/OT SOC风险管理的可部署基础提供了前景。