面向多阶段攻击中残余失陷时间估计的时间性MITRE ATT&CK建模

《Symmetry》:Temporal MITRE ATT&CK Modelling for Residual Time-to-Compromise Estimation in Multi-Stage Attacks

【字体: 大 中 小 】 时间:2026年08月28日 来源:Symmetry 2.2

编辑推荐:

  安全运营能够检测到入侵正在进行,但无法判断正在进行的攻击还需要多长时间才能达到如数据泄露等关键目标。先前关于多阶段攻击的研究可识别当前阶段或预测下一步,但未使用生存模型根据真实流量估计残余失陷时间(residual time to compromise)。本文

  
安全运营能够检测到入侵正在进行,但无法判断正在进行的攻击还需要多长时间才能达到如数据泄露等关键目标。先前关于多阶段攻击的研究可识别当前阶段或预测下一步,但未使用生存模型根据真实流量估计残余失陷时间(residual time to compromise)。本文通过一个基于经验测量阶段持续时间的时序框架来填补该空白,并做出三项贡献。首先,为MITRE ATT&CK分类体系赋予时序层,其中每个阶段携带根据该阶段观察到的情节(episode)经验估计的持续时间分布。其次,一个概率加权的多路径公式将这些持续时间与阶段转移概率相结合,以估计达到目标之前剩余的时间。第三,该框架在真实的多阶段攻击活动上验证,而非合成流量,并在匹配协议下比较三种生存模型,作为持续时间可学习性的基准。随机生存森林(Random Survival Forest)、DeepSurv和DeepHit在DAPT 2020上进行比较,这是一个公开的高级持续性威胁(advanced persistent threat, APT)数据集,包含五天中收集的82,577条真实网络流。随机生存森林在无泄漏特征上经过二十次重复分层分割后,达到稳定的一致性指数(concordance index, C-index)0.92,标准差为0.006;当完全排除良性流量时,其一致性指数仍保持0.79。当三种模型置于共同的一致性尺度上,并在相同的40,000条流子样本上训练时,DeepSurv达到0.955,DeepHit达到0.879,因此神经模型在该规模下具有竞争力。然而,DeepSurv在完整流集上无法收敛,在五个随机种子中均未返回生存估计,而随机生存森林在每个检查的训练规模下均成功拟合。从数据中恢复的阶段转移图,由跨越十个多阶段会话的25个观察转移构建,显示出分支进展;在到达目标的条件下,报告在每个阶段入口处的残余时间随攻击进程而减少,从侦察阶段的约139分钟降至横向移动阶段的约31分钟。所有阶段级估计基于单一活动的74个情节,其中43个具有正持续时间,因此跨环境泛化仍有待确认。该框架为安全运营中心提供了失陷前剩余活跃攻击工作的数据驱动估计,支持知情的遏制决策。
安全运营中心每天检测到大量入侵尝试,但检测本身无法回答一个关键操作问题:攻击距离达到数据泄露等关键目标还剩多少时间。这种残余失陷时间(residual time to compromise)决定了事件需要立即升级还是从容调查,而传统基于分类的入侵检测无法提供。过去多阶段攻击研究要么识别当前阶段,要么预测下一步技术,但未能使用生存模型(survival models)从真实流量中估计残余失陷时间。早期时间估计模型是静态漏洞函数,不学习观测流量。生存分析作为处理时间-事件结局的统计方法,能在删失(censoring)存在时直接估计时间-事件分布,与进行中的攻击场景高度契合。为此,研究人员提出一个基于经验测量阶段持续时间的时序框架,将MITRE ATT&CK分类体系扩展为带有时序信息的形式,并利用概率加权的多路径公式计算到目标前的残余时间,在真实数据集DAPT 2020上验证,同时比较三种生存模型作为可学习性基准。论文发表在《Symmetry》。

