.png){kind=icon}
返回
When Does Representation Learning Help Attack-Path Forecasting? A Controlled Multi-Cloud Study with CAPTURE-MC
.png){kind=icon}
OA
AI
DOI：10.3390/ai7100423.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云防御者越来越希望预测攻击者的下一步行动，而不仅仅是检测上一步。我们研究了多云环境中的攻击路径预测：给定正在进行的活动的不完整追踪，预测下一个ATT&CK技术。我们提出了CAPTURE-MC，一种异构时序图模型，它编码跨提供商遥测数据并在转移先验下预测下一个技术，并发布了MC-PathBench，一个合成但结构上忠实的数据集，包含四个泄漏控制的泛化拆分（时序、跨云、未见组合和活动保留）。我们的核心贡献是对学习到的时序图表示何时有效、何时无效进行了诚实且仔细控制的说明。我们发现，技术转移结构是一个很强的预测因子：当已知攻击者的当前技术时，一阶马尔可夫模型和允许转移的均匀规则匹配或优于CAPTURE-MC和时序图网络，因此深度模型在这种理想化场景中几乎无增益。在当前技术必须推断的现实场景中，情况逆转：随着当前技术确定性的降低，完全依赖其索引的结构基线向随机猜测崩溃，而CAPTURE-MC则优雅退化，当当前技术未知时其准确率几乎翻倍。CAPTURE-MC同样能抵抗严重损坏的转移先验（缺失、虚假或误导的边）。我们还透明地报告了CAPTURE-MC无帮助的领域：梯度提升树仍是最佳的单事件和活动级检测器；下一实体和时间转移预测对所有模型均为随机水平；一致层虽然达到覆盖要求，但生成的预测集大于允许后继列表，因此并非效率提升。先验仅从训练数据估计，从未使用生成器的图，这消除了先前版本中存在的泄漏路径并改变了部分结论。对预测性云防御的实践启示是：结构基线很强且必须报告，而表示学习的价值恰恰体现在结构假设失效之处。
Keyword:
multi-cloud security
attack-path prediction
heterogeneous temporal-graph neural networks
conformal prediction
uncertainty quantification
counterfactual response
MITRE ATT&CK
zero trust
期刊
A
IF:
5
论文数:
1.1K
被引数:
941
机构
暂无机构信息
引用论文
AIS-NIDS: An intelligent and self-sustaining network intrusion detection systemAIS-NIDS: 一种智能、自持的网络入侵检测系统.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Spatial-Temporal Graph Model Based on Attention Mechanism for Anomalous IoT Intrusion Detection
PREAI
分享收藏A review of uncertainty quantification in deep learning: Techniques, applications and challenges深度学习中的不确定性量化: 技术、应用与挑战INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Euler: Detecting Network Lateral Movement via Scalable Temporal Link Prediction欧拉: 通过可扩展的时间链路预测检测网络横向运动
PREAI
分享收藏分享收藏
查看更多内容