Skip to content
KitploitKITPLOIT
أدواتالمدونة
إرسال
أدواتالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

··الخلاصات·اتصال·الخصوصية·© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
amlsec — التعرف الآلي على مخاطر الأمان باستخدام بيانات الهندسة المستندة إلى AutomationML | Kitploit
أدوات/GitHubGitHub/sbaresearch/amlsec
تحليل الثغرات الأمنيةأمن SCADA/ICSالأوراق والأبحاث
GitHubsbaresearch/amlsec

amlsec

التعرف الآلي على مخاطر الأمان باستخدام بيانات الهندسة المستندة إلى AutomationML

عرض المستودع
3010منذ 4 سنواتتمت المراجعة من قبل Kitploit

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →
مشاركة

التحديد الآلي لمخاطر الأمن في أنظمة الإنتاج السيبرانية-الفيزيائية باستخدام بيانات الهندسة المعتمدة على AutomationML

يطبق هذا النموذج الأولي الأساليب المقدمة في المنشورين التاليين:

  1. Eckhart, M., Ekelhart, A., & Weippl, E. R. (2020). Automated Security Risk Identification Using AutomationML-Based Engineering Data. IEEE Transactions on Dependable and Secure Computing.
  2. Eckhart, M., Ekelhart, A., Biffl S., Lüder A., & Weippl, E. R. (2022). QualSec: An Automated Quality-Driven Approach for Security Risk Identification in Cyber-Physical Production Systems. IEEE Transactions on Industrial Informatics.

في جوهره، يحدد مصادر مخاطر الأمن (أي التهديدات والثغرات) وأنواع عواقب الهجوم بناءً على قطع أثرية من AutomationML (AML). يمكن استخدام نتائج عملية تحديد المخاطر لإنشاء رسوم بيانية للهجمات السيبرانية-الفيزيائية، والتي تصمم الهجمات السيبرانية متعددة المراحل التي قد تؤدي إلى أضرار مادية. علاوة على ذلك، يتم تحديد التأثيرات المتتالية وعواقب الهجمات التي تؤثر على جودة المنتج.

التثبيت

  1. بناء AML2OWL

يعتمد هذا النموذج الأولي على نسخة مفروعة من تنفيذ الترجمة ثنائية الاتجاه بين AML وOWL لورقة ETFA 2019 "Interpreting OWL Complex Classes in AutomationML based on Bidirectional Translation" من قبل Hua و Hein. قم باستنساخ المستودع، وتجميع المشاريع، وتجميع حزمة تطبيق من aml_owl:

root@kitploit:~
$ cd aml_models
$ mvn clean compile install
$ cd ../aml_io
$ mvn clean compile install
$ cd ../aml_owl
$ mvn clean compile install assembly:single
  1. إعداد الدليل الأساسي لـ AMLsec

قم باستنساخ هذا المستودع، وإنشاء دليل التطبيق الأساسي (الموجود عادة في الدليل الرئيسي للمستخدم)، ووضع الملفات الموجودة في amlsec-base-dir وJAR المجمّع لـ AML2OWL (الموجود في aml_owl/target/) هناك. يجب تعيين الدليل الأساسي لـ AMLsec ومسار JAR لـ AML2OWL في ملف التكوين باستخدام المفتاحين baseDir وamlToOwlProgram، على التوالي.

  1. إعداد Apache Jena Fuseki

قم بتثبيت وتشغيل Apache Jena Fuseki:

root@kitploit:~
$ java -jar <path_to_apache-jena-fuseki-X.Y.Z>/fuseki-server.jar --update
  1. تثبيت LoLA 2 (ينطبق فقط على QualSec)

إذا كنت تريد تشغيل QualSec، فأنت بحاجة إلى تثبيت LoLA - A Low Level Petri Net Analyzer.

