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
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
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
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
NODLINK: An Online System for Fine-Grained APT Attack Detection and Investigation
针对现有APT在线检测系统牺牲检测粒度、溯源图节点过多难以解读的问题,提出将检测建模为斯坦纳树问题,设计实现NodLink系统,在生产环境中准确率远超现有SOTA系统且吞吐量更优。
2023-11-04 cs.CR
CyberClear: A Benchmark for LLM Agent Systems on APT Attack Chain Provenance
Southeast University(东南大学);The Hong Kong Polytechnic University(香港理工大学);Zhongguancun Laboratory(中关村实验室)
提出CyberClear基准,评估大语言模型智能体从长上下文安全日志中重建APT攻击链的能力,并设计CyberProvenance框架,通过证据积累与执行验证提升多智能体系统溯源性能。
2026-09-29 cs.AI 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
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
TGL-APT: Temporal Graph Learning with Graph Distillation for Efficient APT Investigation
Fujian Normal University(福建师范大学)
该研究针对APT攻击检测中全图学习成本高的问题,提出TGL-APT框架,结合图蒸馏、自适应时序图学习等技术,在DARPA E3数据集上实现高检测性能并降低了计算资源消耗。
2026-08-21 cs.CR
TPPR: APT Tactic / Technique Pattern Guided Attack Path Reasoning for Attack Investigation
Zhejiang University of Technology(浙江工业大学)
针对APT攻击调查中溯源图路径推理难以区分良性操作与真实攻击的问题,提出TPPR框架,通过异常节点检测、TTP标注与剪枝、序列模式推理及置信度评分合并,实现高精度攻击场景重建,显著优于现有方法。
2025-10-25 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
Multi-Stage Attack Detection via Kill Chain State Machines
今天,人类安全分析师在调查期间必须分类的大量警报下崩溃。无法应对这种负载,再加上警报的高误报率,导致警报疲劳。这导致无法检测复杂的攻击,例如高级持续性威胁(APT),因为它们在很长一段时间内出现,攻击者小心翼翼地躲避检测机制。在本文中,我们提出了一种新的方法来合成攻击图的状态机。我们使用网络方向来获得潜在的攻击阶段,从单一和元警报和模型产生的攻击场景中的杀伤链状态机(KCSM)。我们的算法产生的攻击,APT场景图,其中节点代表涉及主机和边缘感染活动的图形摘要。我们基于CSE-CIC-IDS 2018数据集在多个实验中评估了我们方法的可行性。我们获得了高达446 458单例警报,我们的算法凝聚成700 APT场景图,从而减少高达三个数量级。这种减少使得人类分析师能够有效地对潜在事件进行分类。在同一数据集上的评估,其中我们嵌入了一个合成的但现实的APT运动,支持我们的方法检测和上下文复杂的攻击的适用性。由我们的算法构建的APT场景图正确地链接了APT活动的大部分,并提供了一个连贯的视图,以支持人类分析师进行进一步的分析。
2021-03-26 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
TBDetector:Transformer-Based Detector for Advanced Persistent Threats with Provenance Graph
本文提出TBDetector,一种基于Transformer和溯源图的APT检测方法,利用自注意力编码器-解码器提取系统状态长期特征,并引入异常分数,在五个公开数据集上验证了优于现有方法的检测性能。
2025-07-17 cs.AI cs.CR cs.LG
Explainable AI for Enhancing IDS Against Advanced Persistent Kill Chain
针对APT多阶段检测中网络流量特征冗余的问题,提出融合SHAP与XGBoost的特征选择和分类模型,仅用12个特征实现轻量级IDS并提升检测性能。
2025-06-09 cs.CR
RAPID: Robust APT Detection and Investigation Using Context-Aware Deep Learning
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出RAPID方法,通过上下文感知异常检测、自监督序列学习和溯源追踪,实现鲁棒且高效的APT检测与调查,显著降低误报并提升精确率和召回率。
2024-06-08 cs.CR cs.LG
MAGIC: Detecting Advanced Persistent Threats via Masked Graph Representation Learning
Fudan University(复旦大学);Sun Yat-sen University(中山大学);National Key Laboratory of Science and Technology on Information System Security(国家信息系统安全科学技术重点实验室);Shanghai University of Electric Power(上海电力大学)
