Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph Representation Learning
Parsons Corporation(帕森斯公司);UNC Charlotte(北卡罗来纳大学夏洛特分校)
像知识图谱这样的复杂异构动态网络是可以用于对来自计算机系统的数据起源进行建模的强大构造。从安全的角度来看,这些属性图可以进行因果关系分析和跟踪,以分析无数的网络攻击。然而,在将系统执行和起源转换为用于机器学习任务的可用图形表示的管道的系统开发中存在不足。这种仪器的缺乏严重阻碍了起源图机器学习的科学进步,阻碍了可重复性,并限制了数据的可用性,这些数据对图神经网络等技术至关重要。为了满足这一需求,我们提出了Flurry,这是一个端到端的数据管道,它模拟网络攻击,在多个系统和应用程序层捕获这些攻击的来源数据,将这些攻击的审计日志转换为数据来源图,并将这些数据与用于训练深度神经模型的框架相结合,该框架支持预配置或定制设计的模型,用于在现实世界的弹性系统中进行分析。我们通过处理来自多个系统攻击的数据并使用当前的基准图表示学习框架通过图分类执行异常检测来展示此管道。Flurry提供了一个快速、可定制、可扩展和透明的解决方案,为网络安全专业人员提供这些急需的数据。
2022-03-05 cs.CR cs.LG
Decentralized Proof-of-Location for Content Provenance: Towards Capture-Time Authenticity
Cybernetica AS(赛伯尼蒂股份公司);University of Tartu(塔尔图大学);TU Berlin(柏林工业大学)
本文提出基于位置证明的去中心化方法,通过多方见证区架构提升物理事件验证的可信度和抗伪造能力,无需中心化信任。
2026-03-29 cs.CR
ProGQL: A Provenance Graph Query System for Cyber Attack Investigation
Case Western Reserve University(凯斯西储大学)
针对现有溯源分析技术灵活性差且内存效率低的问题,提出ProGQL框架,通过领域特定图搜索语言与优化查询引擎结合系统审计事件与专家知识,实现高效增量图搜索,显著提升了攻击调查的可扩展性。
2025-10-29 cs.CR cs.DB
CICAPT-IIOT: A provenance-based APT attack dataset for IIoT environment
针对现有IIoT网络安全数据集缺少APT检测关键属性的问题,本文提出CICAPT-IIoT数据集,搭建测试平台复现20余种APT攻击技术及多个攻击阶段,整合多类日志与攻击信息,为APT检测研究提供支撑。
2024-07-15 cs.CR
LogKernel A Threat Hunting Approach Based on Behaviour Provenance Graph and Graph Kernel Clustering
网络威胁搜寻是一个主动搜索过程,用于查找组织信息系统中的隐藏威胁。它是主动防御高级持续性威胁(APT)的重要组成部分。然而,目前大多数的威胁搜索方法都依赖于网络威胁情报(CTI),它可以发现已知的攻击,但无法发现CTI尚未披露的未知攻击。在本文中,我们提出了LogKernel,威胁狩猎方法的基础上图核聚类,可以有效地分离攻击行为的良性活动。LogKernel首先将系统审计日志抽象为行为起源图(BPG),然后使用图核将其嵌入到连续空间中进行聚类。特别是,我们设计了一种新的基于BPG的图核聚类方法,它可以捕获BPG的结构信息和丰富的标签信息。为了减少误报,LogKernel进一步量化了异常行为的威胁。我们评估LogKernel的恶意数据集,其中包括七个模拟的攻击场景和DAPRA CADETS数据集,其中包括四个攻击场景。实验结果表明,LogKernel算法能够在所有的攻击场景中进行搜索,并且与现有的方法相比,能够发现未知的攻击。
2022-08-18 cs.CR
Knowledge Transfer from LLMs to Provenance Analysis: A Semantic-Augmented Method for APT Detection
本文提出一种利用大型语言模型增强溯源分析的语义增强方法,通过LLM的知识和嵌入能力提升APT检测性能,在真实数据上监督检测精确率达99.0%,半监督异常检测达96.9%。
2025-03-25 cs.CR
A baseline for unsupervised advanced persistent threat detection in system-level provenance
高级持续性威胁(APT)是一种隐蔽、复杂且不可预测的网络攻击,可以窃取知识产权、破坏关键基础设施或造成数百万美元的损失。通过监视系统级活动来检测APT是困难的,因为手动检查大量的正常系统活动对于安全分析师来说是压倒性的。我们评估了无监督的批处理和流式异常检测算法在四个不同的操作系统上记录的多个千兆字节的起源痕迹的有效性,以确定它们是否可以可靠和有效地检测到现实的APT类攻击。这份报告是第一次详细研究通用无监督异常检测技术在这种情况下的有效性。
