从漏洞描述建模攻击的端到端自动化框架

攻击图是用于自动化风险评估过程的主要技术之一。为推导相关的攻击图，应将已知的攻击技术的最新信息表示为交互规则。设计和创建新的交互规则并非易事，目前由安全专家手动完成。然而，由于新的安全漏洞和攻击技术持续快速增长，需要频繁用新攻击技术更新攻击图工具的规则集，以确保交互规则集始终是最新的。我们提出了一种新颖的、端到端的、自动化的框架，用于从安全漏洞的文本描述中建模新攻击技术。给定安全漏洞的描述，所提框架首先提取建模攻击所需的相关攻击实体，补全漏洞的缺失信息，并推导建模该攻击的新交互规则；此新规则被集成到 MulVAL 攻击图工具中。所提框架实现了一种新颖的流程，包括一个在 NVD 仓库上训练的专用网络安全语言模型、用于攻击实体提取的循环神经网络模型、用于补全缺失信息的逻辑回归模型，以及一种基于机器学习的新方法用于将攻击自动建模为 MulVAL 的交互规则。我们评估了各个算法以及完整框架的性能，并证明了其有效性。