针对现有APT检测依赖攻击数据、上下文提取不足及开销大的问题,提出自监督掩码图表示学习方法MAGIC,建模良性实体行为,实现多粒度检测,在三个数据集上优于现有方法且开销更低。
2023-10-15 cs.CR cs.LG
Sentient: Detecting APTs Via Capturing Indirect Dependencies and Behavioral Logic
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
Sentient通过结合预训练和意图分析,利用图Transformer和意图分析模块有效检测APT,显著降低误报率。
2026-01-05 cs.CR
SecTracer: A Framework for Uncovering the Root Causes of Network Intrusions via Security Provenance
Electronics and Telecommunications Research Institute (ETRI)(电子电信研究所);Temple University(天普大学);School of Software, Kwangwoon University(光云大学软件学院)
针对企业网络复杂攻击难以分析的问题,本文提出网络级安全溯源概念及SecTracer框架,通过SDN收集数据、溯源图重建攻击、概率模型预测攻击,经APT模拟验证其有效性且开销低。
2025-11-12 cs.CR
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
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
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
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
KnowHow: Automatically Applying High-Level CTI Knowledge for Interpretable and Accurate Provenance Analysis
针对CTI高层知识与底层安全日志的语义鸿沟问题,提出KnowHow方法,通过gIoC知识表示和系统标识符提升技术,实现APT攻击的准确可解释溯源检测,误报率显著降低。
2025-09-06 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
DeepHunter: A Graph Neural Network Based Approach for Robust Cyber Threat Hunting
网络威胁搜索是对组织信息系统中已知攻击行为的主动搜索。它是缓解高级持续威胁(APT)的重要组成部分。然而,来源数据中记录的攻击行为可能与已知的攻击行为不完全一致。在本文中,我们提出了DeepHunter,这是一种基于图神经网络(GNN)的图模式匹配方法,可以以鲁棒的方式将起源数据与已知的攻击行为进行匹配。具体来说,我们设计了一个图神经网络架构,其中包含两个新的网络:可以包含妥协指标(IOCs)信息的属性嵌入网络和可以捕获IOCs之间关系的图嵌入网络。为了评估DeepHunter,我们选择了五种真实和合成的APT攻击场景。实验结果表明,DeepHunter能够捕获所有的攻击行为,其准确性和鲁棒性均优于最先进的Poirot方法。
2021-04-20 cs.CR
HADES: Detecting Active Directory Attacks via Whole Network Provenance Analytics
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);University of Virginia(弗吉尼亚大学)
HADES通过引入日志会话基于执行分区的概念,实现了跨机器追溯,有效检测活动目录攻击,优于现有系统。
2024-07-26 cs.CR
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
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
ProvG-Searcher: A Graph Representation Learning Approach for Efficient Provenance Graph Search
针对系统安全日志中已知APT行为检测的溯源图搜索难题,提出基于序嵌入的图表示学习方法ProvG-Searcher,结合图划分与行为保留约简策略,实现超99%准确率和约0.02%误报率的高效搜索。
2023-12-19 cs.CR
LTRDetector: Exploring Long-Term Relationship for Advanced Persistent Threats Detection
针对 APT 攻击长期隐蔽、现有方法忽视攻击生命周期关系的问题,提出 LTRDetector 框架,通过溯源图嵌入、数据压缩和无签名异常行为建模检测已知与零日 APT,并在五个数据集上验证其优于现有方法。
2024-04-04 cs.CR
DeepXplain: XAI-Guided Autonomous Defense Against Multi-Stage APT Campaigns
本文提出DeepXplain框架,通过整合溯源图学习和统一XAI流程,提升APT防御的可解释性和有效性,实验显示F1分数和成功率显著提升。
2026-03-25 cs.AI 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
Policy-Value Guided MDP-MCTS Framework for Cyber Kill-Chain Inference
本文提出一种结合Transformer语义先验与AlphaZero风格MCTS的框架,用于自动推断网络杀伤链,提升入侵路径的语义准确性和操作连贯性。
2025-12-17 cs.CR
