本公開(kāi)涉及工控網(wǎng)絡(luò)領(lǐng)域，尤其涉及一種工控網(wǎng)絡(luò)安全預(yù)警方法及系統(tǒng)。
背景技術(shù)：
：隨著工業(yè)控制系統(tǒng)與互聯(lián)網(wǎng)的不斷融合，工業(yè)控制系統(tǒng)不可避免地暴露在網(wǎng)絡(luò)安全威脅之下，使得工控網(wǎng)絡(luò)的安全性、穩(wěn)定性變得越來(lái)越不可控。據(jù)統(tǒng)計(jì)，當(dāng)前工控網(wǎng)絡(luò)中70％的聯(lián)網(wǎng)設(shè)備存在安全漏洞，而預(yù)計(jì)未來(lái)接入物聯(lián)網(wǎng)的90％的軟硬件設(shè)備會(huì)存在一定程度的安全隱患，因此工控網(wǎng)絡(luò)安全問(wèn)題亟待解決。目前針對(duì)工控網(wǎng)絡(luò)安全，絕大多數(shù)廠(chǎng)商的解決方案都是按照定制的安全規(guī)則對(duì)工控?cái)?shù)據(jù)包進(jìn)行過(guò)濾，對(duì)命中黑名單的操作進(jìn)行告警。相關(guān)技術(shù)中，配置了安全大數(shù)據(jù)平臺(tái)以執(zhí)行這一功能。一般的安全大數(shù)據(jù)平臺(tái)是集大數(shù)據(jù)存儲(chǔ)、查詢(xún)和分析于一體的統(tǒng)一平臺(tái)，以較大的數(shù)據(jù)中心和大型集群服務(wù)器為支持，以海量數(shù)據(jù)處理引擎和實(shí)時(shí)數(shù)據(jù)處理引擎為核心，并針對(duì)城市、物聯(lián)網(wǎng)等數(shù)據(jù)和計(jì)算密集型行業(yè)的運(yùn)行維護(hù)、應(yīng)用開(kāi)發(fā)等需求，打造了開(kāi)放性分布式軟件體系。但是，對(duì)于該安全大數(shù)據(jù)平臺(tái)，從大數(shù)據(jù)專(zhuān)業(yè)角度看，其是一個(gè)集成大數(shù)據(jù)處理和實(shí)時(shí)數(shù)據(jù)處理的通用平臺(tái)。但對(duì)于工控現(xiàn)場(chǎng)來(lái)說(shuō)，其存在以下問(wèn)題：1)工控現(xiàn)場(chǎng)一般缺少很大的數(shù)據(jù)中心，不能支持大型集群服務(wù)器的部署；2)工控現(xiàn)場(chǎng)網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單、單一，不能滿(mǎn)足復(fù)雜、大量、高速的數(shù)據(jù)傳輸要求；3)工控網(wǎng)絡(luò)的實(shí)時(shí)數(shù)據(jù)處理一般都需要約50毫秒的響應(yīng)時(shí)間，而上述安全大數(shù)據(jù)平臺(tái)由于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，導(dǎo)致網(wǎng)絡(luò)延遲較大，無(wú)法滿(mǎn)足數(shù)據(jù)實(shí)時(shí)處理的要求；4)上述安全大數(shù)據(jù)平臺(tái)的算法模型比較單一，處理能力有限。因此，有必要開(kāi)發(fā)適用于工控現(xiàn)場(chǎng)的新的工控網(wǎng)絡(luò)安全預(yù)警方案。技術(shù)實(shí)現(xiàn)要素：為克服相關(guān)技術(shù)中存在的問(wèn)題，本公開(kāi)提供一種工控網(wǎng)絡(luò)安全預(yù)警方法及系統(tǒng)。根據(jù)本公開(kāi)實(shí)施例的第一方面，提供一種工控網(wǎng)絡(luò)安全預(yù)警方法，包括：獲取工控網(wǎng)絡(luò)的控制事件的安全相關(guān)數(shù)據(jù)；對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep(complexeventprocessing，復(fù)合事件處理)分析；以及采用基于深度學(xué)習(xí)的分類(lèi)器對(duì)經(jīng)cep分析后的數(shù)據(jù)進(jìn)行控制事件的風(fēng)險(xiǎn)識(shí)別。根據(jù)本公開(kāi)實(shí)施例的第二方面，提供一種工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)，包括：數(shù)據(jù)獲取模塊，用于獲取工控網(wǎng)絡(luò)的控制事件的安全相關(guān)數(shù)據(jù)；第一處理模塊，用于對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep分析；以及第二處理模塊，用于采用基于深度學(xué)習(xí)的分類(lèi)器對(duì)經(jīng)cep分析后的數(shù)據(jù)進(jìn)行控制事件的風(fēng)險(xiǎn)識(shí)別。本公開(kāi)的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：本公開(kāi)實(shí)施例的工控網(wǎng)絡(luò)安全預(yù)警方法及系統(tǒng)可以部署于資源受限的工控現(xiàn)場(chǎng)，適合于單節(jié)點(diǎn)或者多個(gè)節(jié)點(diǎn)部署環(huán)境，部署方式更為靈活。并且，在工控現(xiàn)場(chǎng)的部署方法減少了網(wǎng)絡(luò)延遲，提高了實(shí)時(shí)數(shù)據(jù)的處理響應(yīng)速度，提高了風(fēng)險(xiǎn)預(yù)警能力。另外，采用基于深度學(xué)習(xí)的分類(lèi)器進(jìn)行風(fēng)險(xiǎn)識(shí)別，識(shí)別的準(zhǔn)確率更高，而cep分析和深度學(xué)習(xí)方案的結(jié)合又使得風(fēng)險(xiǎn)識(shí)別的效率大幅度提高。應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開(kāi)。附圖說(shuō)明此處的附圖被并入說(shuō)明書(shū)中并構(gòu)成本說(shuō)明書(shū)的一部分，示出了符合本發(fā)明的實(shí)施例，并與說(shuō)明書(shū)一起用于解釋本發(fā)明的原理。