Oct, 2023

通过掩盖图表表示学习检测高级持久性威胁

PDF
TL;DRMAGIC 是一种新颖灵活的自我监督 APT 检测方法，能够在不同级别的监督下执行多颗粒度检测，通过掩码图表示学习对良性系统实体和行为进行建模，在溯源图上进行高效深度特征提取和结构抽象，通过异常检测方法检测异常系统行为，从而实现系统实体级别和批量日志级 APT 检测，解决了概念漂移问题，并成功应用于广泛的条件和检测场景。在三个广泛使用的数据集上对 MAGIC 进行评估，包括真实世界和模拟攻击。评估结果表明，MAGIC 在所有场景中都取得了有希望的检测结果，并在性能开销上比现有的 APT 检测方法具有巨大优势。
发现论文，激发创造
  • TBDetector：面向先进持久性威胁的基于 Transformer 的检测器，带有溯源图

    TBDetector is a transformer-based APT detection method that uses provenance analysis to identify anomalous activities in long-running system executions and extracts long-term features of system states with anomaly scores, presenting better performance than current state-of-the-art methods.

    Apr, 2023

  • RAPID：使用上下文感知深度学习的强化高级持续性威胁 (APT) 检测与调查

    RAPID 是一种基于深度学习的新型方法，利用上下文感知异常检测和警报追踪来实现强大的高级持续性威胁（APTs）检测和调查，通过利用自我监督的序列学习和迭代学习的嵌入，我们的方法能够有效应对动态系统行为，并且通过使用溯源跟踪，丰富警报信息和提高检测能力，RAPID 在真实场景中证明了其有效性和计算效率，同时相比最先进的方法具有更高的精确度和召回率，显著减少误报，RAPID 整合上下文信息，便于从检测过渡到调查，为安全团队提供详细的见解以高效应对 APTs 威胁。

    Jun, 2024

  • 基于系统级溯源的无监督高级持续性威胁检测基线

    本研究评估了无监督的批量式和流式异常检测算法的有效性，通过对记录在四个不同操作系统上的多个 GB 的溯源跟踪进行检测，以确定它们是否能够可靠和高效地检测类似 APT 攻击。这是关于通用无监督异常检测技术在此环境中有效性的首个详细研究。

    Jun, 2019

  • 基于规则挖掘的高级持久性威胁检测系统

    该论文介绍了一种利用与操作系统无关的特征来检测真实的高级持续性威胁攻击的无监督方法，并利用可解释性的结果来揭示被检测到的异常，这有助于解释因果关系。在 DARPA 的测试数据集中，该方法的表现优于竞争方法。

    May, 2021

  • TREC：利用少样本来源子图学习进行 APT 技巧识别

    本文提出了 TREC 方法，通过利用深度学习技术从溯源图中识别 APT 战术 / 技术，以解决现有方法中粗粒度、缺乏泛化能力的问题，实验结果表明 TREC 在 APT 战术识别方面明显优于现有系统，同时也能有效地识别 APT 技术。

    Feb, 2024

  • 尝试黑客攻击：聚合自动编码器以应对极不平衡数据中的持久访问威胁

    使用深度学习技术，我们开发了一个名为 AE-APT 的工具，用于检测高级持续性威胁，通过一系列的自编码器方法，它在检测和排名异常方面表现出优越性能。

    Jun, 2024

  • LogShield: 基于自注意力机制的 APT 检测系统

    本文提出了一种名为 LogShield 的框架，利用自注意机制中的自定义嵌入层来检测高级持续性威胁攻击模式，通过集成 RoBERTa 模型的参数和训练程序，并在知名的 APT 数据集上进行了广泛实验证明了 LogShield 在 APT 检测方面的优越性能。

    Nov, 2023

  • 多域少样本知识重装，针对高级持续性威胁的上下文感知防御

    本文提出了一种针对 APT 的上下文感知防御方案 FMKR，通过元学习在不同的网络领域生成多个小型任务，将威胁情报和本地实体融合成元学习的支持 / 查询集，以识别可能的攻击阶段，同时提出了基于微调的部署机制在最小化防御成本的同时将学习的知识转移给学生模型，与多模型替换策略相比，FMKR 能更快地响应攻击行为，且调度成本更低，实验结果表明该方案可以提高对工业物联网的防御满意度。

    Jun, 2023

  • APT-MMF: 基于多模态和多级特征融合的高级持续性威胁行为者归因方法

    提出了一种基于多模式和多层次特征融合的高级持续性威胁行为者归因方法，该方法利用异构属性图来表征高级威胁报告及其威胁迹象的信息，并提取融合多模式特征以构建全面的节点表示，进而设计多层次的异构图注意力网络来学习高级威胁报告节点的深层隐藏特征，结果表明该方法在归因分析任务中不仅优于现有方法，而且具有良好的可解释性。

    Feb, 2024

  • 图形遮罩注意力即可

    提出了一种基于注意力机制的学习图表的简单替代方法，被称为图形掩码注意力（MAG），在长距离任务上具有最先进的性能，并在超过 55 个节点和图级任务中优于强大的信息传递基线和复杂的注意力方法。与图神经网络相比，显示了显着更好的迁移学习能力，并具有与节点或边数目的次线性内存缩放相比较的相当或更好的时间和内存缩放性能。

    Feb, 2024