基于调整 PageRank 中心性的网络关键地形识别

网络地形包含网络设备、网络服务、网络角色以及其他参与网络操作的网络实体。设计一种自动识别对网络操作至关重要的网络实体的方法具有挑战性。然而，此类方法对于确定网络防御应重点关注哪些网络资产至关重要。在本文中，我们提出了一种方法，利用经机器学习调整的 PageRank 中心性计算，根据 IP 地址的网络位置对其是否属于网络关键地形进行分类。我们使用爬山算法和随机游走算法，基于 IP 流中捕获的源端口和目的端口来区分 PageRank 的阻尼因子。在静态数据样本上的一次性学习阶段，使得在运行条件下无需维护完整网络图即可从 IP 流数据中对关键主机进行近实时的基于流的分类。我们在一次网络防御演练的数据集以及校园网络数据上对该方法进行了评估。结果表明，使用调整后的中心性计算进行网络关键地形识别比其原始版本更为精确。