《IEEE Access》:CASSANDRA: Closed-Loop AI-Native Cyber Defense via Deception-Driven Active Sensing, Temporal Graph Intelligence, and Policy-Verified Autonomy for Cloud/IAM Environments
编辑推荐:
专业翻译论文摘要部分如下:
云与身份中心型攻击日益通过凭证窃取、令牌重放、委派角色滥用和控制平面API滥用融入合法管理行为。本文提出CASSANDRA——一种闭环网络防御框架(closed-loop cyber-defense framework),将欺骗视
专业翻译论文摘要部分如下:
云与身份中心型攻击日益通过凭证窃取、令牌重放、委派角色滥用和控制平面API滥用融入合法管理行为。本文提出CASSANDRA——一种闭环网络防御框架(closed-loop cyber-defense framework),将欺骗视为主动感知动作(active sensing action)而非静态陷阱。该框架在时序企业图(temporal enterprise graph)上维护对相互竞争的云与身份攻击叙事(attack narratives)的信念分布,根据期望信息增益(expected information gain)与运行成本选择欺骗动作,并在执行前对每个候选动作进行确定性策略检查(deterministic policy checks)。本次修订通过定义动作与观测空间、贝叶斯更新(Bayesian update)、信息增益目标、可度量安全预算、停止规则及策略验证程序,使决策过程明确化。研究人员提供随附本文的伪代码、结构化威胁模型及可复现材料,包括固定配置、源代码、原始输出、完整性校验和及自助置信区间。在四个作者定义场景和160,000次模拟运行中,完整版CASSANDRA实现了0.909至0.993的场景级准确率以及0.110至0.266的平均证据增益;策略防护盾阻止了所有合成提出的不安全执行,而无防护盾变体执行了约8%的此类提议。这些结果仅展示受控方法论行为,不视为生产环境、公共数据集或红队验证。精简的、面向特定技术的云/IAM场景库说明了假设、信号、探针和有界响应如何在避免原始提交重复目录结构的情况下被实例化。CCBY——IEEE并非本材料的版权持有者。请遵循https://creativecommons.org/licenses/by/4.0/ 中的说明,以获取全文文章及API文档中的规定。
以下是对论文主体内容的浓缩解读,以学术性文字呈现,未包含推测性内容,所有结论均源自原文。
**一、研究背景与问题**
云和身份中心型攻击越来越多地利用有效凭证、标准API、委派角色和常规管理工具,使其行为与合法管理操作难以区分。被动检测器面临一个关键证据问题:可疑序列可能同时符合良性运维叙事和恶意入侵叙事;仅对已观测流进行评分的检测器无法选择下一个到达的证据。因此,需要一种能够主动获取证据、并以受控方式执行的闭环防御机制。
**二、研究目标与框架构建**
研究人员提出CASSANDRA框架,将防御形式化为闭环假设检验(closed-loop hypothesis testing)。系统在时序企业图上维护对竞争叙事的信念分布;当某个有界欺骗工件(如诱饵角色、金丝雀秘密、仪表化资源)预计能区分不同叙事时,系统部署该工件;观测到的与工件的交互更新信念状态;任何动作执行前,确定性策略验证器检查作用域、权限、爆炸半径、可用性影响及所需批准。框架的贡献在于将时序图编码、欺骗感知和策略验证整合为受约束的信念空间控制器,而非单独提出新的图神经网络、蜜罐或安全强化学习算法。
**三、方法:形式化模型与关键机制**
CASSANDRA采用以下核心技术要素:
1. **时序企业图与叙事建模**:事件表示为六元组$e_t=(s_t,r_t,o_t,\tau_t,\pi_t,x_t)$,包含主体、关系/操作、客体、时间、来源和事件特征向量;时序企业图$G_{t,W}$包含窗口$[t-W,t]$内的事件。假设集合$\mathcal H$包含K个可区分的叙事(含良性备选),信念状态$b_t(h)=\mathbb P(h\mid O_{\le t})$满足归一化条件。