2019-11-18 cs.CR
Threat Detection and Investigation with System-level Provenance Graphs: A Survey
随着信息技术的发展,网络空间的边界越来越宽,暴露在攻击者面前的漏洞也越来越多。传统的以缓和为基础的防御战略难以应对当前的复杂局势。安全从业人员迫切需要更好的工具来描述和建模攻击防御。起源图具有强大的语义表达能力和攻击历史关联能力,是一种理想的威胁建模方法。本文首先介绍了系统级起源图的基本概念,提出了基于起源图的威胁检测与调查的典型系统架构。一个基于起源图的综合威胁检测系统可以分为三个模块,即“数据汇集模块”、“数据管理模块”和“威胁检测模块”。每个模块包含多个组成部分,涉及多个研究问题。我们系统地分析了所涉及的算法和设计细节。通过比较,给出了技术选择的策略.同时指出了现有工作的不足之处,为今后的工作提供了参考。
2020-12-13 cs.CR
Slot: Provenance-Driven APT Detection through Graph Reinforcement Learning
针对高级持续性威胁检测难题,提出基于溯源图与图强化学习的检测方法Slot,通过挖掘系统行为间多层次隐藏关系、动态适应攻击演变并自动构建攻击链,实现了高准确率与鲁棒性。
2025-07-17 cs.CR
Learning the APT Kill Chain: Temporal Reasoning over Provenance Data for Attack Stage Estimation
Technische Universität Chemnitz(开姆尼茨工业大学)
StageFinder通过融合溯源数据和时序学习,实现高精度的APT攻击阶段估计,宏F1分数达0.96,预测稳定性提升31%。
2026-03-08 cs.CR cs.NI
ProvICS: A Provenance-based Intrusion Detection for Industrial Control Systems
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校)
针对工业控制系统因信息技术与运营技术融合面临多阶段网络攻击,且基于溯源的入侵检测系统在工业网络物理系统中适用性待探索的问题,提出ProvICS多模态溯源数据集,经实验验证其能有效检测攻击事件,填补现有基准空白。
2026-07-08 cs.CR
ActMiner: Applying Causality Tracking and Increment Aligning for Graph-based Cyber Threat Hunting
针对现有溯源图威胁狩猎系统高漏报、高误报和低效率的问题,提出Actminer系统,通过因果追踪和增量对齐技术,在DARPA数据集上显著降低误报并消除漏报。
2025-08-08 cs.CR
A Benign Activity Extraction Method for Malignant Activity Identification using Data Provenance
本文提出一种利用数据溯源和自然语言处理提取并移除频繁良性活动的方法,以缩小恶意活动搜索空间,实验表明可减少约52%的搜索空间。
2025-03-25 cs.CR
LESS: Efficient Log Storage System Based on Learned Model and Minimum Attribute Tree
本文提出溯源图存储系统 LESS,通过将图结构与属性分离,分别采用机器学习方法和最小生成树进行存储,在 DARPA TC 数据集上相比 LEONARD 显著降低了存储时间、磁盘占用和内存使用,并大幅提升了查询速度。
2024-11-26 cs.CR
ANUBIS: A Provenance Graph-Based Framework for Advanced Persistent Threat Detection
National Research Council(加拿大国家研究委员会);Tutte Institute for Mathematics and Computing(塔特数学与计算研究所)
我们提出了一个高效的基于机器学习的APT检测系统ANUBIS。我们为ANUBIS设计的理念包括两个主要组成部分。首先,我们打算让网络反应小组有效利用ANUBIS。因此,预测的可解释性是ANUBIS设计的主要焦点之一。其次,ANUBIS使用系统起源图来捕获因果关系,从而实现高检测性能。在ANUBIS的预测能力的核心,有一个贝叶斯神经网络,可以告诉它在其预测的信心。我们对最近的APT数据集(DARPA OpTC)评估了ANUBIS,并表明ANUBIS可以高精度地检测类似于APT活动的恶意活动。此外,ANUBIS还了解高级模式,使其能够向威胁分析师解释其预测。具有可解释的攻击故事重建的高预测性能使ANUBIS成为用于企业网络防御的有效工具。
2021-12-21 cs.CR cs.LG
