DeepHunter: 基于图神经网络的鲁棒网络威胁狩猎方法
密码学与安全
2021-04-21 v1
摘要
网络威胁狩猎是在组织信息系统中对已知攻击行为的主动搜索。它是缓解高级持续性威胁(APTs)的重要组件。然而,溯源数据中记录的攻击行为可能与已知攻击行为不完全一致。本文中,我们提出 DeepHunter,一种基于图神经网络(GNN)的图模式匹配方法,能够以鲁棒方式将溯源数据与已知攻击行为匹配。具体而言,我们设计了一种具有两个新颖网络的图神经网络架构:可融入失陷指标(IOCs)信息的属性嵌入网络,以及可捕捉 IOCs 间关系的图嵌入网络。为评估 DeepHunter,我们选取了五个真实与合成的 APT 攻击场景。结果表明 DeepHunter 能狩猎所有攻击行为,且其准确率与鲁棒性优于最先进方法 Poirot。
引用
@article{arxiv.2104.09806,
title = {DeepHunter: A Graph Neural Network Based Approach for Robust Cyber Threat Hunting},
author = {Renzheng Wei and Lijun Cai and Aimin Yu and Dan Meng},
journal= {arXiv preprint arXiv:2104.09806},
year = {2021}
}