CONTINUUM：通过空间-时间图神经网络检测APT攻击
密码学与安全
2025-01-08 v2 人工智能
网络与互联网体系结构
摘要
高级持续性威胁（APT）因其复杂且隐蔽的本质而在网络安全领域构成重大挑战。传统的入侵检测系统（IDS）在检测此类多阶段攻击方面常常不足。最近，图神经网络（GNN）被用于增强IDS能力，通过分析网络数据中的复杂关系。然而，现有GNN方法受限于高假阳性率和大量资源消耗。本文提出了一种用于检测APT的新型IDS，采用空间-时间图神经网络自编码器。我们的方案利用空间信息理解图中实体之间的相互作用，利用时间信息捕捉图随时间的演变。这种双重视角对于识别APT的序列阶段至关重要。此外，为解决隐私和可扩展性问题，我们在联邦学习环境中部署了该架构。该设置确保本地数据保持在本地，同时通过同态加密共享和聚合加密模型权重，保持数据隐私和安全。我们的评估表明，该系统在检测APT方面具有更低的假阳性率和优化后的资源使用，凸显了空间-时间分析和联邦学习在增强网络安全防御方面的潜力。
关键词
引用
@article{arxiv.2501.02981,
title = {CONTINUUM: Detecting APT Attacks through Spatial-Temporal Graph Neural Networks},
author = {Atmane Ayoub Mansour Bahar and Kamel Soaid Ferrahi and Mohamed-Lamine Messai and Hamida Seba and Karima Amrouche},
journal= {arXiv preprint arXiv:2501.02981},
year = {2025}
}
备注
31 pages