研究人员使用DAPT 2020数据集,该数据集包含82,577条真实网络流,收集自五天企业网络,涵盖侦察、立足建立、横向移动和数据渗出四个攻击阶段,以及大量良性流量。他们通过流时间戳提取阶段情节持续时间,构建阶段转移图,并基于概率加权路径计算残余时间。同时,在匹配协议下比较随机生存森林(Random Survival Forest, RSF)、DeepSurv和DeepHit三种生存模型。主要结论是RSF在真实流量上提供稳定的持续时间估计,而深层生存模型对近零集中的持续时间分布敏感,需要进一步校准。该框架可向安全运营中心提供数据驱动的剩余攻击工作量估计,支持遏制决策。

方法上,研究人员首先从DAPT 2020网络流中,按源-目的地址、服务端口、活动标签和阶段聚合为阶段情节(episode),以情节内最后与最早流时间戳之差作为持续时间;然后构建一阶马尔可夫转移图,用最大似然估计转移概率;残余时间公式为概率加权路径期望持续时间减去已用时间。生存模型作为独立基准,在相同预处理、相同十五维特征集和相同子样本规模下训练,用Harrell一致性指数统一评估。样本来源为DAPT 2020数据集,包含82,577条流、1500个源-目的会话,其中十个会话包含连续多阶段。

结果部分如下。

6.1 模型比较:在匹配协议下,RSF在二十次分层分割中达到C-index 0.92,标准差0.006;去除四个持续时间衍生特征后未下降;完全排除良性流量后仍达0.79。在40,000条流子样本上,DeepSurv达0.955,DeepHit为0.879,RSF为0.924。全量流上DeepSurv不收敛,DeepHit收敛达0.877。这表明模型差异主要在拟合可靠性,而非排序质量。

6.2 阶段持续时间:侦察情节平均106.4分钟,中位数4.4分钟;立足建立平均23.5分钟,中位数为零;横向移动平均28.9分钟,中位数4.6分钟。数据渗出阶段持续时间为零,原因是每个情节仅含单条流,跨度按构造为零。持续时间高度可变,反映真实攻击者节奏不均匀。

6.3 阶段转移图:从25个观察转移中恢复分支结构。从立足建立到横向移动概率0.71,直接到数据渗出概率0.14;从横向移动到良性概率0.75,到渗出概率0.25。分支路径取代单一确定性序列。

6.4 残余时间与攻击图:从侦察进入时预期残余时间139.2分钟,从立足建立为41.1分钟,从横向移动为31.4分钟。总预期活动时间为139.2分钟;正常化进度指标在立足建立约70%,横向移动约77%。未归一化的简单路径可达质量分别为0.34、0.41和0.38。

6.5 与现有时间估计方法比较:单最可能路径估计比多路径高约14%至28%;假设时间型马尔可夫基线的95%自助区间宽度达1560分钟,而多路径估计仅31分钟,表明从流量学习持续时间能显著提高稳定性。

讨论部分指出,在匹配训练集和共同估计器下,三种模型都能较好排序,但RSF是唯一在所有训练规模下均产生可用拟合的模型,神经模型尤其DeepSurv在全量数据上的不收敛限制了其实用性。运营上,若分析师观察到攻击者已进入立足建立阶段,可读出约41分钟剩余活跃阶段工作量和约70%进度;在横向移动阶段约31分钟和77%进度。局限性包括单数据集、DeepSurv不收敛、分层分割而非严格时序分割、样本量小等。结论部分翻译如下:这项工作解决了分类入侵检测遗留的问题,即攻击达到目标前还剩多少时间。框架通过时间扩展MITRE ATT&CK、概率加权多路径公式和真实数据验证,填补了先前工作与运营需求之间的空白。在DAPT 2020上,框架恢复了真实分支攻击路径,并产生随攻击进程递减的残余时间,从侦察约139分钟降至横向移动约31分钟。在匹配训练集和共同估计器下,所有三种模型都能很好排序,但树集成是唯一在所有训练规模下产生可用排序的模型。尽管依赖单一活动,框架为安全运营中心提供了数据驱动的剩余活跃阶段努力估计,以分钟和归一化进度百分比表示,为遏制决策提供依据。跨环境验证和针对观测剩余时间的验证是下一步方向。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号