一种基于 DEVS 的框架,用于在静态和动态种群条件下对物联网僵尸网络的传播动力学进行建模与仿真

《Simulation Modelling Practice and Theory》:A DEVS-based framework for modeling and simulating the propagation dynamics of IoT botnets under static and dynamic population conditions

【字体: 大 中 小 】 时间:2026年09月27日 来源:Simulation Modelling Practice and Theory 4.6

编辑推荐:

   ## 摘要 物联网设备的普遍部署及其持续面临的自动化利用威胁,使得物联网僵尸网络成为当代网络安全中最严重的威胁之一。现有的传播模型存在三个系统性局限:假设所有设备具有同质易感性,将所有受感染设备归为单一状态,并将分析限制在封闭种群中。本文提出了一种基于DEVS的框架,解决了

  

## 摘要

物联网设备的普遍部署及其持续面临的自动化利用威胁,使得物联网僵尸网络成为当代网络安全中最严重的威胁之一。现有的传播模型存在三个系统性局限:假设所有设备具有同质易感性,将所有受感染设备归为单一状态,并将分析限制在封闭种群中。本文提出了一种基于DEVS的框架,解决了上述三个局限。该框架引入了一个包含两个易感类别(S1:高风险;S2:低风险)和两个感染类别(I:被动;A:主动)的四状态区间模型,并采用受Mirai和Torii启发的恢复与激活机制进行参数化。我们形式化了两个模型版本:用于静态种群的离散时间马尔可夫链模型和用于动态种群的仿射转移路由模型,并给出了完整的转移矩阵规范和稳态分析。该DEVS架构使用七元组原子模型和五元组耦合模型原语,跨七个系统组件进行了形式化规范。实现在聚合区间层面运行:静态场景代表总计20亿个设备,而动态场景以20亿个设备初始化,随后通过设备到达和离开进行演化。控制器在每个仿真步骤中使用数学转移方程更新四个聚合种群计数。IoT_Device组件作为代表性结构元素用于演示耦合机制;实现中并未为每个被代表的设备实例化DEVS原子模型或创建一对一的个体耦合。涵盖四种行为模式下的二十四种场景提供了基于仿真的静态和动态种群假设下的一致性检验。分析还识别了能够支持清洁、缓解或僵尸网络持续存在的恢复率范围,同时明确阐述了现有验证证据的局限性。

## 引言

截至2023年,物联网生态系统已扩展到超过270亿个活跃设备,预计到2030年将接近1000亿个[1]、[2]。这些设备的共同特征——持续的互联网连接、受限的计算资源以及历史上有限的安全加固——使它们成为当代联网计算中最大且最易受攻击的攻击面之一。

Mirai僵尸网络(2016年)生动地展示了这一威胁:通过利用IP摄像头、DVR和路由器上的出厂默认凭据,它组装了超过60万台设备并发动了超过620 Gbps的DDoS攻击[3]、[4]。Torii(2018年)通过引入跨MIPS、ARM、x86、SuperH和PowerPC架构的多机制持久性,进一步提高了威胁等级[5]。这些事件凸显了传播模型的必要性——不仅捕获物联网恶意软件如何传播,还要捕获设备异质性、僵尸行为和种群动力学如何影响物联网僵尸网络的长期演化。现有的SIR/SEIR衍生传播模型[6]、[7]、[8]、[9]提供了重要的定性见解,但仍表现出三个系统性局限。

经典模型将所有易感设备视为具有相同的易感染性。在实际中,物联网设备人群高度异质:使用出厂默认凭据的设备对于Mirai类暴力攻击的易感性比经过基本安全加固的设备高出几个数量级。因此,标准的流行病学模型掩盖了与高风险和低风险设备相关的高感染率和恢复路径的差异。

现有模型通常将受感染设备表示为单一类别,隐藏了被动僵尸与主动僵尸之间的关键操作区别——前者已安装恶意软件但等待命令,后者则扫描、暴力攻击或执行DDoS攻击。这一区别至关重要,因为只有主动设备直接驱动传播并产生攻击流量。

大多数模型假设封闭且固定规模的种群,忽略了新出厂设备的持续上线以及失败、替换或断连设备的退役。这一假设限制了此类模型代表大规模物联网生态系统的能力,而后者的组成随时间不断变化。

为解决这些局限,本文提出了一种统一的物联网僵尸网络传播框架,基于包含两个易感类别S1和S2以及两个感染类别I和A的四状态区间模型。该模型受Mirai和Torii恶意软件行为的启发,形式化为静态情况下的离散时间马尔可夫链和动态情况下的仿射转移路由模型,并使用离散事件系统规范(DEVS)形式和动态结构重构进行实现。

本文的主要贡献有五方面。第一,引入了双易感性模型,其中S1和S2捕获独立的感染率(α1≠α2)和恢复路径(λ:重启率;μ:补丁率)。第二,将受感染设备分解为被动和主动状态,其中I和A作为一等模型状态表示,具有不同的方程和马尔可夫矩阵条目。第三,开发了两个形式化规范的模型版本:静态四状态马尔可夫链和具有随机路由矩阵的动态六状态会计模型,用于设备转移,两者均包含显式平衡方程和稳态分析。第四,提出了一个由七个七元组原子模型和一个五元组耦合模型组成的正式DEVS架构,其中控制器更新聚合区间计数,IoT_Device组件作为代表性结构元素用于说明耦合机制。第五,推导了恢复率平衡关系和基于场景的管理员命题,识别出四种行为模式。