2. **动作与观测空间**:动作集$\mathcal A=\mathcal A_{\text{passive}}\cup\mathcal A_{\text{probe}}\cup\mathcal A_{\text{response}}$;探针动作由参数化元组$a=(k,q,s,\ell)$定义,包含工件类型、放置目标、批准作用域和生命周期;响应动作包括会话撤销、升级认证、主体隔离和定向出口限制。每个动作有运行成本$C(a)\ge0$。观测字母表$\Omega$包括工件访问、枚举、失败使用、诱饵专用使用成功、超时无交互、验证器拒绝等。动作条件似然$L(\omega\mid h,a)$可由仿真、历史重放、专家启发或校准预测模型估计。
3. **贝叶斯更新与信息增益**:观测后后验为$b_{t+1}(h)=L(\omega\mid h,a)b_t(h)/\sum_{h'}L(\omega\mid h',a)b_t(h')$。期望信息增益定义为$\mathrm{EIG}(a\mid b_t)=\mathbb H(b_t)-\sum_{\omega\in\Omega}P(\omega\mid a,b_t)\mathbb H(b_{t+1}^{a,\omega})$,其中$\mathbb H(b)=-\sum_h b(h)\log b(h)$。
4. **安全约束与动作选择**:验证器仅在满足以下条件时允许动作:作用域$Scope(a)\subseteq S_{\mathrm{allow}}$;爆炸半径$BR(a)\le\beta$;可用性损失$AV(a)\le\alpha$;生产写入能力$WriteProd(a)=0$(除非有明确批准)。控制器选择$a_t^*=\arg\max_{a\in\mathcal A:Allow(a)=1}[\mathrm{EIG}(a\mid b_t)-\lambda C(a)]$。恶意叙事在连续$m$次更新中最大后验超过阈值$\theta_C$时确认,后验低于$\theta_D$时被排除。
5. **似然估计与校准**:要求对每个候选探针提供条件表或校准估计器,并独立于排序质量评估校准效果;检查包括可靠性图、Brier分数、负对数似然和后验预测检查。
6. **计算复杂度**:式(6)的直接评估成本为$O(A_tKM)$;验证器增加$O(A_tP)$规则评估。候选生成应按作用域、工件库存和图局部性剪枝,并可并行化。
**四、实验结果与结论**
研究人员构建了四个作者定义的场景族:S1凭证窃取、S2令牌重放、S3权限提升、S4低慢活动。四种变体为:被动监控、带防护盾的随机欺骗、无防护盾的信息增益欺骗、完整CASSANDRA。模拟使用固定种子20260721,每个场景-变体对运行10,000次,共160,000次运行。实验未使用生产、云提供商、IAM、公共基准或红队遥测数据;场景强度、噪声水平和不安全提议概率均为明确的作者定义假设。
主要结果如下:
- **完整CASSANDRA**在四个场景中的准确率从0.909到0.993,平均证据增益从0.110到0.266,均优于被动监控。
- **随机欺骗**仅在S2和S4中优于被动监控,在S1和S3中未提升;所有场景中其证据增益均低于被动监控。这支持“动作选择本身重要,而非仅仅存在诱饵”的方法论论断。
- **策略防护盾**阻止了所有合成提出的不安全执行;无防护盾的信息增益变体在S1–S4中的不安全执行率分别为0.0842、0.0849、0.0795和0.0830。这验证了防护盾在测试平台中的实施,而非真实世界安全性。
- **阈值敏感性**:在0.50、0.60、0.70、0.80阈值下,总体准确率分别为0.8546、0.7996、0.6812和0.5735。研究人员指出这是重要局限性,而非调优机会;部署阈值必须在代表性数据上校准,并针对明确的假阳性与假阴性成本选择。
效能对比表明:信息增益引导的欺骗在分离良恶性假设方面优于被动监控和随机欺骗;确定性防护盾执行编码约束,但不提升检测性能。
**五、讨论与结论**
讨论部分强调:实验结果仅支持狭义方法论论断,即“在公布的模拟假设下,信息增益引导的欺骗能有效分离假设,且防护盾能阻止标记为不安全的提议”。实验不证明生产精度、包含精度、误诱率、确认时间或红队有效性。精确度差距部分由模拟器诱导产生——信息增益变体获得了来自更具判别性分布的额外观测;因此科学相关的问题不是合成控制器能否胜过刻意较弱的基线,而是实验是否透明、可复现、能用于检验所提出机制的方向。结果应视为软件与方法合理性检查。
部署应分阶段进行:仅推荐模式、仅探针模式、窄范围自动化响应模式,宽影响包含操作始终保持审批门控。外部验证需使用至少一个公共或可共享的云/IAM轨迹、操作员评审的红队演习和跨环境重放。
结论部分翻译如下:**CASSANDRA将云/IAM防御形式化为对竞争攻击叙事的有约束主动感知。修订后的表述定义了决策过程、策略检查、停止规则、可复现性要求及经验证据的边界。由此产生的框架旨在作为具体、可测试的控制器来评估,而不仅是架构愿景。**