基于仿生机制的动态防御模型

《Computers & Security》：Dynamic defense model based on bionic mechanism

　　

摘要

信息系统已成为现代关键基础设施的基础，其中安全性至关重要。然而，随着高度动态和大规模环境的复杂性不断增加，传统的基于边界的防御机制（依赖外部保护和反应式响应）已不足以应对复杂且不断演变的威胁。为应对这一挑战，本文提出了一种基于仿生机制（DMBM）的动态防御模型，该模型借鉴了人类免疫系统通过适应性和分布式机制区分“自我”与“非自我”的能力。所提出的模型引入了一种内源性和主动性的防御范式，整合了信任评估、动态防御、自我修复和免疫记忆功能。进一步引入了动态阈值机制，以提高对运行时变化和未知攻击的适应性。实验结果表明，DMBM的真正阳性率（TPR）达到97.45%，假阳性率（FPR）低至2.81%。与基于情境感知和防火墙的主动防御模型（SAF-ADM）、受免疫启发的恶意软件检测算法（IIMDA）以及联邦化、信任感知和可解释的自我修复（FTASH）架构相比，DMBM的检测准确性提高了约3%–10%，同时将假阳性率降低了约2%–3%。对于未知攻击，DMBM的检测准确性提高了大约2%–15%。

引言

新一代安全防御技术的研究引起了全球的广泛关注，主要科技强国将其纳入国家发展战略规划中。随着信息系统变得越来越复杂并得到更广泛的应用，这些系统的安全保护能力面临着前所未有的挑战。近年来，人们对信息系统安全的担忧持续增加，尤其是在国防系统、可信计算和自主计算等领域。国内外的研究工作都在加强，研究重点也在不断演变。

然而，在过去的几年中，大多数为信息系统安全提出的信任评估和防御模型都是被动防御模型。这种传统的基于边界的防御模型依赖于边界、静态配置，并严重依赖于内部默认的信任假设，无法从根本上抵御外部攻击。因此，当前信息系统安全的关键挑战在于转向内部重点，克服传统边界防御的瓶颈，构建一个从内部出发的整体安全评估和动态防御系统。

沈（吴，2024）指出了三个导致网络安全漏洞并增加风险的主要缺陷：图灵计算理论中缺乏攻防平衡的安全范式、冯·诺伊曼架构中缺乏内在的安全组件，以及关键工程应用缺乏安全治理框架。为了解决这些问题，他认为有必要巩固关键基础设施的安全边界，并构建一个动态防御系统，以确保在核心技术创新方面的战略优势。

因此，在这一哲学的指导下，并受到人类免疫机制的启发，（吴，2020）指出，人工智能在信息系统中的广泛集成所带来的风险主要是内在安全问题。这些问题源于计算机架构中的固有缺陷，在实际应用中表现为程序控制框架内的内在安全漏洞。人体的防御能力是与其生理结构深度整合的先天能力，代表了一种内在生成的安全机制。这在目标、结构和操作模型方面与信息系统安全防御有很强的相似性。

如图1所示，人体由神经系统、免疫系统和循环系统协调工作组成。其中，免疫系统通过识别和消除病原体和异常细胞等外来威胁来执行防御功能，并建立免疫记忆以维持内部稳态。神经系统负责体内的调节和传导，通过神经网络传输电信号来实现感觉感知、信息整合和指令发布，从而协调各种系统的功能活动。循环系统承担着运输功能，通过血液流动输送氧气、营养物质和代谢废物，调节体温平衡，并为所有组织细胞的生存提供必要的物质交换。

因此，通过其免疫、神经和循环子系统，人体构成了一个高效的自然感知、防御和自我修复系统（Myakala等人，2025）。该系统实现了包括威胁监测、防御响应和资源补充在内的闭环过程。其中的协同机制和稳态原理为构建动态信息系统安全架构提供了启示和模型参考。

受人体运作机制的启发，免疫系统处理防御和免疫记忆，神经系统负责感知和实时监控，循环系统管理恢复策略和资源调度。这三个架构共同构成了一个仿生启发的防御系统。

免疫系统、神经系统和循环系统共同展示了感知、评估、防御和恢复的紧密耦合过程。为了将这些生物原理转化为信息系统安全的计算范式，我们将它们的功能抽象为一个统一的闭环机制，包括参数感知、防御评估、损伤量化和自适应自我修复。在本文中，我们提出了一个基于仿生机制（DMBM）的动态防御模型：

• 1.
  对内部和外部感知参数进行仿生信号处理，将其规范化为固定格式的编码以供模型输入。
• 2.
  基于神经元连接性，构建了一种关联-隔离评估范式，通过相关性变化和内在特征偏差来评估互连实体，以识别已知和未知攻击。该机制实现了对外部机制的最低依赖性的内源性、自我驱动的检测。
• 3.
  在发生攻击行为后，评估系统内对象的损伤，并基于马尔可夫决策过程（MDP）制定恢复策略。

本文分为五个部分。第一部分介绍了传统信息系统防御模型的不足，并提出了仿生启发的动态防御架构。第二部分讨论了当前的内源性安全和防御模型研究，并分析了现有模型的不足。第三部分提出了DMBM，它基于关联-隔离范式，并将信任评估、检测、防御、自我修复和免疫记忆整合为完整的动态防御链。第四部分进行了实验，重点关注检测准确性和恢复能力，以全面评估DMBM的性能。此外，还与NeuroShield、SAF-ADM、IIMDA和FTASH进行了比较分析，进一步证明了DMBM的可行性和有效性。第五部分总结了我们的工作并讨论了潜在的未来前景。

章节摘录

相关工作

当前关于仿生启发模型的研究主要集中在将内在安全机制整合到防御架构中。内在安全的核心原则是将安全作为系统的内在属性，而不是外部强加的层，通常通过动态、异构和冗余（DHR）来实现。通过利用内部动态性、异构性和冗余，这些系统可以实现自适应和自发性的防御。

仿生安全方法论

为了阐释DMBM背后的生物学灵感，建立了生物防御机制与DMBM组件之间的功能映射，如表1所示。

DMBM采用它们的功能原理来组织信息系统中的感知、评估、防御和恢复。为了完成上述改进，我们根据人体功能将DMBM分为三个模块。图2显示了该模型的框架。

实验设置

我们的实验环境基于64位Ubuntu 22.04系统，配备了Intel第12代Core i7-12700H CPU和16GB RAM。为了确保隔离和可重现性，使用Docker Desktop 4.53构建了模拟样本。Dockerfile用于定义应用程序环境和依赖关系，而Docker Compose用于编排多个容器。在这个环境中，实现了一组轻量级容器化应用程序，以模拟典型的系统应用

结论

在本文中，我们提出了用于信息系统安全的DMBM。为了解决传统基于边界的防御机制的局限性，引入了一种受生物免疫系统启发的动态防御架构。DMBM的关键贡献在于将动态防御、免疫记忆和自我修复统一到一个闭环安全框架中。实验结果表明，DMBM具有高检测准确性、低假阳性率和快速恢复能力。

CRediT作者贡献声明

张艳怡：撰写——原始草案、验证、软件、方法论、概念化。李涛：撰写——审阅与编辑、监督、概念化。

张艳怡|李涛

东南大学网络科学与工程学院，南京211189，中国