本文实质性扩展了我们的先前会议论文[10],该论文引入了一个针对静态封闭物联网种群的初始概念验证四状态DEVS模型,并评估了四个对应主要行为案例的仿真场景。本文在七个主要方向上扩展了该工作。第一,引入了形式化规范的动态开放种群模型,通过扩展的6×6转移路由矩阵和八个动态仿真场景来考虑设备的到达和离开。第二,为所有七个组件提供了完整的七元组DEVS原子模型规范、五元组耦合模型规范、FindNextState算法以及显式的动态结构操作。第三,计算了马尔可夫链转移矩阵,从平衡方程推导了被动/主动稳态关系,并用与模型方程一致的无量纲感染压力指数取代了再生数类比。第四,呈现了一个由七个七元组原子模型和一个五元组耦合模型组成的正式DEVS架构。在实现中,控制器在每个仿真步骤中更新四个聚合区间计数S1、S2、I和A。IoT_Device组件作为代表性结构元素用于说明耦合机制,并未为种群计数代表的每个设备实例化。第五,引入了四个基于场景的管理员命题,用于识别清洁、缓解或僵尸网络持续的系统状态。第六,定性讨论了参数敏感性,同时避免了不支持的数值敏感性声明。最后,扩展了相关工作分析,纳入了图感知传播模型和基于DEVS的安全仿真,并通过八个代表性模型的六维比较进行了支撑。

本文其余部分组织如下:第2节回顾了物联网僵尸网络、流行病学建模、马尔可夫链和基于DEVS的仿真方法的背景文献和相关工作。第3节提出了物联网僵尸网络仿真框架,包括区间模型、马尔可夫链公式和DEVS架构。第4节描述了仿真环境、参数设置和实验场景。第5节呈现了仿真结果和定量分析。第6节讨论了研究结果的影响、模型假设以及物联网僵尸网络缓解的实际见解。最后,第7节总结了本文并概述了未来研究方向。

## 章节片段

### 物联网僵尸网络生命周期与恶意软件特征

典型的物联网僵尸网络经历五个阶段[3]、[11]:(1) 初始感染——自动扫描和凭据暴力破解(S→I);(2) 二次注入——投递并安装恶意软件二进制文件;(3) C&C连接——建立持久通道(从I过渡到具备C&C能力);(4) 恶意活动——主动僵尸执行僵尸网络主命令(I→A,速率ρ);(5) 维护——二进制文件更新和C&C迁移。

### 区间模型设计

模型定义四个区间(表2):S1(高风险易感,出厂默认凭据,可被Mirai目标化,通过重启恢复→S1);S2(低风险易感,加固凭据,可被Torii目标化,通过补丁恢复→S2);I(被动感染,恶意软件已安装但等待命令);A(主动感染,执行僵尸网络主命令)。S1?I路径模拟Mirai类感染;S2?I路径模拟Torii类感染。I?A转移捕获了可变延迟

### 环境与参数

仿真采用以下设置进行。收敛准则定义为‖v(t+1)?v(t)‖1<10??×N(0)。

仿真初始化为聚合种群N(0)=2×10?个设备,在四个区间中的分布如下:S1(0)=1.2×10?,S2(0)=6.0×10?,I(0)=1.2×10?,A(0)=8.0×10?。

这些值分别对应初始种群的60%、30%、6%和4%。在每个仿真步骤中,控制器应用数学转移方程

**案例1:补丁主导的清洁状态**

在四个子案例中,S2累积了主要种群份额,因为受感染设备通过补丁恢复到S2或通过重启介导的恢复回到S1。S2→I管道几乎关闭(α2≤0.05),因此A迅速减少。在C1-C(图4)中,来自S1的初始感染流为α1S1(0)=0.25×12亿=3亿设备,对应S1(0)的25%,这是在考虑同时进行的恢复和转移流之前。结果如图4所示。

**案例2:感染状态**

在案例2的场景中,α1,α

### 讨论

**四模式边界与感染压力解释。** 在报告的场景中,案例2使用λ+μ值从0.02到0.14,而案例3使用λ+μ∈{0.16,0.18,0.20}。案例3的感染率满足α1=α2∈{0.10,0.20},其中四个场景中有三个使用0.20。该边界使用公式(23)和公式(17)中的指数K进行解释。在此范围以下,易感到感染的压力主导了I的有效排出;而高于此范围时,重启和补丁移除了足够多的

### 结论

本文提出了一种基于DEVS的物联网僵尸网络传播建模框架,解决了现有模型的三个局限:同质易感性、坍缩的感染状态和静态种群假设。提出的四状态模型(S1、S2、I、A)受有记录的Mirai和Torii行为的启发,以静态和动态版本推导,包含转移路由矩阵和稳态分析,并形式化为具有动态结构的聚合DEVS系统

### 稿件准备过程中生成式AI和AI辅助技术的声明

在本手稿的修订过程中,仅使用OpenAI的ChatGPT和Codex来协助语言清晰性、文本组织和数学描述的一致性检查。所有AI辅助内容均经作者审阅、验证和必要修订。作者对已发表文章的内容承担全部责任。未使用AI工具生成数据、图表或参考文献。

Ghena Barakat | Basheer Al-Duwairi | Moath Jarrah
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