网络威胁狩猎：基于非参数挖掘的网络威胁情报攻击模式分析
密码学与安全
2025-09-16 v1
摘要
随着网络威胁的不断变化，识别其来源已成为首要任务，远超简单的攻击分类。网络威胁归因为安全分析师提供了制定有效防御策略的必要洞见。这些策略使企业能够主动检测并防御未来的网络攻击。然而，现有方法在准确识别威胁行为者方面存在局限，导致精度低且误报率显著。机器学习有望自动化某些网络威胁归因方面。关于网络威胁行为者及其复杂攻击方法的信息的分布性质阻碍了该领域取得显著进展。网络安全分析师面临着不断扩张的网络威胁情报文档集合。尽管这些文档包含宝贵的见解，但其庞大的数量挑战了有效组织和检索相关信息的能力。为帮助网络安全分析师开展工作，本文提出了一种基于机器学习的方法，配备名为网络攻击模式探索器（Cyber-Attack Pattern Explorer, CAPE）的可视化交互式分析工具，旨在通过交互式可视化和挖掘技术促进信息发现。在所提出的系统中，提出了一种非参数挖掘技术，用于从网络威胁情报文档中创建识别攻击模式的数据集。这些攻击模式在语义上与常用主题相吻合，便于解释。提取的数据集用于训练提出的机器学习算法，以实现对网络威胁的归因。
引用
@article{arxiv.2509.11615,
title = {Cyber Threat Hunting: Non-Parametric Mining of Attack Patterns from Cyber Threat Intelligence for Precise Threats Attribution},
author = {Rimsha Kanwal and Umara Noor and Zafar Iqbal and Zahid Rashid},
journal= {arXiv preprint arXiv:2509.11615},
year = {2025}
}