圖1是根據(jù)一示例性實(shí)施例示出的一種工控網(wǎng)絡(luò)安全預(yù)警方法的流程圖。圖2是根據(jù)一示例性實(shí)施例示出的cep系統(tǒng)的架構(gòu)框圖。圖3是根據(jù)一示例性實(shí)施例示出的事件的相關(guān)性分析的流程圖。圖4是根據(jù)一示例性實(shí)施例示出的事件的相關(guān)性分析的原理圖。圖5是根據(jù)一示例性實(shí)施例示出的按時(shí)間展開(kāi)的遞歸神經(jīng)網(wǎng)絡(luò)的原理圖。圖6是根據(jù)另一示例實(shí)施例示出的工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的結(jié)構(gòu)框圖。圖7是根據(jù)另一示例實(shí)施例示出的構(gòu)建示例工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的技術(shù)框架圖。圖8是根據(jù)另一示例實(shí)施例示出的實(shí)時(shí)流式數(shù)據(jù)處理框架與深度學(xué)習(xí)框架的集成方案的原理圖。具體實(shí)施方式這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說(shuō)明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本發(fā)明相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書(shū)中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。圖1是根據(jù)一示例性實(shí)施例示出的一種工控網(wǎng)絡(luò)安全預(yù)警方法的流程圖，如圖1所示，所述工控網(wǎng)絡(luò)安全預(yù)警方法主要包括以下步驟。在步驟s11中，獲取工控網(wǎng)絡(luò)的控制事件的安全相關(guān)數(shù)據(jù)。其中，所述安全相關(guān)數(shù)據(jù)可以包括工控網(wǎng)絡(luò)的歷史安全數(shù)據(jù)、歷史審計(jì)數(shù)據(jù)、實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)。這里，對(duì)于歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)的獲取渠道可以不同，主要有兩種方式：1)從工控網(wǎng)絡(luò)的安全監(jiān)管平臺(tái)和安全審計(jì)系統(tǒng)導(dǎo)入工控網(wǎng)絡(luò)的歷史安全數(shù)據(jù)和歷史審計(jì)數(shù)據(jù)。2)實(shí)時(shí)獲取從工控網(wǎng)絡(luò)的消息中間件傳輸?shù)墓た鼐W(wǎng)絡(luò)的實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)。進(jìn)一步地，還需要將所述歷史安全數(shù)據(jù)、歷史審計(jì)數(shù)據(jù)、實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)存入數(shù)據(jù)庫(kù)中，本發(fā)明實(shí)施例優(yōu)選采用適合于單節(jié)點(diǎn)安裝的nosql數(shù)據(jù)庫(kù)，更為優(yōu)選采用nosql數(shù)據(jù)庫(kù)中的比較常用的是mongodb和cassandra，mongodb存儲(chǔ)json數(shù)據(jù)，更像一個(gè)json文檔庫(kù)；而cassandra更像一個(gè)傳統(tǒng)意義的數(shù)據(jù)庫(kù)，同時(shí)可以提供類(lèi)似sql查詢(xún)接口。并且，cassandra集群的無(wú)中心結(jié)構(gòu)使其集群更簡(jiǎn)單，易于部署。在步驟s12中，對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep分析。cep不僅處理單一的事件，也處理由多個(gè)事件所組成的復(fù)合事件，其監(jiān)測(cè)并分析事件流，當(dāng)特定事件發(fā)生時(shí)去觸發(fā)某些動(dòng)作。圖2示出了cep系統(tǒng)的架構(gòu)，如圖2所述，cep系統(tǒng)可以包括：1)適配器21：其包括復(fù)雜適配外圍系統(tǒng)的通訊協(xié)議，支持soap/rest、thrift格式等。2)事件流管理器22：其為核心調(diào)度模塊，可用于注冊(cè)可以處理的事件類(lèi)型，且對(duì)于每一種類(lèi)型，調(diào)用某一個(gè)或者多個(gè)執(zhí)行計(jì)劃來(lái)處理。3)執(zhí)行計(jì)劃23：其包含進(jìn)行事件處理的邏輯規(guī)則，為事件處理提供了一個(gè)獨(dú)立的、相互隔離的運(yùn)行環(huán)境?；赾ep系統(tǒng)的架構(gòu)，本實(shí)施例的cep分析的過(guò)程優(yōu)選可以包括：在固定時(shí)間窗口對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)匯總以確定控制事件的相關(guān)屬性；以及結(jié)合控制事件的相關(guān)屬性和預(yù)設(shè)的規(guī)則引擎對(duì)控制事件進(jìn)行相關(guān)性分析以獲取各控制事件之間的相關(guān)性。即，本實(shí)施例中涉及的cep分析主要包括統(tǒng)計(jì)匯總和相關(guān)性分析兩部分，下面具體介紹這兩部分：1)統(tǒng)計(jì)匯總進(jìn)行統(tǒng)計(jì)匯總目的在于獲取控制事件的統(tǒng)計(jì)數(shù)據(jù)，對(duì)于絕大多數(shù)控制事件，通過(guò)統(tǒng)計(jì)匯總，可以反映出某些控制事件發(fā)生的時(shí)間、頻率等信息。