  1. بناء التطبيق وتشغيله

أخيرًا، قم ببناء التطبيق وتشغيله باستخدام sbt:

root@kitploit:~
$ sbt "runMain org.sba_research.worker.Main -q"

استخدم العلامات -s و -q لتشغيل AMLsec و QualSec، على التوالي.

الاستخدام

تستخدم الأساليب المنفذة آلية رسم خرائط دلالية للمعلومات تتحقق من خلال مكتبات AML. يمكن إعادة استخدام [مكتبات ملحقات أمان AML] هذه(https://github.com/sbaresearch/amlsec/tree/master/aml-libs/amlsec) و [مكتبات ملحقات جودة AML] (https://github.com/sbaresearch/amlsec/tree/master/aml-libs/amlqual) بسهولة في المشاريع الهندسية عن طريق استيرادها إلى ملفات AML.

مرة أخرى، إذا كنت ترغب في تنفيذ النموذج الأولي للطريقة المقدمة في ورقة IEEE TDSC، استخدم العلامة -s. أما العلامة -q فتقابل الطريقة المقدمة في ورقة IEEE TII.

يتم عرض قدرات هذا النموذج الأولي في دراسات حالة (AMLsec, QualSec). سيؤدي تشغيل هذا النموذج الأولي كما هو إلى إنتاج قاعدة المعرفة (يمكن الوصول إليها عبر Fuseki)، والتي تتضمن أيضًا نتائج عملية تحديد المخاطر، ونتائج دراسة الحالة.

علاوة على ذلك، إذا قمت بتشغيل النموذج الأولي مع [دراسة الحالة الافتراضية] ((https://github.com/sbaresearch/amlsec/blob/master/amlsec-base-dir/case-study/CaseStudy_A.aml)) والعلامة -s، فسيتم إنشاء الرسم البياني للهجوم السيبراني-الفيزيائي المقتطع التالي:

Cyber-Physical Attack Graph

الكتلة (Cluster)

يستخدم النموذج الأولي إطار [Akka] (https://akka.io/) وهو قادر على توزيع عبء عمل تحديد المخاطر بين عدة عقد. تم استخدام [عينة العمال الموزعين لـ Akka] (https://github.com/akka/akka-samples/tree/2.6/akka-sample-distributed-workers-scala) كنموذج.

لتشغيل الكتلة بعدة عقد (أمثلة باستخدام العلامة -q):

  1. تشغيل Cassandra:
root@kitploit:~
$ sbt "runMain org.sba_research.worker.Main cassandra -q"
  1. تشغيل عقدة البذرة الأولى (seed node):
root@kitploit:~
$ sbt "runMain org.sba_research.worker.Main 2551 -q"
  1. تشغيل عقدة واجهة أمامية (front-end node):
root@kitploit:~
$ sbt "runMain org.sba_research.worker.Main 3001 -q"
  1. تشغيل عقدة عاملة (العامل الثاني يشير إلى عدد ممثلي العامل، على سبيل المثال، 3):
root@kitploit:~
$ sbt "runMain org.sba_research.worker.Main 5001 3 -q"

إذا قمت بتشغيل العقد على أجهزة منفصلة، فسيتعين عليك تكييف إعدادات Akka في ملف التكوين.

تقييم الأداء

القياسات وملفات السجل التي تم الحصول عليها أثناء تقييم الأداء متاحة عند الطلب.

كيفية الاستشهاد

إذا كنت تستخدم هذا النموذج الأولي في بحثك، فيرجى التفكير في الاستشهاد بمنشورنا [IEEE TDSC 2020] (https://doi.org/10.1109/TDSC.2020.3033150) أو [IEEE TII 2022] (https://doi.org/10.1109/tii.2022.3193119). لا تتردد في استخدام إدخالات BibTeX الخاصة بالأوراق (TDSC, TII).

شكر وتقدير

يود المؤلفون أن يشكروا Yameng An على توفير النسخة الأولية من OntoPLC.

تنزيل الأداة