基于风险感知路径结构化与注意力增强自编码器的容器逃逸攻击异常检测方法

《Mathematics》：An Abnormal File Access Detection Model for Containers Based on eBPF Listening Naqin Zhou, Hao Chen, Zeyu Chen, Chao Li and Fan Li

　　

摘要：本文提出一种面向容器逃逸攻击检测的异常检测方法，引入风险感知层次截断与长度归一化策略对Linux文件路径进行六段结构化编码，将截断标记?TRUNC?、填充标记?PAD?等作为可学习嵌入（Embedding）参与向量化；采用Word2Vec学习路径分段语义向量并以均值池化（Mean Pooling）获得路径整体语义表示，融合数值特征与容器身份二进制特征构建多模态输入；在自编码器（Autoencoder, AE）前端引入路径注意力层（Path Attention Layer）计算各分段重要性权重并进行加权聚合，随后经三层对称编码器压缩至32维隐空间并由解码器重构，以重构误差作为异常评分（Anomaly Score）。实验结果表明，该方法较传统AE及基准机器学习模型在FPR（False Positive Rate）、TPR（True Positive Rate）、AUC等指标上均有提升，可有效识别容器内的异常文件路径访问行为，为容器安全监控提供一种兼顾层次结构保留与语义关联建模的检测方案。

研究背景与动机

随着容器技术在云计算中的广泛部署，容器逃逸（Container Escape）攻击成为云安全的重要威胁。现有基于系统调用路径的异常检测方法多采用原始路径字符串或固定长度独热编码，难以保留文件路径固有的层次结构信息与分段语义关联性；传统自编码器（Autoencoder, AE）在建模路径分段间长距离依赖及多模态特征融合方面存在局限，导致对异常路径（如非常规访问/etc/shadow、绕过挂载点等）的检测准确率不足且误报率偏高。为此，研究人员开展了一项将文件路径进行风险感知结构化归一化并结合语义向量化与注意力增强自编码器（Attention-enhanced Autoencoder）的容器逃逸异常检测研究，相关成果发表于《Mathematics》。

主要关键技术方法

研究人员采集容器运行时的系统调用文件路径样本（正常路径与已知容器逃逸攻击路径），首先对路径按分隔符分段后实施风险驱动截断——原长L>6时依安全敏感段优先级保留六段并插入?TRUNC?标记，L<6时在尾部追加?PAD?标记，异常/歧义结构分别标注?ANOM?/?AMB?，统一输出六段结构化序列；各分段（含特殊标记）经Word2Vec训练得到分段嵌入向量（Segment Embedding），路径整体嵌入取分段嵌入均值；再与数值特征（如路径深度、访问权限数值化）及容器身份二值特征拼接形成多模态输入向量；设计路径注意力层对各分段嵌入计算Score(·)并经Softmax得到权重α_i，加权求和得注意力加权表示e_attn=Σα_ie_i；该表示送入三层对称全连接自编码器（激活函数f为ReLU/ELU类非线性映射），编码至32维潜空间h=W_e⁽³⁾f(W_e⁽²⁾f(W_e⁽¹⁾x+b_e⁽¹⁾)+b_e⁽²⁾)+b_e⁽³⁾，解码重构输入，以重构均方误差（MSE, Mean Squared Error）为异常评分，超过阈值判定为逃逸攻击相关异常。

研究结果

3.2.1 风险感知路径结构化归一化（Risk-aware Path Structural Normalization）

研究人员定义路径分段s_i经风险感知截断与填充后固定输出六段向量[s₁,…,s₆]，引入?TRUNC?指示层次被截断、?PAD?指示短路径填充、?ANOM?指示结构不规则、?AMB?指示层次模糊，上述标记作为独立Token参与后续嵌入学习。示例显示长路径/usr/lib/docker/overlay2/abc123/diff/etc/shadow经截断保留尾部敏感段并前置?TRUNC?，短路径/etc/systemd/system/docker.service补两个?PAD?，验证归一化能统一异构路径至相同维度并保留安全风险线索。

3.2.2 路径语义向量化（Path Semantic Vectorization）

研究人员将归一化六段各分段用预训练Word2Vec映射为向量e_i=Word2Vec(w_i)，路径语义嵌入E(p)=1/|p| Σ_i=1^|p|Word2Vec(w_i)，再与数值特征、容器ID二值特征融合。Word2Vec基于分段共现上下文捕获语义相似性（如etc与systemd具目录关联），使相似功能路径在向量空间中邻近，优于单纯字符或One-hot表示。

3.3 注意力增强自编码器用于异常检测（Attention-Enhanced Autoencoder for Anomaly Detection）

研究人员在AE输入后增设路径注意力层：α_i=exp(score(e_i))/Σ_j=1ⁿexp(score(e_j))，其中score(·)为可学习相似度函数；全局表示e_attn=Σ_i=1ⁿα_ie_i。经三层编码器压至32维隐变量，对称解码重构。在正常路径上训练最小化重构误差，测试时异常路径（结构/语义偏离正常模式）重构误差显著增大。研究表明注意力机制能使模型聚焦于高风险分段（如shadow、diff），提升对逃逸攻击典型路径的区分度。

讨论与结论

研究人员指出，传统AE忽略路径分段语义差异与层次截断信息，而本方法通过结构化标记保留被截断的高层线索并通过注意力动态加权关键分段，使模型对容器逃逸中常见的深层嵌套敏感文件访问更具敏感性。结论表明：风险感知六段结构化编码解决了变长路径统一表征问题；Word2Vec语义嵌入较字符编码更好反映目录功能关联；路径注意力层使自编码器重建误差对异常路径更显著，降低了正常路径误判。该方法在容器逃逸场景下的异常检测AUC优于SVM（Support Vector Machine）、随机森林（Random Forest）及标准AE，可为容器运行时入侵检测系统（Host-based Intrusion Detection System for Container, C-HIDS）提供路径级异常判别依据。