EarlyDLM: Early Detecting Lateral Movements Through Graph and Loopback Sequence Embedding

doi:10.1109/TNSE.2025.3584627

EarlyDLM: Early Detecting Lateral Movements Through Graph and Loopback Sequence Embedding

2025-11-25

0

PRE

AI

DOI：10.1109/TNSE.2025.3584627

原文链接

原文求助

摘要

En 中文

攻击者可能进行横向移动（LM），这是一种在高级持续性威胁（APTs）中关键的策略，用于逐步访问和控制内部网络中的系统，并朝着其最终目标推进。检测横向移动已引起显著的研究兴趣。然而，现有关于LM检测的工作在识别基于LM的攻击的早期阶段时表现出低效性，该阶段被定义为攻击者在达到最终目标前仅入侵少数主机。此外，现有的早期攻击检测方法通常无法应对基于LM的攻击，并且可能由于其在递归结构中的噪声传播而累积检测误差。为弥合这一差距，我们设计了一种新的图和环回序列嵌入模型，用于Early Detection of Lateral Movement（EarlyDLM）。EarlyDLM首先构建离散时序图，并采用图嵌入模型有效学习主机特征。随后，我们引入环回序列嵌入模型以预测主机间的未来连接。环回序列嵌入模型所具备的逆向推理能力可缓解累积检测误差。在三个公开数据集上的实验结果表明，EarlyDLM能够准确检测早期LM事件，并且优于其他方法。

Keyword:

Advanced persistent threat

lateral movement

anomaly detection

graph embedding

sequence embedding

EarlyDLM: Early Detecting Lateral Movements Through Graph and Loopback Sequence Embedding

摘要

期刊

机构

引用论文