在優(yōu)選的實(shí)施例中，在對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep分析之前，可以先對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行聚類(lèi)分析，事件的統(tǒng)計(jì)匯總再在聚類(lèi)分析的基礎(chǔ)上進(jìn)行，例如將控制事件按照時(shí)間次序進(jìn)行統(tǒng)計(jì)匯總，以確定控制事件的相關(guān)屬性，進(jìn)而捕捉到事件之間的關(guān)聯(lián)關(guān)系。從統(tǒng)計(jì)學(xué)的觀點(diǎn)看，聚類(lèi)分析是通過(guò)數(shù)據(jù)建模簡(jiǎn)化數(shù)據(jù)的一種方法。本發(fā)明實(shí)施例中，聚類(lèi)是將控制事件的安全相關(guān)數(shù)據(jù)分類(lèi)到不同的類(lèi)或者簇中的過(guò)程，使得同一個(gè)簇中的對(duì)象有很大的相似性，而不同簇間的對(duì)象有很大的相異性，從而可以利用聚類(lèi)分析方法理解控制事件的數(shù)據(jù)結(jié)構(gòu)、剖析控制事件數(shù)據(jù)項(xiàng)中的關(guān)鍵因素。本實(shí)施例中可采用的聚類(lèi)分析方法包括系統(tǒng)聚類(lèi)法、分解法、加入法、動(dòng)態(tài)聚類(lèi)法、有序樣品聚類(lèi)、有重疊聚類(lèi)和模糊聚類(lèi)等，更為優(yōu)選采用k-mean聚類(lèi)和k-modes聚類(lèi)。其中，k-means聚類(lèi)的基礎(chǔ)是樣本之間的歐幾里德距離，但是僅對(duì)于樣本屬性為連續(xù)實(shí)數(shù)的情況才可以計(jì)算歐幾里德距離，對(duì)于離散型屬性，例如兩個(gè)不同ip地址間的距離，則無(wú)法用實(shí)數(shù)衡量計(jì)算。k-modes聚類(lèi)算法是按照k-means聚類(lèi)算法的核心內(nèi)容進(jìn)行修改，針對(duì)分類(lèi)屬性的度量和更新質(zhì)心的問(wèn)題而進(jìn)行的改進(jìn)。k-modes聚類(lèi)算法的具體內(nèi)容如下：a)度量樣本之間的相關(guān)性d的計(jì)算公式是比較兩記錄之間差異，屬性相同為0，不同為1。b)然后把所有的差異值相加。因此d越大，即樣本之間的不相關(guān)程度越強(qiáng)，其與歐式距離代表的意義相一致。c)更新modes，使用每個(gè)聚類(lèi)中屬性出現(xiàn)頻率最大的那個(gè)屬性值，作為代表聚類(lèi)的屬性值。例如某個(gè)聚類(lèi)有樣本{[a,b][a,c][c,b][b,c]}，則代表聚類(lèi)的屬性值則為[a,b]或者[a,c]。需說(shuō)明的是，上述聚類(lèi)分析不是基于cep實(shí)現(xiàn)的，其實(shí)現(xiàn)方式將在下文詳細(xì)說(shuō)明。2)相關(guān)性分析如圖3所示，進(jìn)行相關(guān)性分析的主要步驟包括：步驟s31，通過(guò)控制事件的相關(guān)屬性捕捉各控制事件之間的關(guān)聯(lián)關(guān)系。步驟s32，通過(guò)預(yù)設(shè)的規(guī)則引擎確定控制事件的上下文環(huán)境數(shù)據(jù)。步驟s33，結(jié)合所捕捉的各控制事件之間的關(guān)聯(lián)關(guān)系和所確定的控制事件的上下文環(huán)境數(shù)據(jù)，確定各控制事件之間的相關(guān)性。圖4示出了事件相關(guān)性分析的原理。如圖4所示，對(duì)于控制事件的相關(guān)性分析來(lái)說(shuō)，有兩個(gè)非常重要的因素，一個(gè)是事件的統(tǒng)計(jì)數(shù)據(jù)(可以是對(duì)聚類(lèi)分析后的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)匯總所獲得的數(shù)據(jù))，另外一個(gè)則是事件之間的相關(guān)規(guī)則(借助預(yù)設(shè)的規(guī)則引擎確定)。通過(guò)事件的統(tǒng)計(jì)數(shù)據(jù)，可以通過(guò)反映出某些控制事件發(fā)生的時(shí)間、頻率等信息來(lái)反映出對(duì)應(yīng)的業(yè)務(wù)模式。然而，事件相關(guān)的一些上下文環(huán)境因素(即業(yè)務(wù)模式)，例如網(wǎng)絡(luò)聯(lián)通性、用戶(hù)的角色、受控設(shè)備的狀態(tài)等等，更能對(duì)于事件的理解提供更大的幫助。因此，在步驟s33中，實(shí)質(zhì)上結(jié)合了事件的統(tǒng)計(jì)數(shù)據(jù)和事件之間的相關(guān)規(guī)則，將事件的上下文環(huán)境數(shù)據(jù)與事件的相關(guān)屬性進(jìn)行綜合判斷，分析事件之間的關(guān)聯(lián)關(guān)系，以確定各控制事件之間的相關(guān)性。在步驟s13中，采用基于深度學(xué)習(xí)的分類(lèi)器對(duì)經(jīng)cep分析后的數(shù)據(jù)進(jìn)行控制事件的風(fēng)險(xiǎn)識(shí)別。這里，風(fēng)險(xiǎn)識(shí)別與安全事件歸并提醒不同，其是通過(guò)分析連續(xù)的安全事件、審計(jì)數(shù)據(jù)，刨析隱藏在其中的行為模式，識(shí)別安全風(fēng)險(xiǎn)。并且，結(jié)合安全評(píng)價(jià)、業(yè)務(wù)場(chǎng)景、設(shè)備重要性等對(duì)于單個(gè)工控指令進(jìn)行風(fēng)險(xiǎn)提醒。風(fēng)險(xiǎn)識(shí)別可以基于機(jī)器學(xué)習(xí)分類(lèi)器來(lái)進(jìn)行，即經(jīng)過(guò)歷史數(shù)據(jù)學(xué)習(xí)的機(jī)器學(xué)習(xí)模塊，對(duì)于單個(gè)安全事件進(jìn)行分析、分類(lèi)，判斷控制事件是否不符合常規(guī)業(yè)務(wù)模式，以識(shí)別、告警安全事件。