Accurate and Scalable Detection and Investigation of Cyber Persistence Threats
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);University of Virginia(弗吉尼亚大学)
本文提出Cyber Persistence Detector系统,通过溯源分析检测持续性威胁,引入伪依赖边和专家引导边提升检测效率,并通过新颖的警报分级算法降低误报率。
2024-07-26 cs.CR
Retrofitting Applications with Provenance-Based Security Monitoring
数据来源是检测和预防网络攻击的重要工具,可以深入了解可疑事件的性质。例如,管理员可以使用出处来识别数据泄漏的肇事者,跟踪入侵后攻击者的行为,甚至控制组织内的出站数据流。不幸的是,为复杂的异构软件部署提供相关数据出处是具有挑战性的,需要对许多应用程序组件进行繁琐的插装,以及用于在组件之间聚合信息的统一架构。在这项工作中,我们提出了一个技术组合,使负担得起的和整体的出处功能,复杂的应用程序的工作流程,特别考虑到Web服务的范例域。我们提出了DAP,一个透明的体系结构,用于捕获Web服务组件的详细数据出处。我们的方法利用了一个关键的见解,即可以利用开放协议的最小知识来提取精确和有效的出处信息,通过插入应用程序组件的通信,授予DAP与现有Web服务的兼容性,而不需要仪器或开发人员的合作。我们展示了如何使用我们的系统来实时的监控系统入侵或检测数据泄露攻击,同时对Web请求施加小于5.1 ms的端到端开销。通过引入垃圾回收优化,DAP能够监视系统活动,而不会承受过多的存储开销。因此,DAP不仅可以作为一个出处感知的Web框架,而且可以作为复杂应用程序工作流程的出处功能的非侵入性部署的案例研究。
2016-09-01 cs.CR
APT-LLM: Embedding-Based Anomaly Detection of Cyber Advanced Persistent Threats Using Large Language Models
针对高级持续性威胁(APTs)检测难的问题,提出APT-LLM框架,结合BERT等大语言模型与自动编码器架构,在极端不平衡数据集上显著提升检测性能,优于传统方法。
2025-02-13 cs.CR
CLIProv: A Contrastive Log-to-Intelligence Multimodal Approach for Threat Detection and Provenance Analysis
本文提出多模态方法CLIProv,利用对比学习对齐溯源日志与威胁情报语义,将威胁检测转化为语义搜索问题,有效识别攻击行为并生成简明攻击场景,在标准数据集上实现了更高的精确度和检测效率。
2025-07-12 cs.CR
ProHunter: A Comprehensive APT Hunting System Based on Whole-System Provenance
College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);College of Geoinformatics, Zhejiang University of Technology(浙江工业大学地理信息学院)
本文提出ProHunter,一种基于整体系统溯源的高效准确APT狩猎系统,通过语义抽象和位级编码策略减少内存开销,并采用启发式威胁图采样算法精准提取攻击模式,有效解决APT活动与良性操作的语义差距问题。
2026-03-20 cs.CR
DEHYDRATOR: Enhancing Provenance Graph Storage via Hierarchical Encoding and Sequence Generation
针对溯源图存储开销高的问题,本文提出 Dehydrator 系统,通过字段映射编码、分层编码和深度神经网络支持批量查询,在超十亿条日志上实现存储空间降低 84.55%,并显著优于 PostgreSQL、Neo4j 和 Leonard。
2024-12-31 cs.CR
EXTRACTOR: Extracting Attack Behavior from Threat Reports
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
网络威胁情报(CTI)报告中包含的攻击知识对于有效识别和快速响应网络威胁非常重要。然而,这些知识往往嵌入在大量的文本中,因此很难有效地使用。为了解决这一挑战,我们提出了一种新的方法和工具,称为EXTRACTOR,允许精确的自动提取简洁的攻击行为CTI报告。EXTRACTOR对文本没有强有力的假设,能够从非结构化文本中提取攻击行为作为起源图。我们使用来自各种来源的真实事件报告以及DARPA对抗活动的报告来评估EXTRACTOR,这些活动涉及Windows,Linux和FreeBSD等各种操作系统平台上的几次攻击活动。我们的评估结果表明,EXTRACTOR可以从CTI报告中提取简洁的出处图,并表明这些图可以成功地被网络分析工具用于威胁搜索。
2021-04-17 cs.AI cs.CR
