基于历史受害者数据的勒索软件风险评估与优先级排序

我们提出了一种识别哪些勒索软件攻击者最有可能针对特定实体进行攻击的方法，从而协助这些实体制定更好的防护策略。勒索软件构成了严峻的网络安全威胁，其特征包括受利益驱动的动机、支持犯罪集团的复杂地下经济，以及攻击的公开性。这类恶意软件一直位列最普遍的威胁之一，且其活动呈快速升级态势。最近的估计表明，大约三分之二的组织在 2023 年经历了勒索软件攻击 \cite{Sophos2023Ransomware}。勒索软件活动的一个核心策略是公开攻击以胁迫受害者支付赎金。我们的研究利用勒索软件受害者的公开披露信息，预测某实体被特定勒索软件变种攻击的可能性。我们采用大型语言模型（LLM）架构，该架构使用独特的思维链和多样本提示方法，从勒索软件公告、威胁报告和新闻条目中定义攻击者的 SKRAM（技能、知识、资源、权限和动机）画像。此分析通过公开可用的受害者数据得到丰富，并进一步通过生成反映受害者画像的合成数据的启发式方法得到增强。我们的工作最终开发了一个机器学习模型，该模型协助组织根据最可能攻击者的战术、技术和程序（TTP）对勒索软件威胁进行优先级排序并制定防御措施。