一种基于角色模型与认知逻辑的认知型、以信任为核心的网络安全架构

《International Journal of Approximate Reasoning》:A Cognitive, Trust-Centered Architecture for Cybersecurity Based on Personas and Epistemic Logic

【字体: 大 中 小 】 时间:2026年09月23日 来源:International Journal of Approximate Reasoning 2.8

编辑推荐:

   •提出了一种统一的多层网络安全架构,集成了行为建模、逻辑推理、信任评估和认知推理。•将蓝图人物画像(Blueprint Personas)、答案集编程(ASP)、信任参考本体(ROT)以及认知逻辑L-DINF相结合,实现了全面且具有可解释性的威胁分析。•该系统通过信任感知的推

  
  • •
    提出了一种统一的多层网络安全架构,集成了行为建模、逻辑推理、信任评估和认知推理。
  • •
    将蓝图人物画像(Blueprint Personas)、答案集编程(ASP)、信任参考本体(ROT)以及认知逻辑L-DINF相结合,实现了全面且具有可解释性的威胁分析。
  • •
    该系统通过信任感知的推理为安全运营中心(SOC)提供高级决策支持,可根据动态信任等级启用或阻止操作。
  • •
    通过人物画像对攻击者和防御代理进行建模,能够模拟真实的攻击场景并改进主动防御策略。
  • •
    通过多步骤攻击模拟验证了该架构,展示了系统处理模糊性并实时适应不断演变的威胁的能力。

引言

网络安全和数字取证在一个快速演变的威胁环境中运行,攻击者采用越来越复杂和自适应的行为。高级持续性威胁(APT)通常编排多步骤入侵,利用整个网络杀伤链中的漏洞,从侦察到利用再到数据窃取[1]。基于签名和静态检测机制难以跟上这种复杂性,这促使了开发AI辅助框架来建模行为动态并实现主动防御[2]。1
与此同时,高级欺骗和规避技术,如伪装蜜罐、自适应诱饵和行为欺骗,进一步使检测和取证分析复杂化[3]。在此背景下,安全运营中心(SOC)[4]越来越依赖可解释和信任感知的方法来支持高压下的决策制定。
然而,现有方法仍有限:机器学习和UEBA系统缺乏可解释性,而基于规则的方法缺乏灵活性。此外,行为建模、信任评估和认知推理通常被孤立开发,阻碍了对证据的统一解释。因此,当前系统难以在"灰色地带"情况下进行推理。迈向此类能力的一个关键步骤是将行为建模与形式化推理和信任评估相结合。蓝图人物画像(Blueprint Personas)提供了一种结构化方法来表示行为主体——无论是攻击者、内部人员、取证分析师还是自主防御代理——包括其动机、技能、目标和行为倾向[5]。
从这些行为描述出发,答案集编程(ASP)[6]、[7]、[8]、[9]能够推导出场景结构、因果关系和上下文相关约束,提供透明且具有形式基础保障的推理。
信任同样发挥着核心作用。信任参考本体(ROT)[10]能够基于行为证据和上下文证据进行结构化信任评估,支持取证和防御应用中的自适应决策制定。
为了统一这些要素,我们引入了一种基于L-DINF的认知推理模型[11]、[12],该模型是认知逻辑DLEK[13]、[14]、[15]的扩展,并补充了BDI系统[16]、[17],具备高级的信仰、偏好和委托推理能力。
重要的是,该框架在不完全证据下运行,其中缺失的观测不会自动被解释为良性行为。
此外,信任在概念上是连续的,但在操作上通过符号推理进行近似,以确保效率和可解释性。
尽管该架构的操作核心是符号化的,但所提出的框架在两个精确意义上为近似推理做出了贡献。首先,它在认知不确定性下解释:安全证据往往是部分的、延迟的、嘈杂的或被有意隐藏的,因此不支持的事实不会被归入良性状态,而是保持认知未定状态,直到更多证据可用。其次,该模型通过将信任证据映射到有序的符号尺度并明确在允许和阻止之间引入一个中间决策区域(委托)来近似连续信任。这种灰色地带语义为边界情况提供了正式处理,在这些情况下可用证据不足以完全自主执行,但又太强而不适合无条件授权。从这个意义上说,本文通过连续信任的符号近似和部分知识上的逻辑推理来处理近似推理。
在SOC和取证环境中,这实现了代理行为的认知解释,不仅捕获能力,还包括意图、权限和信任条件。
与现有方法相比,所提出的架构将行为建模(人物画像)、逻辑推理(ASP)、信任评估(ROT)和认知推理(L-DINF)集成为一个统一且可解释的框架,克服了孤立解决方案的局限性。
本文的主要贡献为:
  • •
    一个整合了行为建模、逻辑推理、信任评估和认知决策制定的统一架构;
  • •
    一个信任感知的推理流水线,将证据与显式决策(允许、阻止、委托)关联;
  • •
    一个在不确定性和灰色地带条件下进行推理的框架。
本文结构如下:第2节介绍系统的整体架构并讨论实际部署考虑;在第3节,我们讨论蓝图人物画像技术及其在数字取证和网络安全中的潜在应用;在第4节,我们将信任参考本体编码为ASP;在第5节,我们通过L-DINF逻辑展示认知层;在第6节,我们进行实验评估和验证;最后,在第7节,我们总结并概述了一些未来方向。