Hack Me If You Can: Aggregating AutoEncoders for Countering Persistent Access Threats Within Highly Imbalanced Data
New York University(纽约大学);The University of Edinburgh(爱丁堡大学)
提出基于深度学习的AE-APT工具,聚合多种AutoEncoder方法,在高度不平衡数据中有效检测高级持久威胁,检测率显著优于竞争方法。
2024-06-27 cs.AI cs.CR
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
threaTrace: Detecting and Tracing Host-based Threats in Node Level Through Provenance Graph Learning
针对现有溯源图方法难以检测隐蔽威胁的问题,提出基于归纳图神经网络 GraphSAGE 的异常检测系统 threaTrace,在实体级别学习良性节点特征,实现早期主机入侵检测且优于现有系统。
2021-11-08 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
DeepFaith: Evidence-Grounded LLMs for Faithful Incident Reporting in Multi-Stage APT Defense
IEEE(电气和电子工程师协会)
针对多阶段APT防御中事件报告难检测解释、输出难理解及大语言模型内容缺乏依据等问题,提出深度信念框架,通过集成多种技术确保生成陈述有依据,实验表明该框架能提升多项指标,为安全运营中心提供可靠报告。
2026-07-28 cs.AI cs.CR
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
Winemaking: Extracting Essential Insights for Efficient Threat Detection in Audit Logs
本文提出轻量级威胁检测系统Winemaking,通过图拉普拉斯正则化降噪和知识蒸馏框架,将GNN教师模型的知识迁移到由特征变换与个性化PageRank标签传播组成的学生模型中,在审计日志来源图上实现高效节点级APT检测,检测速度比现有最优方法快1.4至5.2倍。
2024-11-21 cs.CR
No Data? No Problem: Synthesizing Security Graphs for Better Intrusion Detection
Key Laboratory of High-Confidence Software Technologies (MOE), School of Computer Science, Peking University(北京大学计算机学院高可信软件技术教育部重点实验室);Department of Computer Science, University of Virginia(弗吉尼亚大学计算机科学系)
本文提出PROVSYN框架,通过合成异构图结构和文本属性,提升入侵检测的鲁棒性,实验显示其在五维评估中表现优于基线模型,有效缓解数据不平衡问题。
2026-08-17 cs.CR
Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection
Xidian University(西安电子科技大学);University of Padova(帕多瓦大学)
针对现有PIDS统一对待关系而忽视统计异质性的问题,提出RECAL框架,通过关系平衡掩码图学习与误差校准,在DARPA E3数据集上显著提升F1分数并大幅降低误报率。
2026-09-22 cs.CR cs.LG
ADAPTD: Adaptive Detection and Proactive Threat Defense for Autonomous APT attacks
KTH Royal Institute of Technology(皇家理工学院);New York University(纽约大学)
ADAPTD是一种通信与计算高效的决策论框架,通过整合紧凑杀伤链、即时阻断机制和预测性驱逐策略,在自主APT攻击检测防御中实现了优于现有方法的效果,降低了防御成本与干扰。
2026-08-19 cs.CR cs.SY eess.SY
Chasing the Shadows: TTPs in Action to Attribute Advanced Persistent Threats
本研究提出CAPTAIN方法,利用APT组织过去的TTPs及其序列上下文进行基线建立和相似性度量,实现攻击模式匹配与威胁归因,精确度达61.36%(top-1)和69.98%(top-2),优于传统方法。
2024-09-24 cs.CR
Towards event aggregation for reducing the volume of logged events during IKC stages of APT attacks
如今,像高级持续性威胁(APT)这样的有针对性的攻击已经成为许多企业网的主要关注点之一。作为应对这些攻击的常用方法,安全人员在不同的防线(网络、主机和应用程序)部署各种安全和非安全传感器,以跟踪攻击者在其杀伤链期间的行为。然而,这种方法的缺点之一是由异构安全和非安全传感器引起的大量事件,这使得难以分析记录的事件以供稍后处理,即用于及时检测APT攻击的事件相关性。到目前为止,已经发表了一些关于事件聚合的研究论文,以减少记录的低级别事件的数量。然而,大多数的研究工作都提供了一种方法来聚合的单一类型和同质的事件源的事件,即NIDS。此外,他们主要关注的只是事件量减少的程度,而事件聚合过程中丢失的安全信息量也非常重要。在本文中,我们提出了一个三阶段的事件聚合方法,以减少记录的异构事件在APT攻击考虑最低的安全信息丢失率的体积。该方法首先将传感器的低层事件聚类为若干相似的事件组,然后在滤除噪声事件簇后,基于面向属性归纳(AOI)方法对剩余事件簇进行可控归纳,以减少不重要或重复的事件。该方法已在三个公开可用的数据集上进行了评估:SotM 34,Bryant和LANL。实验结果表明,该方法能够有效地进行事件聚合,在保证信息丢失率(ILR)的前提下,事件量减少率可达99.7%.