其中，本發(fā)明實(shí)施例優(yōu)選采用基于深度學(xué)習(xí)的分類(lèi)器(或稱(chēng)為基于深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)器)，更為優(yōu)選采用基于遞歸神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetworks，以下簡(jiǎn)稱(chēng)為rnn)的分類(lèi)器，基于rnn的安全事件分類(lèi)器可以更好地理解安全事件之間的相關(guān)性，基于安全事件的前因后果，對(duì)于事件的安全風(fēng)險(xiǎn)做出更加可靠的評(píng)估。下面介紹rnn的基本工作原理，更多的細(xì)節(jié)可參考現(xiàn)有相關(guān)文獻(xiàn)。rnn又被稱(chēng)為循環(huán)神經(jīng)網(wǎng)絡(luò)，其具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對(duì)前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層之間的節(jié)點(diǎn)不再無(wú)連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。圖5示出了按時(shí)間展開(kāi)的rnn，其中所涉及的各個(gè)參數(shù)記號(hào)表示的含義如下：1)網(wǎng)絡(luò)某一時(shí)刻的輸入xt，和多層感知器的輸入一樣，xt是一個(gè)n維向量，不同的是遞歸網(wǎng)絡(luò)的輸入將是一整個(gè)序列，也就是x＝[x0,...,xt-1,xt,xt+1,...xt]，對(duì)于語(yǔ)言模型，每一個(gè)xt將代表一個(gè)詞向量，一整個(gè)序列就代表一句話(huà)。2)ht代表時(shí)刻t的隱藏狀態(tài)。3)ot代表時(shí)刻t的輸出。4)輸入層到隱藏層直接的權(quán)重由u表示，它將我們的原始輸入進(jìn)行抽象作為隱藏層的輸入。5)隱藏層到隱藏層的權(quán)重w，它是網(wǎng)絡(luò)的記憶控制者，負(fù)責(zé)調(diào)度記憶。6)隱藏層到輸出層的權(quán)重v，從隱藏層學(xué)習(xí)到的表示將通過(guò)它再一次抽象，并作為最終輸出。基于上述按時(shí)間展示的rnn，rnn分為兩個(gè)階段，具體為：(1)rnn的向前(forward)階段首先在t＝0的時(shí)刻，u、v、w都被隨機(jī)初始化好，h0通常初始化為0，然后進(jìn)行如下計(jì)算：s1＝ux1+wh0h1＝f(s1)o1＝g(vh1)這樣時(shí)間就向前推進(jìn)，此時(shí)的狀態(tài)h1作為時(shí)刻0的記憶狀態(tài)將參與下一次的預(yù)測(cè)活動(dòng)，可表示為：s2＝ux2+wh1h2＝f(s2)o2＝g(vh2)以此類(lèi)推st＝uxt+wht-1ht＝f(uxt+wht-1)ot＝g(vht)其中f可以是tanh、relu、logistic這三種函數(shù)的其中之一，g可以是softmax函數(shù)，也可以是其他函數(shù)。因此，可知rnn的記憶能力就是通過(guò)w將以往的輸入狀態(tài)進(jìn)行總結(jié)，而作為下次輸入的輔助，也即是可以參考下式理解隱藏狀態(tài)：h＝f(現(xiàn)有的輸入+過(guò)去記憶總結(jié))(2)rnn的向后(backward)階段上面介紹了rnn如何做序列化預(yù)測(cè)，即如何一步步預(yù)測(cè)出o0,o1,....ot-1,ot,ot+1.....，下來(lái)說(shuō)明u、v、w是如何訓(xùn)練的。這里需要利用類(lèi)似于多層感知器和卷積神經(jīng)網(wǎng)絡(luò)用到的back-propagation方法，也就是利用輸出層的誤差cost，求解各個(gè)權(quán)重的梯度然后利用梯度下降法更新各個(gè)權(quán)重。由于是序列化預(yù)測(cè)，那么對(duì)于每一時(shí)刻t，網(wǎng)絡(luò)的輸出ot都會(huì)產(chǎn)生一定誤差et，誤差可任意選擇，可以是crossentropy，也可以是平方誤差等等。那么總的誤差為e＝∑tet，則可求取各個(gè)權(quán)重的梯度如下：易知輸出ot＝g(vst)。另外，可知對(duì)于任意的cost函數(shù)，求取將是簡(jiǎn)單的，可以直接求取每個(gè)時(shí)刻的由于它不存在對(duì)之前的狀態(tài)的依賴(lài)，可以直接求導(dǎo)取得，然后簡(jiǎn)單地求和即可。下面重點(diǎn)介紹的計(jì)算。參照多層感知器的backprop算法，可知算法的竅門(mén)是定義一個(gè)首先計(jì)算出輸出層的δl，再向后傳播到各層δl-1,δl-2,....，而計(jì)算δ只要關(guān)注當(dāng)前層次發(fā)射出去的鏈接即可，如下式：δht＝(vtδot+wtδht+1).*f'(st)因此，只要計(jì)算出所有的δot,δht，就可以通過(guò)以下計(jì)算出其中×表示兩個(gè)向量的外積。如此，通過(guò)機(jī)器學(xué)習(xí)可在安全評(píng)價(jià)的基礎(chǔ)上，進(jìn)行風(fēng)險(xiǎn)識(shí)別，從而可以更為全面地實(shí)現(xiàn)安全預(yù)警。這里，基于深度學(xué)習(xí)的分類(lèi)器，可以使風(fēng)險(xiǎn)識(shí)別的準(zhǔn)確率更高(準(zhǔn)確率可達(dá)90％以上)。并且，基于深度學(xué)習(xí)的分類(lèi)器算法本身是分布式的，在數(shù)據(jù)訓(xùn)練期間，可以在多個(gè)節(jié)點(diǎn)進(jìn)行大規(guī)模、分布式訓(xùn)練，提高訓(xùn)練的精度和速度，然后將模型存儲(chǔ)起來(lái)，單節(jié)點(diǎn)部署，進(jìn)行安全風(fēng)險(xiǎn)識(shí)別。本實(shí)施例中，深度學(xué)習(xí)分類(lèi)器算法的學(xué)習(xí)訓(xùn)練可以分為三個(gè)階段：1)歷史數(shù)據(jù)訓(xùn)練：通過(guò)歷史存儲(chǔ)的控制事件的安全相關(guān)數(shù)據(jù)訓(xùn)練基于深度學(xué)習(xí)的分類(lèi)器，以獲得相應(yīng)的深度學(xué)習(xí)模型。