When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions
Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院);Minzu University of China(中央民族大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
本文提出CAESAR框架,通过分解任务为五个角色并协调执行,提高自动化入侵任务的成功率并减少性能波动,尤其在需要多步骤利用组合的任务中表现更佳。
2026-05-09 cs.CR
P3GNN: A Privacy-Preserving Provenance Graph-Based Model for APT Detection in Software Defined Networking
P3GNN模型结合联邦学习与图卷积网络,利用无监督学习分析溯源图,在SDN中实现节点级APT检测,准确率0.93,误报率0.06。
2024-07-08 cs.CR
MirGuard: Towards a Robust Provenance-based Intrusion Detection System Against Graph Manipulation Attacks
针对图操纵攻击威胁,提出鲁棒异常检测框架MirGuard,结合逻辑感知噪声注入与保留逻辑的对比学习,生成保持因果语义的图视图,在多项数据集上显著提升PIDS对抗攻击的鲁棒性且不牺牲检测性能。
2025-08-14 cs.CR
ProveRAG: Provenance-Driven Vulnerability Analysis with Automated Retrieval-Augmented LLMs
Rochester Institute of Technology(罗切斯特理工学院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Gonzaga University(冈萨加大学)
ProveRAG通过自动化检索增强和自我批评机制,提升大语言模型在漏洞分析中的准确性和时效性,提供高精度的漏洞利用和缓解策略。
2026-01-23 cs.CR cs.IR
Minos: A Multi-Agent Collaborative Framework for Provenance-Based Backward Tracking
Zhejiang University(浙江大学);Ningbo Key Laboratory of Quantum Software and Security(宁波量子软件与安全重点实验室);Hofstra University(霍夫斯特拉大学)
提出多智能体框架Minos,利用LLM驱动推理进行基于溯源的反向追踪,通过分层上下文管理、检索增强推理和有限状态机协调四个智能体,有效缓解依赖爆炸,在5个数据集上平均召回率0.92、精确率0.64,攻击子图压缩49%。
2026-07-02 cs.CR
APT-CGLP: Advanced Persistent Threat Hunting via Contrastive Graph-Language Pre-Training
College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);College of Geoinformatics, Zhejiang University of Technology(浙江工业大学地理信息学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
APT-CGLP通过对比图-语言预训练实现高级持续威胁狩猎,提升跨模态语义匹配的准确性和效率。
2025-12-31 cs.CR
Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection
本文提出CAPTAIN,一种基于规则的自适应溯源入侵检测系统,通过引入三个可学习参数和梯度下降优化,在保持轻量级和可解释性的同时,显著提升检测准确率并降低误报。
2024-09-20 cs.CR
GraphFaaS: Serverless GNN Inference for Burst-Resilient, Real-Time Intrusion Detection
Northwestern University(西北大学);SRI International(SRI国际研究所)
针对传统静态GNN推理架构无法满足入侵检测低延迟、抗突发需求的问题,提出定制无服务器架构GraphFaaS,可动态扩展推理流水线,显著降低检测延迟与波动。
2025-11-13 cs.CR
Few-Shot Learning-Based Cyber Incident Detection with Augmented Context Intelligence
针对云环境日益复杂的网络威胁,本文提出一种基于少样本学习与增强上下文智能的攻击检测方法,利用符号学提取和语义分析将异常检测转为相似性比较,在少量样本下实现对未知攻击的准确泛化。
2025-06-19 cs.CR
