面向供应链中 APT 检测的分布式时序图学习及其来源追踪
密码学与安全
2025-04-04 v1 分布式、并行与集群计算
摘要
网络供应链涵盖数字资产、软件、硬件，已成为现代信息和通信技术（ICT） provisioning 的 essential 组件。然而，日益增长的相互依赖性引入了诸多攻击向量，使供应链成为受欢迎的 exploitation 目标。特别是，高级持续性威胁（APT）经常利用供应链漏洞（SCV）作为入口点，受益于其天然的 stealth 特性。当前的防御策略主要通过区块链实现完整性保证的 prevention，或利用开源软件（OSS）中的 plain-text source code analysis 实现 detection。然而，这些方法忽略了 source code 不可得的情况，未能解决 runtime 期间的 detection 与 defense。为弥合这一差距，我们提出了一种新方法，集成多源数据，构建全面的 dynamic provenance graph，并通过时序图学习实现实时 APT 行为 detection。鉴于行业和学术界缺乏量身定制的数据集，我们也致力于通过 replay 真实世界的 supply chain exploits 来模拟自定义数据集，并进行多源监控。
引用
@article{arxiv.2504.02313,
title = {Distributed Temporal Graph Learning with Provenance for APT Detection in Supply Chains},
author = {Zhuoran Tan and Christos Anagnostopoulos and Jeremy Singer},
journal= {arXiv preprint arXiv:2504.02313},
year = {2025}
}
备注
This paper has been accepted at 45th IEEE International Conference on Distributed Computing Systems