《Electronics》：A Tri-Axis Systematic Literature Review of AI-Powered Cyber Defense: ATT&CK-Aligned Analysis of Cyberattacks, Machine Learning Methods, and Datasets
编辑推荐：
摘要：网络攻击日益增长的复杂性和 sophistication 使得机器学习（ML）和人工智能（AI）成为现代网络防御的核心。然而，现有综述通常分别考察攻击、ML方法或数据集，限制了人们对方法选择如何与对抗行为及基准可用性相匹配的理解。本研究提出了一项对201
摘要：网络攻击日益增长的复杂性和 sophistication 使得机器学习（ML）和人工智能（AI）成为现代网络防御的核心。然而，现有综述通常分别考察攻击、ML方法或数据集，限制了人们对方法选择如何与对抗行为及基准可用性相匹配的理解。本研究提出了一项对2019年至2025年间发表的、基于AI和ML的网络防御研究的系统文献综述（SLR），并将其构建为一种基于ATT&CK对齐的网络攻击、机器学习方法和数据集的三轴合成分析。在99项主要研究中，该综述将312个攻击标签映射到MITRE ATT&CK策略和技术，对所用ML方法进行分类，并将96个数据集组织成一个精细的分类体系，涵盖网络入侵检测数据集（NIDD）、物联网网络入侵检测数据集（IoT-NIDD）、恶意软件、垃圾邮件与钓鱼、工业控制系统（ICS）、内部威胁、自定义采集及其他数据集。该综述并非将攻击、ML方法和数据集视为独立的描述维度，而是通过一个三轴交叉引用框架对它们进行联合分析，从而能够识别出基准依赖、方法集中度以及未被充分探索的攻击-方法-数据集交叉点，这些在单轴或模型中心的综述中是无法被发现的。综合结果显示，现有文献高度集中于与影响（Impact）、初始访问（Initial Access）和执行（Execution）相关的、外部可见的攻击；集成学习和深度学习模型在高频检测场景中占主导地位；数据集的使用仍然严重偏向一小部分公开基准，特别是CSE-CIC-IDS2017、UNSW-NB15和NSL-KDD。该综述进一步识别了持续的盲点，包括对入侵后ATT&CK行为的覆盖有限、对ICS和内部威胁数据集的使用稀少，以及对多阶段或多数据集评估的支持薄弱。这些发现为未来基于ML的网络防御研究提供了更具针对性和可操作性的证据基础。
**人工智能驱动的网络防御研究：基于ATT&CK三轴交叉分析的系统文献综述**
**1. 研究背景**
随着互联系统、云基础设施和物联网（IoT）设备的指数级增长，网络安全已成为数字时代最紧迫的挑战之一。传统攻击手段，如暴力破解密码或拒绝服务（DoS）攻击，已演变为利用高级恶意软件、供应链漏洞甚至对抗性人工智能（AI）的高度协调的多向量攻击。这使得传统的基于签名或规则的检测机制在应对现代对抗战术、技术和程序（TTPs）时显得越来越不足。为了应对这些挑战，该领域越来越转向机器学习（ML）方法，以实现自适应和数据驱动的网络防御。然而，尽管已有众多综述，但大多数现有工作仍存在三方面局限：它们强调ML模型，却未能将其系统地与结构化分类体系（如MITRE ATT&CK）联系起来；它们孤立地处理数据集，未能进行跨域的综合分类；它们极少提供联合考虑攻击、ML范式和数据集的交叉引用分析。因此，有必要开展一项能够整合这些维度、揭示研究集中模式与关键空白的研究。
**2. 研究方法与主要技术**
为进行这项三轴交叉分析，研究人员采用了一种结构化的系统文献综述（SLR）方法。主要关键技术方法包括：
- **MITRE ATT&CK攻击映射**：研究团队首先从99篇原始研究中提取了312个原始攻击标签，然后根据预设规则将其映射到MITRE ATT&CK for Enterprise框架的单一策略（Tactic）和单一技术（Technique）上，确保跨研究分析的一致性。
- **机器学习方法分组**：提取研究中所用的ML方法标签，并进行标准化分组。研究将方法归纳为四大类：经典机器学习模型、深度学习模型、混合/集成/可解释方法，以及学习范式与优化。
- **精细化数据集分类**：研究人员将96个独特数据集按照其操作背景、数据源和预期网络安全用例，分类到一个包含七个子类别的精细化分类体系中，包括网络入侵检测数据集（NIDD）、物联网网络入侵检测数据集（IoT-NIDD）、恶意软件、垃圾邮件与钓鱼（S&P）、工业控制系统（ICS）、内部威胁、自定义采集和其他。
- **三轴交叉引用分析**：研究的核心创新在于，通过构建交叉引用框架，联合分析上述三个维度（攻击、方法、数据集），以揭示任何单一维度分析都无法发现的集中模式、基准依赖和未开发的交叉点。
- **来源说明**：所有分析的原始研究均来源于2019年至2025年间发表的同行评审文献，最终筛选出99篇核心研究。数据集分类基于这些研究中的实际使用情况，而非先验分类。