Prov2vec: Learning Provenance Graph Representation for Unsupervised APT Detection
针对APT难以早期检测的问题,提出Prov2Vec系统,基于系统事件日志构建溯源图,设计新型溯源图核获取行为规范表示,通过对比检测异常,实现更紧凑且预测能力更强的无监督APT检测。
2023-10-02 cs.CR cs.IT math.IT
Distributed Temporal Graph Learning with Provenance for APT Detection in Supply Chains
针对供应链中高级持续性威胁(APT)的实时检测问题,提出一种整合多源数据、构建动态溯源图并利用时序图学习进行实时检测的新方法,并模拟了自定义数据集。
2025-04-03 cs.CR cs.DC
POIROT: Aligning Attack Behavior with Kernel Audit Records for Cyber Threat Hunting
网络威胁情报(CTI)被用于搜索攻击的指标,这些攻击可能已经危害了企业网很长一段时间而没有被发现。为了进行更有效的分析,CTI开放标准纳入了描述性关系,显示了指标或可观测量如何相互关联。然而,这些关系要么在信息收集中被完全忽视,要么不用于威胁搜索。在本文中,我们提出了一个系统,称为POIROT,它使用这些相关性来揭示一个成功的攻击活动的步骤。我们使用内核审计作为一个可靠的来源,涵盖了所有的因果关系和系统实体之间的信息流和模型的威胁狩猎作为一个不精确的图模式匹配问题。我们的技术方法是基于一种新的相似性度量,该度量评估了由CTI相关性构建的查询图和由内核审计日志记录构建的起源图之间的对齐。我们根据公开发布的真实事件报告以及DARPA设计的对抗性攻击报告评估POIROT,其中包括针对不同操作系统平台(如Linux,FreeBSD和Windows)的十次不同攻击活动。我们的评估结果表明,POIROT能够搜索包含数百万个节点的内部图,并在几分钟内查明攻击,结果表明CTI相关性可用作威胁狩猎的强大和可靠的工件。
2019-09-30 cs.CR
CSTS: A Canonical Security Telemetry Substrate for AI-Native Cyber Detection
本文提出CSTS,一种通用安全遥测基础结构,旨在通过统一异构网络安全数据表示,提升AI原生网络安全检测的可重用性和可扩展性。
2026-04-06 cs.CR cs.LG
GraphDART: Graph Distillation for Efficient Advanced Persistent Threat Detection
School of Computing Technologies, RMIT University(RMIT大学计算技术学院);Institute of Innovation, Science and Sustainability, Federation University Australia(澳大利亚联邦大学创新、科学与可持续发展研究院)
针对 CPSSs 中溯源图规模过大导致 GNN 检测 APT 效率低的问题,本文提出模块化 GraphDART 框架,通过经典与现代图蒸馏压缩图并保留关键信息,提升异常检测的可扩展性、效率与鲁棒性。
2025-01-06 cs.CR cs.LG
A Rule Mining-Based Advanced Persistent Threats Detection System
The University of Edinburgh(爱丁堡大学);New York University(纽约大学);King’s College London(伦敦国王学院);University of Manchester(曼彻斯特大学);The Alan Turing Institute(阿兰·图灵研究所);Université du Québec à Montréal(魁北克大学蒙特利尔分校)
高级持续性威胁(APT)是一种隐形的网络攻击,旨在从目标组织窃取有价值的信息,并往往会在时间上延长。安全专家警告说,阻止所有APT是不可能的,因此研究早期检测和损害限制的重要性。全系统起源跟踪和起源跟踪挖掘被认为是有前途的,因为它们可以帮助发现活动之间的因果关系,并在可疑事件发生时标记它们。我们引入了一种无监督的方法,利用操作系统独立的功能,反映过程活动来检测现实的APT类攻击的起源痕迹。异常过程的排名使用频繁和罕见的事件关联从痕迹。结果,然后提出的影响,因为可解释的,有助于利用因果关系解释检测到的异常。在透明计算程序数据集(DARPA)上进行评估时,我们的方法优于竞争方法。
2021-05-20 cs.AI cs.CR
Combating Advanced Persistent Threats: Challenges and Solutions
针对基于溯源图的内核级审计在APT防御中存在的横向攻击链重构难等问题,提出含分布式审计模型、规避检测策略和隐马尔可夫防御方法的鲁棒APT防御方案,经实验验证有效并指明开放研究方向。
2024-04-12 cs.CR
Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features
Virginia Tech(弗吉尼亚理工大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对基于GNN的入侵检测系统缺乏可解释性的问题,提出PROVEXPLAINER框架,利用可解释代理模型结合判别子图模式和结构特征,在真实数据集上相比SOTA解释器显著提升解释质量与可操作性。
2025-10-09 cs.CR cs.LG
CRUcialG: Reconstruct Integrated Attack Scenario Graphs by Cyber Threat Intelligence Reports
针对现有CTI报告构建图存在的NLP能力弱和语义不足等问题,提出CRUcialG系统,通过提取攻击知识、四阶段合理性验证及序列化图生成模型,自动重构攻击场景图,在召回率和F1分数上显著优于SOTA。
2024-10-15 cs.CR
Securing AI Agents in Cyber-Physical Systems: A Survey of Environmental Interactions, Deepfake Threats, and Defenses
Binghamton University(宾汉姆顿大学)
本文综述了物理信息系统中AI代理的安全威胁,重点分析了环境交互、深度伪造攻击及MCP漏洞,并提出基于SENTINEL框架的防御策略与挑战。
2026-01-28 cs.CR cs.DC
TREC: APT Tactic / Technique Recognition via Few-Shot Provenance Subgraph Learning
College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
针对现有基于规则的APT战术/技术识别方法粒度粗、泛化性差的问题,本文提出TREC框架,通过恶意节点检测与子图采样结合孪生神经网络小样本学习,实现溯源图上的APT战术与技术识别,性能优于现有最优系统。
2024-09-11 cs.CR cs.LG
RPG-AE: Neuro-Symbolic Graph Autoencoders with Rare Pattern Mining for Provenance-Based Anomaly Detection
New York University, NYUAD, Computer Science Department, Division of Science(纽约大学、NYUAD、计算机科学系、科学学院)
RPG-AE通过结合图自编码器与罕见模式挖掘,提升基于溯源的异常检测效果和可解释性。
2026-02-15 cs.AI cs.CR cs.LG
Modeling Behavioral Preferences of Cyber Adversaries Using Inverse Reinforcement Learning
THINC Lab, School of Computing, University of Georgia(THINC实验室,计算学院,佐治亚大学)
本文提出用逆强化学习从审计日志取证数据中学习网络攻击者的行为偏好,首次证明低层级取证数据可自动揭示对手固有偏好,并可作为独特行为签名改进威胁归因。
2025-05-02 cs.AI cs.CR cs.LG
SHIELD: APT Detection and Intelligent Explanation Using LLM
SHIELD将统计异常检测、图分析与LLM上下文分析相结合,利用LLM隐式知识发现溯源数据中的隐藏攻击模式,降低误报并提供可解释描述,在真实场景中超越现有方法,为APT检测建立新基准。
2025-02-04 cs.CR
ProvAgent: Threat Detection Based on Identity-Behavior Binding and Multi-Agent Collaborative Attack Investigation
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Zhongguancun Laboratory(中关村实验室)
ProvAgent通过多智能体协作与传统模型结合,实现高效威胁检测与自动化攻击调查,提升安全响应效率与准确性。
2026-03-10 cs.CR
Nip in the Bud: Forecasting and Interpreting Post-exploitation Attacks in Real-time through Cyber Threat Intelligence Reports
本文提出端点预测与解释系统EFI,利用CTI报告构建攻击场景图并结合EDR溯源图实时预测后渗透攻击的下一步行动,通过攻击模板图与图对齐算法实现技术级解释并自动加固系统,实验显示预测与解释精确率达91.8%。
2024-05-05 cs.CR
LogSHIELD: A Graph-based Real-time Anomaly Detection Framework using Frequency Analysis