2021-09-29 cs.CR
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
Know the Normal, Track the Attack: Context-Grounded and Stateful LLM Investigation over System Provenance
Xidian University(西安电子科技大学)
提出ANCHOR系统,结合证据策展与情境感知LLM推理,利用部署和案例情境校准异常并维护攻击状态,在DARPA数据集上提升IoC恢复和攻击阶段归因。
2026-09-30 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
GRASP -- Graph-Based Anomaly Detection Through Self-Supervised Classification
IEEE
GRASP通过自监督分类检测异常行为,利用进程执行文件的图邻域推断,无需阈值即可识别未知活动,优于现有系统。
2026-05-08 cs.CR cs.LG
AIQL: Enabling Efficient Attack Investigation from System Monitoring Data
应对高级持续性威胁(APT)攻击的需求导致了无处不在地监视每个主机中的系统活动并对监视数据执行及时的攻击调查以分析攻击起源的解决方案。然而,现有的基于关系数据库和图形数据库的查询系统缺乏语言结构来表达主要攻击行为的关键属性,并且由于其语义不可知的设计不能利用系统监控数据的属性来加速查询执行,因此通常执行查询效率低下。为了解决这个问题,我们提出了一种新的查询系统,建立在现有的监控工具和数据库,这是设计与新型的优化,以支持及时的攻击调查。我们的系统提供(1)特定于域的数据模型和存储扩展的存储,(2)特定于域的查询语言,攻击调查查询语言(AIQL),集成了关键的原语攻击调查,和(3)优化的查询引擎的基础上的数据和查询的语义的特点,以有效地调度查询执行。我们在NEC Labs America部署了由150台主机组成的系统,并使用857 GB的真实系统监控数据(包含25亿个事件)对其进行了评估。我们对现实世界的APT攻击和广泛的攻击行为的评估表明,我们的系统在效率(PostgreSQL的124倍,Neo4j的157倍,Greenplum的16倍)和简洁性(SQL,Neo4j Cypher和Splunk SPL包含的约束至少是AIQL的2.4倍)方面都超过了现有系统。
2018-06-07 cs.CR cs.DB
SPARSE: Semantic Tracking and Path Analysis for Attack Investigation in Real-time
SPARSE提出一种基于可疑语义图和路径级上下文分析的实时攻击调查系统,通过两阶段框架从流式日志中高效构建关键组件图,显著降低图规模并提升过滤效果。
2024-05-04 cs.CR
Janus: Evidence-Before-Effect Sagas and Offline-Verifiable Provenance for Agentic LLMs
Independent Researcher Istanbul, T\"urkiye
Janus通过签名哈希链日志在效果释放前记录智能体LLM的提议与裁决,实现离线可验证溯源,并在借贷实验中阻止了超出授权的支付,同时发现并报告了批准后替换漏洞。
2026-10-01 cs.AI cs.CR cs.DC
Anomaly Detection in Log Data using Graph Databases and Machine Learning to Defend Advanced Persistent Threats
高级持续性威胁(APT)是计算机网络网络安全的主要威胁。在2015年,[Fi16]报告称,成功的违规行为平均有146天未被发现。通过我们的工作,我们展示了一种可行且快速的方法来分析真实世界的日志数据,以检测违规行为或违规尝试。通过采用众所周知的杀伤链机制以及时间序列数据库和抽象图方法的组合,可以创建灵活的攻击配置文件。使用这种方法,它可以证明,图分析成功地检测模拟的攻击,通过分析一个模拟的计算机网络的日志数据。考虑到日志数据的另一个来源,该框架能够在短时间内提供足够的性能来分析真实世界的数据。通过使用图形数据库的计算能力,可以识别攻击者,并且还可以检测其他受影响的系统组件。我们相信,通过这种方法可以显著缩短漏洞的检测时间,并对新的攻击向量做出快速反应。
2018-02-01 cs.CR cs.DB