章节摘要

架构

所提出的系统组织为四个垂直集成的层,将高层行为描述转化为信任感知的认知决策。每一层提供不同形式的推理,并通过显式和可检查的数据结构与其他层通信,从而确保整个流水线的透明度和可解释性。
该架构遵循结构化流水线:蓝图人物画像编码行为主体及其行为特征;ASP层

蓝图人物画像

人物画像(关于作为欧盟数字化转型战略[18]一部分的原始定义,请参见https://blueprint-personas.eu/)是基于观察到的行为变量(如用户在特定情境中的具体目标和需求)来表示用户群体的虚构原型。理解这些目标对于设计以用户为中心的产品和服务至关重要[19]。需要注意的是,这些目标不能简单地询问,而必须从收集到的信息中推断得出。

使用信任参考本体(ROT)进行信任建模

信任是网络安全和数字取证中的关键维度,影响着系统在执行敏感或安全相关操作时如何评估代理、自动化组件和行为证据的可靠性。虽然ASP层将蓝图人物画像转化为有据的行为结构,如可行的攻击步骤、推断的目标以及所需技术和上下文关系,但仅这些信息并不能决定一个代理是否应该

L-DINF及其信任扩展

蓝图人物画像、ASP和ROT已在第2节中作为架构的行为层、逻辑层和信任层进行了介绍。本节仅关注认知层,详细说明较低层产生的输出如何作为信仰、信任评估和行动约束导入L-DINF,以及这些输入如何决定允许、阻止和委托决策。

实验评估与验证

为了验证所提出的多层架构的操作可行性,我们使用混合推理原型进行了结构化执行。评估利用Clingo 5.8.0 Python API [26]来连接ASP的声明式推理和L-DINF模态语义的程序化执行。
为了将第4节定义的理论模型在逻辑编程环境中操作化,原型采用了一种符号近似模型。虽然形式化定义

贡献总结

本结论部分不重述第2节和第5节中介绍的整体架构。相反,它总结了实验研究确立了什么,什么仍然有限,以及哪些扩展对于更广泛的部署和更强的实证验证是必要的。
我们的主要贡献有三点:
  • 1.
    架构集成:我们证明蓝图人物画像、答案集编程、信任参考本体和L-DINF认知逻辑可以无缝地集成为一个

未引用的引用

缺失引用:表4、表5、表6、表7、表8、表10和表11。

CRediT作者贡献声明

Stefania Costantini:撰写–审阅与编辑,验证,监督,项目管理,方法论,资金获取,概念构思。Lorenzo De Lauretis:撰写–审阅与编辑,撰写–原稿,可视化,软件,调查,数据整理。Valentina Pitoni:撰写–审阅与编辑,撰写–原稿,方法论,调查,形式分析,概念构思。Alina Vozna:撰写–审阅与编辑,撰写–原稿,软件,

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文报告的工作。
Stefania Costantini|Lorenzo De Lauretis|Valentina Pitoni|Alina Vozna
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号