APT-MCL：基于多视图协同溯源图学习的自适应 APT 检测系统
密码学与安全
2026-01-14 v1
摘要
高级持续性威胁（APT）具有隐蔽性和多阶段特征，使得单点防御（例如基于恶意软件或流量的检测器）无法捕捉长跨度和跨实体的攻击语义。溯源图分析已成为 APT 检测的一种重要方法。然而，其实际部署受到以下因素的阻碍： APT 样本稀缺， 细粒度 APT 样本标注的成本和难度，以及 攻击战术和技术的多样性。针对这些问题，本文提出了 APT-MCL，一种基于多视图协同溯源图学习的智能 APT 检测系统。它采用无监督学习策略，通过异常检测在节点级别发现 APT 攻击。随后，它基于多视图特征创建多个异常检测子模型，并将其集成到协同学习框架中，以适应多样化的攻击场景。在三个真实世界 APT 数据集上的大量实验验证了该方法： 多视图特征提高了跨场景泛化能力，以及 协同训练在标签稀缺的情况下显著提升了节点级检测能力，从而能够在多样化的攻击场景中进行实际部署。
引用
@article{arxiv.2601.08328,
title = {APT-MCL: An Adaptive APT Detection System Based on Multi-View Collaborative Provenance Graph Learning},
author = {Mingqi Lv and Shanshan Zhang and Haiwen Liu and Tieming Chen and Tiantian Zhu},
journal= {arXiv preprint arXiv:2601.08328},
year = {2026}
}