分布式计算节点的可信性评估模型

发布时间：2020-08-07 17:41

【摘要】：随着互联网技术的迅猛发展,集中式系统架构无论是从存储能力的角度还是提供海量的网络服务能力的角度来说,已经远远不能满足人们日常生活以及工作的需求。因此,基于分布式系统架构进行研究是更加符合现代网络服务需求以及更加符合整个互联的发展趋势的。然而,在分布式领域针对于可信的研究,尤其是基于可信3.0思想的研究都是相对较少的。因此,本文将以分布式系统架构为基础,借鉴了可信3.0理论的思想进行了细化与深入的研究。首先,本文对于分布式系统架构进行了初步的研究与分析。其次,本文借鉴可信3.0的研究思想进行了详细的研究,尤其针对于主动免疫的三重保护框架,本文对其架构内容的进行了填充与深入的研究。此外,本文还对于分布式系统架构的特点进行了研究,并将其与可信3.0的思想进行有机的结合。最终,将其运用在数据源可信评估与分布式节点的软件行为的可信评估之中。在本文的主体部分,本文针对于分布式系统架构之下的数据可信评估以及分布式节点的软件行文可信评估进行了重点的讨论。在数据源可信评估之中,本文采用基于可信证据的方式对于数据源进行评估。其中包括了对于可信证据的定义、采集、提取、评估以及存储等环节进行了详细的研究与分析,并且最终本文得到了一个基于可信证据的科学的评估方案。在分布式节点的软件行为的可信评估部分,本文采用基于日志的方式对于软件的资源消耗(I/O)、事务提交情况以及异常和警告等内容对于软件的行为进行记录与监控。通过与标准的取样样本进行比对,本文可以对于生产环境之中的数据源可信证据以及分布式节点的软件行为进行可信评估。最后,本文通过模拟实验的方式对于生产环境之中的分布式节点的软件行为进行可信评估与识别。结果显示可以较为准确的评估出存在可信问题的软件行为,并且本文也初步研究出了一些主动免疫措施,为该领域的研究提供一条思路。在本文之中,本文不仅对于可信计算的理论与分布式环境的数据源以及分布式节点的软件行为的可信评估进行了研究。本文还结合了当下流行的分布式中间件技术与数据处理框架将理论研究与实际工程相结合,为具体的可信方案落地提供了一定的技术参考与实践。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP393.02
【图文】：

架构图,可信计算,架构,环境

图 2-2 可信计算环境架构图Figure 2-2 Trusted Computing Environment Architecture如上图所示，本文将可信计算环境模块与安全可信管理中心模块进行了细化。此外，针对于分布式系统架构，本文进行了一些设计与研究，最终使得可信 3.0 的思想可以更好地融入分布式系统架构之中。本文将可信计算环境宏观上分成三个部分，自下而上分别为硬件层、系统层以及应用软件层。在硬件层主要是基于可信 2.0 的内容，以可信的计算机芯片为起点，建立可信根。这样在计算机系统启动和运行的过程之中，再进行可信链的创建，从而实现对于计算机系统或者全局的可信验证。有关可信芯片与可信硬件系统的内容，在前人的研究之中已经做过详细的研究，因此本文不在详细讨论该部分的内容。在系统层，主要实现的功能是打通硬件层与应用软件层的依赖关系。即为可信的芯片与硬件系提供可信的驱动服务，也将各个硬件系统进行统一的封装与调度，提供可信的系统 API 供上层应用程序使用。随着技术的不断发展，在传统的操作系统之上，也衍生出了虚拟机和容器等技术，在分布式系统架构之中使用较多的是容器，例如：著名的 Docker 容器，阿里巴

数据源,证据,证据收集

- 15 -图 3-1 数据源可信评估框架Figure 3-1 Data source trusted assessment framework收集集位于可信数据源识别模型的最下层，为上层的可信。可信证据收集主要包含证据采集、证据处理、可信可信证据体的制定用于描述可信证据，同时也为可信证供了一个标准化的数据结构描述。可信证据采集自己供外部各个应用程序将产生的可信证据输入到框架之会把各种输入的可信证据进行格式化，这个过程本文。信证据的来源是可以通过各种各样的途径来进行获取的资质、API 调用者的来源、加密令牌匹配以及测试

框架图,数据分类,框架

图 3-2 数据分类典型框架Figure 3-2 Typical framework for data classification通常情况下，典型的数据分类框架主要分为三个层面，如上图所示，分别为数据预处理层面、特征层面以及分类器层面。在数据预处理这一层，本文要做的工作是将收集到的可信证据进行分组，数据分组情况分为训练数据集以及测试数据集。特征层面，在这一层主要做的工作是选用合适的特征模型进行映射处理，目的是将所收集的数据映射到特征空间之中，最终得到测试数据集和特征数据集的特征表示。分类器层面，在这层的主要的工作是训练分类器，训练集用于训练分类器，测试集用来测试分类器的训练效果，最终实现分类器可以较为准确地判断出每条可信证据的类别。针对于收集到的可信证据，会存在不平衡的问题，例如大量的可信证据都只是属于某几个类别，有的类别的可信证据数目相对较少等问题。依据文献[36]的研究，主要是对数据预处理、特征以及分类器这三个层面进行了优化来适应本论文之中可信证据分布不均的问题。在数据预处理的层面上，如果某一类别的数据比较稀少时，本文主要通过调整训练集之中样本的分布来避免该问题。在特征层面之上，本文主要通过选择一些较为明显的识别特征，以达

【相似文献】