**3. 研究结果**
**3.1 网络攻击分析**
- **主要发现**：通过对312个攻击标签的分析，发现研究高度集中于少数高度可见的攻击行为。最常见的MITRE ATT&CK策略（Tactic）是影响（Impact）（14.55%），紧随其后的是初始访问（Initial Access）（11.92%）和执行（Execution）（11.72%）及命令与控制（Command and Control）（11.11%）。
- **空白与趋势**：相比之下，反映更深入妥协阶段的策略，如持久化（Persistence）、收集（Collection）、权限提升（Privilege Escalation）和资源开发（Resource Development），出现频率远低得多。分析表明，2019至2024年间的研究趋势集中在高影响、易于在测试床中复现的行为（如DoS、扫描和网络层面利用），而隐秘的后期入侵行为（如横向移动、数据渗漏）则持续被忽视。
**3.2 机器学习方法分析**
- **主要发现**：在143个原始ML方法标签中，随机森林（Random Forest, RF）是最常用的单一算法，长短期记忆网络（LSTM）和卷积神经网络（CNN）也极为普遍。按大类分，深度学习模型在72项研究中出现，占主导地位，其次是混合/集成/可解释方法（46项）和经典机器学习模型（34项）。
- **集中与空白**：在子类别层面，集成学习方法是最常见的。共现分析显示，深度学习与混合/集成/可解释方法的组合最为紧密。虽然方法多样，但方法应用高度集中于主流基准测试任务。相比之下，如图神经网络、强化学习以及系统的可解释性AI方法等有前景的范式相对罕见。
**3.3 数据集分析**
- **主要发现**：在96个数据集中，NIDD（基于网络的入侵检测数据集）是使用最频繁的类别（65项研究），其次为IoT-NIDD（31项）、恶意软件（20项）和S&P（17项），而ICS（12项）和内部威胁（4项）数据集则明显欠缺。
- **基准依赖与问题**：研究发现，数据集的使用严重偏向于少数公开基准，如CSE-CIC-IDS2017、UNSW-NB15和NSL-KDD。这种集中度产生了可用性偏差。此外，大部分研究（58项）仅依赖单一数据集进行模型开发与评估，严重限制了模型的可泛化性证据。多数据集交叉评价的研究极少。
**3.4 三轴交叉引用分析**
- **攻击 × 方法**：研究发现，高可见性策略（影响、执行、初始访问）与深度学习模型及集成方法的共现频次最高。相比之下，持久化、资源开发等策略在所有ML类别上均表现“低温”。
- **攻击 × 数据集**：高使用频率的NIDD基准（如CSE-CIC-IDS2017、UNSW-NB15）主要与影响、初始访问和执行等策略相关的攻击（如DoS/DDoS、扫描、网络利用）强关联，而ICS和内部威胁数据集所支撑的攻击策略范围则更窄。
- **整体发现**：三轴交叉分析清晰地表明，ML方法的选择并非独立于所研究的攻击和数据集，而是紧密耦合。当前的进展受限于代表性评估环境的缺乏，而非算法的短缺。这揭示了关键的研究缺口在于那些未得到充分探索的攻击-方法-数据集交叉点，尤其是涉及隐秘入侵后策略、ICS和内部威胁场景的领域。
**4. 结论与讨论**
**总结讨论部分**：
该综述系统地识别了当前AI驱动网络防御研究的结构性问题。主要缺陷包括：（1）**评估设置狭窄**：研究高度集中于少数高可见性攻击和少数公开基准，导致对模型泛化能力的证据不足；（2）**语义对齐浅显**：许多模型仅在粗粒度标签上训练，却声称能检测细粒度的ATT&CK TTPs；（3）**域间鸿沟**：ICS、内部威胁等战略重要但数据获取难的领域研究匮乏，且跨域评估极为罕见。这些瓶颈共同限制了研究成果的真实世界影响。
**研究结论部分**：
本综述通过三轴交叉分析，描绘了AI驱动网络防御的当代研究图景。三个主要发现如下：首先，研究注意力高度集中在高可见性阶段（如初始访问、执行、命令与控制、侦察和影响），而更隐秘、时间跨度更长的阶段（如持久化、权限提升、横向移动和渗漏）则相对未被充分探索。其次，深度学习与集成方法在得到大流量公共入侵检测基准支持的高强度研究场景中占主导地位，而经典模型因其效率、可解释性和在受限环境中的可部署性而依然重要。第三，数据集可用性对领域有决定性影响：对少数公共NIDD基准的重复依赖促进了针对可见威胁的进展，但未能提供针对多阶段、跨域和隐秘慢速攻击的足够鲁棒性证据。这些发现强调了未来的研究应优先发展更丰富的、与ATT&CK对齐的数据集，特别是针对隐秘和长期对抗行为；加大对多域、多阶段评估设置的重现；以及在模型测试中强化对数据漂移、概念漂移和跨组织变化的鲁棒性。若不进行这些改变，AI驱动网络防御的进展可能仍将停留在强基准性能但弱部署现实性的状态。