這里，歷史存儲(chǔ)的控制事件的安全相關(guān)數(shù)據(jù)可以為上述的歷史安全數(shù)據(jù)和歷史審計(jì)數(shù)據(jù)，其屬于前期收集的實(shí)際客戶(hù)真實(shí)數(shù)據(jù)，利用其對(duì)基于深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)器進(jìn)行訓(xùn)練，不斷調(diào)整系統(tǒng)參數(shù)，可以?xún)?yōu)化識(shí)別準(zhǔn)確率。2)工控網(wǎng)絡(luò)運(yùn)行期間：加載并還原所述深度學(xué)習(xí)模型，以對(duì)實(shí)時(shí)獲取的控制事件的安全相關(guān)數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)警，并輸出預(yù)警結(jié)果。這里，歷史數(shù)據(jù)訓(xùn)練完成的模型采用序列化工具，將整個(gè)深度學(xué)習(xí)模型存儲(chǔ)為二進(jìn)制文件。在系統(tǒng)部署運(yùn)行時(shí)，再加載、還原整個(gè)深度學(xué)習(xí)模型，對(duì)實(shí)際的實(shí)時(shí)獲取的控制事件的安全相關(guān)數(shù)據(jù)進(jìn)行分類(lèi)、預(yù)警，并輸出。需說(shuō)明，這里的實(shí)時(shí)獲取的控制事件的安全相關(guān)數(shù)據(jù)包括上述的實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)。3)分類(lèi)器優(yōu)化：接收用戶(hù)對(duì)于預(yù)期結(jié)果的反饋信息，并根據(jù)所述反饋信息來(lái)優(yōu)化所述深度學(xué)習(xí)模型。具體地，在工控網(wǎng)絡(luò)部署運(yùn)行期間，在深度神經(jīng)網(wǎng)絡(luò)分類(lèi)器給出預(yù)警結(jié)果后，可以由用戶(hù)通過(guò)ui界面，設(shè)置同類(lèi)告警下次的處理動(dòng)作(忽略、告警、危險(xiǎn)等)，以便對(duì)于分類(lèi)器更進(jìn)一步根據(jù)客戶(hù)的需要和實(shí)際情況進(jìn)行分類(lèi)學(xué)習(xí)，優(yōu)化分類(lèi)器以提高分類(lèi)器的預(yù)警準(zhǔn)確率。此外，還優(yōu)選在gpu(graphicsprocessingunit，圖形處理器)上執(zhí)行深度學(xué)習(xí)算法，gpu相對(duì)于普通cpu運(yùn)算速度能提高7倍以上。結(jié)合上文，本實(shí)施例的工控網(wǎng)絡(luò)安全預(yù)期方案的整個(gè)安全風(fēng)險(xiǎn)識(shí)別過(guò)程可以分為兩個(gè)階段，第一個(gè)階段先以cep為核心，與上述的“統(tǒng)計(jì)匯總”和“相關(guān)性分析”部分相關(guān)聯(lián)，主要是對(duì)于控制事件進(jìn)行相關(guān)性分析，找到事件之間的關(guān)聯(lián)關(guān)系，對(duì)于控制事件進(jìn)行初步的過(guò)濾，初步確定安全事件；第二階段以深度學(xué)習(xí)為核心，在cep處理懷疑事件有安全風(fēng)險(xiǎn)時(shí)，然后利用深度學(xué)習(xí)工具，對(duì)于安全事件進(jìn)行更進(jìn)一步的分析，找出其中的高危控制事件。需說(shuō)明的是，雖然也可僅基于第二階段進(jìn)行風(fēng)險(xiǎn)識(shí)別，但是cep的處理速度要遠(yuǎn)遠(yuǎn)高于基于機(jī)器學(xué)習(xí)的算法工具，因此兩者的結(jié)合有助于提高風(fēng)險(xiǎn)識(shí)別的效率。進(jìn)一步，基于cep分析與深度學(xué)習(xí)方案的結(jié)合，本發(fā)明實(shí)施例可實(shí)現(xiàn)多項(xiàng)業(yè)務(wù)功能，主要包括安全評(píng)價(jià)和風(fēng)險(xiǎn)識(shí)別兩個(gè)方面。一、安全評(píng)價(jià)本實(shí)施例中，通過(guò)cep分析結(jié)果計(jì)算用于安全評(píng)價(jià)的安全指數(shù)security_index，以此來(lái)進(jìn)行安全評(píng)價(jià)。其中，cep分析結(jié)果中所涉及的參數(shù)，也就是用于計(jì)算安全指數(shù)的安全指標(biāo)，如下面的表1所示。表1，安全指標(biāo)表對(duì)應(yīng)的安全指數(shù)security_index的計(jì)算公式可定義為：如此，可根據(jù)所述安全指數(shù)對(duì)總體工控網(wǎng)絡(luò)和/或單獨(dú)的安全事件進(jìn)行安全評(píng)價(jià)，例如：1)security_index反映總體工控網(wǎng)絡(luò)的安全程度，security_index值越大，則危險(xiǎn)等級(jí)越高；2)安全事件總數(shù)的變化反映了整個(gè)工控網(wǎng)絡(luò)安全型的態(tài)勢(shì)；3)安全指數(shù)的絕對(duì)值沒(méi)有實(shí)際意義，需要根據(jù)實(shí)際的數(shù)據(jù)，要從數(shù)據(jù)中學(xué)習(xí)，統(tǒng)計(jì)出中位數(shù)，劃分不同的數(shù)據(jù)區(qū)間，評(píng)價(jià)為綠/橙/紅；4)根據(jù)類(lèi)似定義，可以對(duì)單獨(dú)的安全事件進(jìn)行安全評(píng)價(jià)。二、風(fēng)險(xiǎn)識(shí)別參考上文關(guān)于步驟s13的相關(guān)描述，可采用基于深度學(xué)習(xí)的分類(lèi)器對(duì)經(jīng)cep分析后的數(shù)據(jù)進(jìn)行控制事件的風(fēng)險(xiǎn)識(shí)別，在此不再贅述。