李 腾，曹世杰，尹思薇，魏大卫，马鑫迪，马建峰

(西安电子科技大学 网络与信息安全学院，陕西 西安 710071)

网络攻击图和最佳攻击路径规划的分析一直以来都是国内外信息安全领域讨论和研究的热点话题之一。在对系统网络进行渗透测试时，渗透测试人员在了解对方网络拓扑以及主机之间连通性的前提下，都希望能够找到一条代价最小、高效精准的攻击路径，以达到渗透的预期目标。本文所要解决的问题就是如何在一个存在IDS报警的网络主机环境里通过机器学习的方式高效精准地寻找到最优的攻击路径。防守者如果能够提前对攻击路径进行构造，站在攻击者的角度思考问题时，则可以帮助系统防御者更好地防护系统，最终避免攻击和威胁的发生。但由于系统网络的复杂性和诸多不确定因素，如：攻击者的攻击行为选择不确定性，环境反馈因素不确定性，主机系统漏洞利用难度不确定性，等，这些不利的条件都对生成攻击图或攻击路径造成了很大的困难。同时攻击者模型的建立与完善的好坏也将直接影响最优攻击路径的价值大小。所以，综合上述的种种因素，合理、科学、高效地生成攻击图和攻击路径具有不小的挑战与困难。

攻击图是目前十分流行的用来分析网络脆弱性关联度的技术，最早是由文献[1]提出的基于攻击图的网络脆弱性分析方法。针对攻击图构造问题，现有的生成攻击图的方式也有很多，主要可分为基于网络属性(即网络安全状态空间)和基于网络脆弱性这两类，同时大多数都是依靠遍历和搜索图结构来获取攻击图，但存在一定的问题，如状态爆炸、攻击图生成速率较慢等。……