基于NLP的RFC规则提取关键技术研究

发布时间：2020-03-21 23:03

【摘要】：随着网络应用和加密安全技术的快速发展,加密通信逐渐成为网络传递消息的主要方式,保证加密通信的证书验证系统已经应用到各大具备网络通信的应用中。然而,加密通信使用的证书结构一般比较复杂,并且证书的属性之间存在多重限制条件。现有的加密证书验证系统难以做到实现全部限制条件,从而导致非法证书入侵。为了确保用户可以在网络中安全地获取证书,本文设计并实现了一套加密证书验证系统的验证工具RFCcertNLP,该工具充分利用了NLP(Natural Language Processing,自然语言处理)技术在信息提取方面的优异特性。具体而言,RFCcertNLP利用NLP技术的分词、分句以及词性标记解决了定义X.509证书的RFC文档数据不规则问题;利用关系提取模型让信息提取过程更加智能。在数据预处理阶段,本文以RFC文档为输入文本,通过设计算法提取不规则的RFC文档中的语句。NLP技术主要体现在三个方面:根据模式匹配去除页眉页脚以及无用信息;利用NLP的分词、分句能力获取完整语句;使用NLP的词性标记能力分类语句。在信息提取阶段,本文设计了一个程度,条件类,条件值,结果类,结果值的五元组来定义RFC规则,并利用End-to-end模型直接从单一语句中提取关系实例。在提取关系时,将五元组中的代词利用NLP技术的代词消解模型替换为属性名词,提升了关系提取的信息可用性。并使用Dropout层来降低模型的过拟合程度。根据以上设计,本文实现了基于NLP的RFC规则提取,并从规则语句提取算法的性能、机器学习模型的表现以及系统的发现漏洞能力三个方面做了对比实验。测试表明,本文实现的工具在三个方面都有很好的表现。在规则语句提取方面,本文实现的算法在时间复杂度和空间复杂度上相比于RFCcert有很大提升。在规则提取方面,本文实现的算法在精确率和召回率上得到了比较好的结果。在证书验证系统验证方面,RFCcertNLP利用32条规则产生了89个证书。其中,在与RFCcert相同的21条规则中,RFCcertNLP发现了38个漏洞而RFCcert仅仅发现了24个。总的来说,工具从总体上提升了现有工具的处理效率并成功发现了更多现有证书验证系统的漏洞。
【图文】：

字母符号,提取规则,空格,单词

使用了正则表达式去寻找相关页眉页脚所在的行，并将其删除。在删除页眉页脚后，所得到的信息即为分句的主要对象。图3.3 提取规则算法在分句过程中，由于包含很多无用的非字母符号（主要是空格和回车）。因此，本文想到的策略是先分词，将所有的行里面的单词都聚合成一个单词集。因为这些单词是有序的。因此，算法只要找到每一句的结尾单词即可将这些单词分句。基于这样的思想，算法将 line 数据中的多余非字母字符删除并且只保留一个单词集。当然算法还在初始化过程中定义了 ASN.1 结构体的形式、关键字字典以及自然语言表达的形式。在初始化结束以后，算法开始对语句进行提取信息。提取的过程在算法第 10-22 行。最外层的循环就是刚刚所讲到的遍历单词。在遍历单词的时候，如果发现这个单词符合章节定义（算法 12-14 行），那么我们就将当前章节换成这个单词。如果发现这个单词为自然语言结尾

消费者,生产者,分类算法,语句

由于在 SSL\TLS 的实现中所有的消费者规则验证都是必须实现的，因此规则验证也主要集中于消费者规则。图3.4 适用范围分类算法区分消费者规则和生产者规则的方法就在于规则语句中的描述。在进行认真的观察后，本文提出了和 RFCcert 相似的基于搜索的规则划分方法。例如，主语为 CA 的大多是生产者规则。而宾语为 CA 的大多是消费者规则。因此，本文设计了基于 NLP词性标记的语句实体识别算法。根据 NLP 的词性标记功能，可以确定一个句子的主语和宾语。根据主语宾语的主体含义来判断当前语句的规则类型。规则分类算法如图 3.4 所示。与 RFCcert 不同的是，，本文首创性的提出了自然语言处理的方法。算法的 1-5 行是算法的初始化阶段。提取了规则集，确定了生产者的名次定义，消费者的名词定义以及初始化了生产者规则集和消费者规则集。初始化结束后
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN918;TP391.1

【相似文献】