綜上，本發(fā)明實(shí)施例的工控網(wǎng)絡(luò)安全預(yù)警方法的前期構(gòu)建成本較低，后期的維護(hù)成本也相對(duì)較低，且其可以部署于資源受限的工控現(xiàn)場(chǎng)，適合于單節(jié)點(diǎn)或者多個(gè)節(jié)點(diǎn)部署環(huán)境，新節(jié)點(diǎn)加入后，數(shù)據(jù)可以自動(dòng)重新分區(qū)，部署方式更為靈活。并且，在工控現(xiàn)場(chǎng)的部署方法減少了網(wǎng)絡(luò)延遲，提高了實(shí)時(shí)數(shù)據(jù)的處理響應(yīng)速度，提高了風(fēng)險(xiǎn)預(yù)警能力。圖6是根據(jù)另一實(shí)施例示出的一種工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的結(jié)構(gòu)框圖。參照?qǐng)D6，該工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)包括數(shù)據(jù)獲取模塊61，第一處理模塊62和第二處理模塊63。其中，所述數(shù)據(jù)獲取模塊61被配置為獲取工控網(wǎng)絡(luò)的控制事件的安全相關(guān)數(shù)據(jù)，且其可以包括：第一接收模塊611，用于從工控網(wǎng)絡(luò)的安全監(jiān)管平臺(tái)和安全審計(jì)系統(tǒng)導(dǎo)入工控網(wǎng)絡(luò)的歷史安全數(shù)據(jù)和歷史審計(jì)數(shù)據(jù)；第二接收模塊612，用于實(shí)時(shí)獲取從工控網(wǎng)絡(luò)的消息中間件傳輸?shù)墓た鼐W(wǎng)絡(luò)的實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)；以及數(shù)據(jù)庫(kù)模塊613，與所述第一接收模塊和所述第二接收模塊通信，用于將所述歷史安全數(shù)據(jù)、歷史審計(jì)數(shù)據(jù)、實(shí)時(shí)安全數(shù)據(jù)和實(shí)時(shí)審計(jì)數(shù)據(jù)存入數(shù)據(jù)庫(kù)。其中，第二處理模塊62被配置為對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep分析，且該cep分析可以包括：在固定時(shí)間窗口對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)匯總以確定控制事件的相關(guān)屬性；以及結(jié)合控制事件的相關(guān)屬性和預(yù)設(shè)的規(guī)則引擎對(duì)控制事件進(jìn)行相關(guān)性分析以獲取各控制事件之間的相關(guān)性。優(yōu)選地，所述第一處理模塊62可以包括統(tǒng)計(jì)匯總模塊621和相關(guān)性分析模塊622；其中，所述統(tǒng)計(jì)匯總模塊621用于對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)匯總以確定控制事件的相關(guān)屬性；以及其中，所述相關(guān)性分析模塊622用于通過(guò)控制事件的相關(guān)屬性捕捉各控制事件之間的關(guān)聯(lián)關(guān)系，以及通過(guò)預(yù)設(shè)的規(guī)則引擎確定控制事件的上下文環(huán)境數(shù)據(jù)，并結(jié)合所捕捉的各控制事件之間的關(guān)聯(lián)關(guān)系和所確定的控制事件的上下文環(huán)境數(shù)據(jù)，確定各控制事件之間的相關(guān)性。其中，所述第二處理模塊63可以包括：模型訓(xùn)練模塊631，用于通過(guò)歷史存儲(chǔ)的控制事件的安全相關(guān)數(shù)據(jù)訓(xùn)練基于深度學(xué)習(xí)的分類(lèi)器，以獲得相應(yīng)的深度學(xué)習(xí)模型；分類(lèi)模塊632，用于在工控網(wǎng)絡(luò)運(yùn)行期間，加載并還原所述深度學(xué)習(xí)模型，以對(duì)實(shí)時(shí)獲取的控制事件的安全相關(guān)數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)警，并輸出預(yù)警結(jié)果；以及模型優(yōu)化模塊633，用于接收用戶(hù)對(duì)于預(yù)期結(jié)果的反饋信息，并根據(jù)所述反饋信息來(lái)優(yōu)化所述深度學(xué)習(xí)模型。此外，在更為優(yōu)先的實(shí)施例中，該工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)還可以包括：聚類(lèi)模塊，與所述第一處理模塊62通信，用于在對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行cep分析之前，對(duì)所述安全相關(guān)數(shù)據(jù)進(jìn)行聚類(lèi)分析。關(guān)于上述實(shí)施例中的系統(tǒng)，其中各個(gè)模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)該方法的實(shí)施例中進(jìn)行了詳細(xì)描述，此處將不做詳細(xì)闡述說(shuō)明。另外，以下關(guān)于本實(shí)施例中的系統(tǒng)的示例描述中內(nèi)容，也可適應(yīng)性用于上述有關(guān)方法的實(shí)施例中。在圖6的基礎(chǔ)上，下面通過(guò)一個(gè)工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的實(shí)例來(lái)更為詳細(xì)地介紹本發(fā)明實(shí)施例。該實(shí)例給出了構(gòu)建工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的總體技術(shù)框架，如圖7所示，可以包括以下五個(gè)組成部分，其中數(shù)據(jù)層71、基礎(chǔ)框架層73及應(yīng)用層74為實(shí)現(xiàn)本發(fā)明實(shí)施例的目的所必要的，而集群72及web層75可根據(jù)實(shí)際需求進(jìn)行配置。