原文标题:TREC: APT Tactic / Technique Recognition via Few-Shot Provenance Subgraph Learning原文作者:Mingqi Lv, Hongzhe Gao, Xuebo Qiu, Tieming Chen, Tiantian Zhu, Jinyin Chen, and Shouling Ji.发表会议:The 2024 ACM SIGSAC Conference on Computer and Communications Security (CCS ’24.主题类型:攻击检测笔记作者:袁丽莎@Web攻击检测与追踪主编:黄诚@安全学术圈
一、 研究概述
以APT(高级持续性威胁)为代表的网络攻击因其隐蔽性、长期性和复杂性,严重威胁着网络空间安全。近年来,溯源图(Provenance Graph)因其能全面记录系统实体间的因果与上下文关系,成为检测APT攻击的重要工具。然而,APT攻击中技术种类繁多,事件稀疏,溯源图规模庞大,传统基于规则的识别方法面临样本稀缺、标签困难与泛化能力差等挑战。并且,仅检测攻击行为已无法满足实战需求,如何精准识别攻击中所采用的战术与技术(Tactic/Technique)、实现攻击行为的语义级理解与溯源分析,已成为安全领域亟待解决的问题。在此背景下,本文提出了一种基于少样本学习的APT战术/技术识别框架TREC,该框架通过在大规模溯源图中定位异常节点,最终实现对APT攻击中具体行为的精准分类与溯源。TREC不仅提升了识别精度,还突破了传统方法对大量标签数据与固定规则依赖的瓶颈,在多样化、复杂化的真实攻击环境中展现出强大的适应性与可扩展性。
图1展示了TREC框架的整体结构,主要包括以下四个模块:溯源图构建、NOI检测与子图采样、子图表示学习、APT技术识别。核心思想是将APT攻击行为从原始溯源图中“抽离”出来,通过子图嵌入与距离学习,完成战术/技术的精细分类。训练时,首先将采集到的内核级系统事件组织为有向无环图。然后在无监督条件下利用图神经网络学习系统实体的行为特征,以此识别异常节点(Node of Interest)后,再结合图搜索策略,提取与这些节点强相关的子图,作为APT技术实例的候选区域。之后,采用HAN构建多视角的图语义表示,生成高质量嵌入向量。最后,引入孪生网络对子图嵌入进行对比学习,实现对少样本APT技术的匹配与识别。在推理时,通过将待识别子图与已知技术样本对比,基于距离度量进行类别判断,TERC支持新技术类别的快速识别与扩展,具备实际部署价值。实验表明,在多个真实APT子技术场景下,TREC在准确率与识别速度上均显著优于现有方法,为APT攻击的语义识别与可解释溯源提供了新的解决路径。
图1 TREC架构
二、 贡献分析
贡献点1:论文针对APT攻击中样本稀缺与标注困难问题,提出了结合无监督学习与少样本对比学习的TREC方法,实现了对APT战术与技术的自动识别;
贡献点2:论文针对APT攻击行为隐藏于大规模溯源图中边界模糊的问题,提出了基于NOI检测与图搜索的APT技术子图采样算法,实现了攻击行为的精确分离;
贡献点3:论文针对APT技术识别中节点语义与拓扑异构的问题,提出了融合异构图注意力机制的子图表示学习方法,实现了更具判别性的嵌入表达与识别效果。
三、 代码分析
代码链接:https://github.com/redcanaryco/atomic-red-team
该项目完全基于开源生态构建;
代码实现工作量适中,但涉及多个操作系统命令调用与权限操作配置,对系统环境搭建及脚本执行有一定技术门槛;
代码关键实现的功能有:
包含大量与MITRE ATT&CK技术对应的攻击用例脚本;
结合PowerShell自动执行APT模拟任务;
配合论文中使用的KELLECT工具实现系统溯源日志记录与数据采集。
四、 论文点评
在溯源图构建方面:本文通过KELLECT工具将内核级审计日志实时转化为溯源图,虽然可以保留完整的系统实体行为因果关系,但原始图结构中存在大量冗余信息(如大量普通读写操作、与攻击无关的系统调用),导致生成的图规模庞大,影响后续NOI检测与子图嵌入的效率。改进方向可从图结构预处理入手,例如过滤与白名单实体关联的事件、合并重复边、剔除低频操作节点,或者在构图阶段直接使用滑动窗口构建微图,以实现更精简、高效的图表示。
在报警溯源方面:TREC通过识别NOI节点并向其上下游搜索关联节点构建攻击路径图,但该方法在边界控制上较为宽松,存在合并过多节点导致重建图依然庞大的问题,不利于分析师快速理解攻击行为。未来可引入路径筛选机制,如根据NOI的异常分数设定路径保留阈值,或引入图压缩技术(如最短攻击链路、行为模式匹配)进一步缩减溯源图大小,从而提升攻击路径的可读性与分析效率。
在GNN嵌入方面:本文使用HAN(异构图注意力网络)进行子图编码,有效利用了节点类型与多元路径信息,较好地捕捉了APT子图中的语义与上下文特征。但嵌入模型仍依赖预定义的meta-path集合,可能对新型攻击或图结构变异适应性不足。后续可引入自动meta-path生成机制或迁移学习技术,在保留异构结构建模能力的基础上,增强模型对跨环境和新型行为的泛化能力。同时,也可探索更高效的图表示模型(如HGATv2、Graphormer)进一步提升检测精度与计算效率。
在少样本学习方面:论文设计了基于孪生网络的Few-shot识别模块,将APT技术识别任务由分类转为对比匹配,有效缓解了样本稀缺的问题。但该方法在类间差异较小或存在类内变异时仍容易产生混淆。此外,每个技术类别仅使用单个代表样本做匹配,可能无法全面代表技术内部特征多样性。改进方向可考虑使用原型网络或带权多中心匹配策略,引入多个原型向量对同一技术类建模,增强对同类内部行为差异的适应能力,提升识别鲁棒性。
安全学术圈招募队友-ing有兴趣加入学术圈的请联系secdr#qq.com
专题最新征文
期刊征文 | 暗网抑制前沿进展(中文核心)
期刊征文 | 网络攻击分析与研判(CCF T2)
期刊征文 | 域名安全评估与风险预警(CCF T2)