基于语义信息抽取与领域特定语言模型的CVE驱动攻击技术预测
密码学与安全
2023-09-07 v1 机器学习
摘要
本文解决了网络安全中的一个关键挑战：由通用漏洞披露(CVE)表示的漏洞信息与由此产生的网络攻击动作之间的鸿沟。CVE提供了对漏洞的洞察，但往往缺乏关于ATT&CK框架内潜在威胁动作(战术、技术与过程，即TTP)的细节。这一鸿沟阻碍了准确的CVE分类与主动对策启动。本文介绍了TTPpredictor工具，它使用创新技术分析CVE描述并推断由CVE利用产生的合理TTP攻击。TTPpredictor克服了有限标注数据以及CVE与TTP描述之间语义差异带来的挑战。它最初使用语义角色标注(SRL)技术从非结构化网络威胁报告中抽取威胁动作。这些动作及其上下文属性与MITRE的攻击功能类别相关联。这种自动化关联促进了标注数据的创建，而标注数据对于将新型威胁动作分类至威胁功能类别与TTP至关重要。本文给出了实证评估，证明TTPpredictor的有效性，在将CVE精确分类至ATT&CK技术时准确率约为98%，F1分数介于95%至98%。TTPpredictor优于ChatGPT等最先进的语言模型工具。总体而言，本文提供了一种将CVE与潜在攻击技术关联的稳健方案，增强了网络安全从业者主动识别与缓解威胁的能力。
引用
@article{arxiv.2309.02785,
title = {CVE-driven Attack Technique Prediction with Semantic Information Extraction and a Domain-specific Language Model},
author = {Ehsan Aghaei and Ehab Al-Shaer},
journal= {arXiv preprint arXiv:2309.02785},
year = {2023}
}