1)數(shù)據(jù)層71其可以對(duì)應(yīng)配置如上的數(shù)據(jù)獲取模塊61，包括第一接收模塊611(圖7中未示出)、第二接收模塊612(圖7中未示出)及數(shù)據(jù)庫(kù)模塊613，其中數(shù)據(jù)庫(kù)模塊613采用cassandra數(shù)據(jù)庫(kù)。第一接收模塊611其從外部mysql數(shù)據(jù)庫(kù)批量導(dǎo)入歷史數(shù)據(jù)以存入cassandra，這里的mysql數(shù)據(jù)庫(kù)為工控網(wǎng)絡(luò)的安全監(jiān)管平臺(tái)和安全審計(jì)系統(tǒng)的數(shù)據(jù)庫(kù)；第二接收模塊613用于將基礎(chǔ)框架層所獲取的實(shí)時(shí)數(shù)據(jù)導(dǎo)入至cassandra中，該實(shí)時(shí)數(shù)據(jù)是基礎(chǔ)框架層從消息中間件kafkatopic中實(shí)時(shí)獲取的。另外，cassandra數(shù)據(jù)在后續(xù)還將以一定的數(shù)據(jù)模型保存經(jīng)應(yīng)用層等處理后的數(shù)據(jù)，下文將詳細(xì)描述，在此則不再贅述。2)集群72集群為分布式部署的基礎(chǔ)，應(yīng)用的分布式處理和數(shù)據(jù)的橫向擴(kuò)展均依賴(lài)于此。本實(shí)施例采用spark集群，其由于優(yōu)秀的橫向擴(kuò)展能力、高效的處理速度贏得了廣泛的社區(qū)支持。同時(shí)，該集群還包括基于分區(qū)的數(shù)據(jù)處理rdd(resilientdistributeddatasets，彈性分布式數(shù)據(jù)集)，其為數(shù)據(jù)并發(fā)處理提供了高效支持。3)基礎(chǔ)框架層73該部分是整個(gè)上層應(yīng)用的技術(shù)基礎(chǔ)，由實(shí)時(shí)流式數(shù)據(jù)處理框架sparkstream、cep處理框架以及深度學(xué)習(xí)框架tensorflow組成。其中，實(shí)時(shí)流式數(shù)據(jù)處理框架sparkstream用于實(shí)時(shí)從消息中間件kafkatopic中獲取工控網(wǎng)絡(luò)控制事件的實(shí)時(shí)數(shù)據(jù)，其還可以對(duì)數(shù)據(jù)進(jìn)行初步加工以寫(xiě)入nosql數(shù)據(jù)庫(kù)中。其中，上述的第一處理模塊基于所述cep處理框架實(shí)現(xiàn)，以對(duì)控制事件在固定時(shí)間窗口內(nèi)進(jìn)行匯總及相關(guān)性分析等。其中，上述的第二處理模塊和聚類(lèi)模塊可以基于深度學(xué)習(xí)框架tensorflow實(shí)現(xiàn)，以提供各種智能算法，為cep分析預(yù)處理數(shù)據(jù)以及對(duì)相關(guān)數(shù)據(jù)進(jìn)行模式分析，以識(shí)別高?？刂剖录?。在更為優(yōu)選的示例中，實(shí)時(shí)流式數(shù)據(jù)處理框架sparkstream與深度學(xué)習(xí)框架tensorflow可以集成在一起。如圖8所示，該集成方案中：spark集群為scala程序，運(yùn)行于java虛擬機(jī)上，tensorflow的核心為c++，運(yùn)行于操作系統(tǒng)之上。spark集群從cassandra中讀取數(shù)據(jù)、經(jīng)過(guò)轉(zhuǎn)換之后，需要將數(shù)據(jù)送入tensorflow進(jìn)行處理。而實(shí)時(shí)數(shù)據(jù)經(jīng)過(guò)sparkstream處理后，也需要送入tensorflow進(jìn)行安全風(fēng)險(xiǎn)分類(lèi)。因?yàn)閟park和tensorflow均提供python接口，且都可以在程序運(yùn)行期間與外部的python程序進(jìn)行數(shù)據(jù)交互?；诖?，可以在spark與tensorflow之間構(gòu)造一個(gè)數(shù)據(jù)管道，讓spark將數(shù)據(jù)轉(zhuǎn)換結(jié)果寫(xiě)入數(shù)據(jù)管道，然后經(jīng)過(guò)tensorflow的feeding機(jī)制，將數(shù)據(jù)送入tensorflow，通過(guò)tensorflow進(jìn)行機(jī)器學(xué)習(xí)、聚類(lèi)分析等?；谝陨匣A(chǔ)框架，可以向應(yīng)用層提供安全態(tài)勢(shì)、安全策略、安全評(píng)價(jià)和風(fēng)險(xiǎn)識(shí)別等業(yè)務(wù)功能。并且，經(jīng)各基礎(chǔ)框架處理后的數(shù)據(jù)都可以寫(xiě)入至nosql數(shù)據(jù)庫(kù)中。4)應(yīng)用層74其用于配置由基礎(chǔ)框架層所支持的業(yè)務(wù)功能模塊，例如可以對(duì)應(yīng)配置安全評(píng)價(jià)模塊和風(fēng)險(xiǎn)識(shí)別模塊。此外，還可配置安全態(tài)勢(shì)模塊用于進(jìn)行工控網(wǎng)絡(luò)的安全態(tài)勢(shì)估計(jì)。5)web層75其用于提供用戶(hù)交互ui，可以由web框架pythonflask、大數(shù)據(jù)展示框架bokeh和客戶(hù)端與服務(wù)器端雙向交互的基礎(chǔ)框架websocket組成，這三個(gè)框架相互配合以向用戶(hù)進(jìn)行數(shù)據(jù)展現(xiàn)。對(duì)于上述五個(gè)部分，從開(kāi)發(fā)語(yǔ)言上來(lái)說(shuō)，可采用大數(shù)據(jù)分析的開(kāi)發(fā)所普便使用的python和r，但由于python更強(qiáng)的集成與應(yīng)用開(kāi)發(fā)能力，這里優(yōu)選采用python。進(jìn)一步地，數(shù)據(jù)層71還可基于其他層的處理結(jié)果，建立安全預(yù)警相關(guān)數(shù)據(jù)模型以供用戶(hù)查閱相關(guān)數(shù)據(jù)，具體可以包括以下數(shù)據(jù)模型：1)安全事件數(shù)據(jù)模型本示例中，安全事件在識(shí)別到安全風(fēng)險(xiǎn)后產(chǎn)生，一個(gè)安全事件對(duì)應(yīng)一次安全風(fēng)險(xiǎn)事件。