《Future Generation Computer Systems》:A Hybrid ReFiNet approach for Real-Time Multi-Stage Advanced Persistent Threat Detection
编辑推荐:
Vishnu Priya M K | Sivabalan S | Manuj Aggarwal | Anila Glory H
信息超级高速公路中心(CISH),计算学院,SASTRA师范大学,Thanjavur,泰米尔纳德邦,印度
摘要
高级持续性威胁(APTs)是高度复杂
Vishnu Priya M K | Sivabalan S | Manuj Aggarwal | Anila Glory H
信息超级高速公路中心(CISH),计算学院,SASTRA师范大学,Thanjavur,泰米尔纳德邦,印度
摘要
高级持续性威胁(APTs)是高度复杂、多阶段的针对性网络攻击,专门设计用于在目标网络中持续存在并窃取机密数据。这些APT威胁的增加对涉及专有数据的关键行业产生了重大影响;因此,使用传统方法检测APT攻击面临许多挑战,包括准确地分类多阶段攻击模式、有效处理多样化数据集以及捕获细粒度的基于行为的APT攻击模式。这就需要一个先进的、基于意识的检测框架来应对这些挑战,以减轻不断演变的APT攻击。关于这一点,本文提出了基于表示采样的微调网络(ReFiNet)方法,该方法结合了改进的基于块脉冲模式的Zig Zag Harris Hawk优化(BP-POZZ based HHO)算法来进行最优特征过滤处理。细粒度的行为模式通过预训练的卷积循环神经网络(CRNN)捕获,并结合嵌入向量进行嵌入空间采样(ESS)以处理APT攻击模式的不均匀分布。CRNN使用改进的HHO进行微调,以实现多阶段APT检测。最后,该方法通过两个不同的APT数据集进行了验证,并与现有模型进行了比较,在不同的性能分析中取得了有希望的结果。为了提高所提出方法的可解释性,还部署了Shapley Additive exPlanations(SHAP)来提供对预测特征的深入洞察。此外,该方法还使用来自模拟APT攻击环境的实时数据进行了验证,该环境模拟了著名APT团队使用的不同高级攻击方法。
引言
“高级持续性威胁(APT)”这一术语最早出现在21世纪中后期。它是一种多阶段的针对性网络攻击,由资金充足、训练有素的攻击者实施,具有复杂的攻击技术,并能够在目标网络中长时间不被发现[1,2]。规避阶段取决于目标环境,最常见的六个规避阶段是:(i)侦察、(ii)发现、(iii)立足点建立、(iv)权限提升、(v)横向移动和(vi)数据窃取。许多APT团队共享常见的战术、技术和程序(TTPs)。SOCRADAR [3,4]的报告指出,四个APT团队:(i)APT41、(ii)Earth Berberoka、(iii)Earth Lusca和(iv)Bronze Spring,都是针对中国的攻击者。这些团队仍然活跃并不断进化,因此对检测构成了挑战。
APT攻击者使用高度复杂的技术来突破目标网络,因此防御者必须实施先进的威胁检测策略[5,6]。因此,在监控系统中部署了更多检测策略,如基于签名、基于异常和基于规则的APT检测[[7], [8], [9], [10]]。尽管使用了智能模型,但它们在区分规避阶段方面存在不足,特别是在APT攻击检测方面。卷积循环神经网络架构[[11], [12], [13], [14]]特别适合于研究序列和空间模式,因为在异构网络流量数据中追踪APT攻击者的行为非常重要。然而,它们在APT检测中的应用仍然受到限制,难以泛化到各种APT攻击模式,可扩展性有限,可解释性差,计算成本高昂。此外,最佳特征选择[15,16]在攻击检测中起着重要作用,大多数现有工作[[17], [18], [19], [20]]容易陷入局部最优陷阱,尽管这些模型设计得更高效,但它们受到数据分布不均匀的限制。为了解决所有这些问题,提出了一种混合ReFiNet方法。该方法结合了Harris Hawk优化,并通过基于块脉冲(BP)的传输函数和模式导向的Zig-Zag表示(POZZ)进行种群生成。随后,在预训练的CRNN的潜在空间应用嵌入空间采样方法来微调预训练的学习模型。所提出方法的主要贡献如下:
- •
基于块脉冲的传输函数用于确保探索和利用阶段之间的高效平衡
- •
使用模式导向的Zig-Zag表示进行种群生成,以避免过早收敛
- •
使用预训练的卷积循环神经网络提取局部攻击模式并跟踪APT攻击的顺序演变
- •
进行针对阶段的分类,以识别APT攻击阶段之间的微妙转变并增强网络安全性
- •
使用Shapley Additive exPlanations提供所提出框架预测的详细洞察以及多阶段APT检测的特征重要性
文章的其余部分安排如下:第2节强调最近的研究论文。第3节详细介绍了所提出方法的工作原理。第4节讨论了实验和结果。第5节总结了文章的未来研究方向。附录A阐明了Harris Hawk优化和块脉冲函数的工作原理,附录B概述了性能指标的解释。
章节片段
相关工作
由于APT攻击的复杂性和隐蔽性,检测其攻击痕迹在网络安全领域仍然是一个重大挑战。一些解决这些问题的研究被考虑在内,以下小节示例了这些研究工作。
Kumari等人[21]提出了混合优化方法,该方法整合了HHO和Sparrow Search算法,使用了合成少数样本过采样技术(SMOTE)来解决不平衡问题,并利用了Light
提出的方法
本节简要介绍了混合ReFiNet框架的工作原理,分为四个小节:(i)数据收集、(ii)数据预处理、(iii)最优特征过滤器——基于块脉冲的改进Harris Hawk优化和(iv)ReFiNet用于多阶段APT检测。图1展示了混合ReFiNet方法的概述。整个过程从数据收集开始,然后进行数据预处理、最优特征选择和检测。图1中的绿色阴影部分代表
实验设置
本节简要介绍了所提出方法的实验设置,使用各种性能指标进行了评估,并提供了数据集的全面描述。整个实验使用Python 3.12.7和3.10.0进行,计算过程使用了NumPy、Pandas、Keras、TensorFlow 2.10.0和Matplotlib等库。实验设置具有16 GB的主内存,一台AMD Ryzen 7 8845HS处理器和Radeon 780M显卡
结论与未来工作
本文提出了一种新颖的混合方法,用于多阶段高级持续性威胁(APT)检测,通过将改进的Harris Hawk优化(HHO)算法与表示驱动的深度学习模型协同集成。改进的HHO结合了基于块脉冲的传输函数和模式导向的Zig Zag表示,以有效平衡探索和利用阶段,从而防止过早收敛并提高效率和性能
CRediT作者声明
Vishnu Priya M K:概念化、方法论、软件开发、数据整理、初稿撰写、调查、可视化、验证、审阅与编辑;Sivabalan:软件开发、撰写、数据整理、可视化;Manuj Aggarwal:监督、验证、审阅与编辑;Anila Glory:形式分析、调查、可视化、撰写、审阅与编辑。
致谢
这项工作是电子和信息技术部资助的研发项目的一部分
CRediT作者贡献声明
Vishnu Priya M K:初稿撰写、验证、方法论、调查、形式分析、数据整理;Sivabalan S:可视化、验证、软件开发、形式分析;Manuj Aggarwal:审阅与编辑、验证、形式分析;Anila Glory:撰写、审阅与编辑、验证、监督、形式分析。