New Mexico Institute of Mining and Technology(新墨西哥矿业技术学院);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
针对传统异常检测模型计算开销高、准确率低,难以适配企业网络实时威胁检测的问题,本研究提出基于图频域分析的LogSHIELD框架,通过两种图嵌入方案结合聚类算法实现异常检测,在大型主机日志数据集上实现超98%的AUC与F1分数,检测延迟仅0.13秒,性能优于现有最优模型。
2024-10-29 cs.AI cs.CR
Adversarial Augmentation and Active Sampling for Robust Cyber Anomaly Detection
New York University, NYUAD, Division of Science.(纽约大学,NYUAD,科学学院)
针对APT检测中标注数据稀缺的问题,本文提出结合注意力对抗双自动编码器与主动学习的异常检测框架,在多系统真实不平衡数据集上实现了检测率的显著提升,降低了标注成本。
2025-09-05 cs.AI cs.CR cs.CY
TRACE-CTI: Auditable Post-Extraction Governance of TTP Claims with Knowledge Graphs
CASD – School of Advanced Defense Studies(高级国防研究学院)
研究针对网络威胁情报报告提取器输出不可靠且缺乏相关依据的问题,提出TRACE-CTI框架,通过保留预测、聚合断言等操作进行治理。经实验评估,该框架能提升精度,还能直接回答多个相关问题,支持对TTP声明的可审计治理。
2026-07-30 cs.AI cs.CR
DeepStage: Learning Autonomous Defense Policies Against Multi-Stage APT Campaigns
Department of Information Assurance, FPT University(信息保障系,FPT大学)
本文提出DeepStage框架,利用深度强化学习对抗多阶段APT攻击,通过融合主机溯源和网络 telemetry 构建统一溯源图,结合StageFinder进行攻击阶段估计,采用分层PPO算法实现自适应防御,实验显示其在真实企业环境中的有效性。
2026-03-17 cs.AI cs.CR cs.LG
LogShield: A Transformer-based APT Detection System Leveraging Self-Attention
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);National Research Council Canada(加拿大国家研究委员会)
LogShield利用Transformer自注意力机制和定制嵌入层处理溯源图事件序列,在DARPA OpTC和TC E3数据集上分别取得98%和95%的F1分数,超越LSTM模型,实现高效APT检测。
2023-11-09 cs.CR cs.LG
SAQL: A Stream-based Query System for Real-Time Abnormal System Behavior Detection
最近,高级网络攻击包括一系列涉及许多漏洞和主机的步骤,危及许多受到良好保护的企业的安全。这导致了将每个主机(大数据)中的系统活动作为一系列事件无处不在地监视,并搜索异常(异常行为)以分类风险事件的解决方案。由于对抗这些攻击是一项时间紧迫的任务,以防止进一步的损害,这些解决方案面临的挑战是结合专业知识,对大规模来源数据进行及时的异常检测。为了解决这些挑战,我们提出了一种新的基于流的查询系统,作为输入,一个实时的【形】事件提要聚合从多个主机在企业,并提供了一个异常查询引擎,查询事件提要,以确定异常行为的基础上指定的异常。为了便于基于专家知识表达异常的任务,我们的系统提供了一个特定于域的查询语言,SAQL,它允许分析师表示模型(1)基于规则的异常,(2)时间序列异常,(3)基于不变量的异常,(4)基于异常。我们在NEC Labs America部署了由150台主机组成的系统,并使用1.1TB的真实系统监控数据(包含33亿个事件)对其进行了评估。我们对一系列攻击行为和微基准测试的评估表明,我们的系统具有低检测延迟(<2 s)和高系统吞吐量(110,000事件/s;支持~4000台主机),并且在内存利用率方面比现有的基于流的复杂事件处理系统更有效。
2018-06-25 cs.CR cs.DB
OCR-APT: Reconstructing APT Stories from Audit Logs using Subgraph Anomaly Detection and LLMs
Concordia University(康科德大学)
本文提出 OCR-APT,通过 GNN 子图异常检测识别 APT 行为,并利用 LLM 分阶段验证和重构可解释的完整攻击故事。
2025-10-20 cs.CR cs.LG