在其他示例中，安全事件也可以在dpi(deeppacketinspection，深度報(bào)文檢測(cè))設(shè)備根據(jù)安全規(guī)則過(guò)濾控制數(shù)據(jù)包時(shí)產(chǎn)生。對(duì)應(yīng)的安全事件數(shù)據(jù)模型如表2所示。表2，安全事件數(shù)據(jù)模型2)工控設(shè)備數(shù)據(jù)模型這里的工控設(shè)備是指處于工控網(wǎng)絡(luò)內(nèi)的各種工控和網(wǎng)絡(luò)設(shè)備，對(duì)應(yīng)的工控設(shè)備數(shù)據(jù)模型如表3所示。表3，工控設(shè)備數(shù)據(jù)模型3)安全規(guī)則數(shù)據(jù)模型該模型中包括發(fā)送給dpi設(shè)備的安全規(guī)則，其中機(jī)器學(xué)習(xí)分類(lèi)器也可以根據(jù)自己學(xué)習(xí)到的安全風(fēng)險(xiǎn)分類(lèi)規(guī)則，修改安全規(guī)則的風(fēng)險(xiǎn)等級(jí)；或者包括由機(jī)器學(xué)習(xí)分類(lèi)器根據(jù)學(xué)習(xí)到安全風(fēng)險(xiǎn)識(shí)別規(guī)律而創(chuàng)建的新安全規(guī)則。對(duì)應(yīng)的安全規(guī)則數(shù)據(jù)模型如表4所示。表4，安全規(guī)則數(shù)據(jù)模型no名稱(chēng)類(lèi)型說(shuō)明1ruleiduuid安全規(guī)則編號(hào)2protocol_type文本協(xié)議類(lèi)型3rule_name文本規(guī)則名稱(chēng)4message文本展示的消息5flowbitsblob規(guī)則的特征碼6rule_bodyblob規(guī)則主體7vulnerability_iduuid對(duì)應(yīng)的漏洞編號(hào)8risk_level整數(shù)風(fēng)險(xiǎn)等級(jí)4)安全漏洞數(shù)據(jù)模型表5示出安全漏洞數(shù)據(jù)模型，其主要涉及針對(duì)安全漏洞的描述信息。表5，安全漏洞數(shù)據(jù)模型no名稱(chēng)類(lèi)型說(shuō)明1vulnerabilityiduuid漏洞編號(hào)2severity整數(shù)嚴(yán)重級(jí)別3category文本分類(lèi)4threatname文本漏洞名稱(chēng)5requirement文本觸發(fā)條件6caused文本影響7suggest文本處置建議8reference文本參考內(nèi)容9defaultaction整數(shù)默認(rèn)處理動(dòng)作10publishdate時(shí)間戳公布日期5)風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)模型表6，風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)模型6)告警數(shù)據(jù)模型每一個(gè)安全事件，或者發(fā)現(xiàn)的安全風(fēng)險(xiǎn)均會(huì)產(chǎn)生一個(gè)告警，以提示用戶(hù)有相關(guān)的安全風(fēng)險(xiǎn)產(chǎn)生，需要進(jìn)行相關(guān)的處置。表7，告警數(shù)據(jù)模型no名稱(chēng)類(lèi)型說(shuō)明1alertiduuid告警編號(hào)2eventiduuid安全事件編號(hào)3occurred_at時(shí)間戳安全事件產(chǎn)生日期4risk_level整數(shù)風(fēng)險(xiǎn)等級(jí)5error_msg文本錯(cuò)誤提示信息6status整數(shù)當(dāng)前處理狀態(tài)本發(fā)明實(shí)施例的工控網(wǎng)絡(luò)安全預(yù)警系統(tǒng)的前期構(gòu)建成本較低，后期的維護(hù)成本也相對(duì)較低，且其可以部署于資源受限的工控現(xiàn)場(chǎng)，適合于單節(jié)點(diǎn)或者多個(gè)節(jié)點(diǎn)部署環(huán)境，新節(jié)點(diǎn)加入后，數(shù)據(jù)可以自動(dòng)重新分區(qū)，部署方式更為靈活。并且，在工控現(xiàn)場(chǎng)的部署方法減少了網(wǎng)絡(luò)延遲，提高了實(shí)時(shí)數(shù)據(jù)的處理響應(yīng)速度，提高了風(fēng)險(xiǎn)預(yù)警能力。本領(lǐng)域技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，該程序存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一個(gè)(可以是單片機(jī)，芯片等)或處理器(processor)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤(pán)、移動(dòng)硬盤(pán)、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。本領(lǐng)域技術(shù)人員在考慮說(shuō)明書(shū)及實(shí)踐這里公開(kāi)的發(fā)明后，將容易想到本發(fā)明的其它實(shí)施方案。本申請(qǐng)旨在涵蓋本發(fā)明的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本發(fā)明的一般性原理并包括本公開(kāi)未公開(kāi)的本
技術(shù)領(lǐng)域：
中的公知常識(shí)或慣用技術(shù)手段。說(shuō)明書(shū)和實(shí)施例僅被視為示例性的，本發(fā)明的真正范圍和精神由下面的權(quán)利要求指出。應(yīng)當(dāng)理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來(lái)限制。當(dāng)前第1頁(yè)12