从一个攻击域到另一个攻击域：基于Siamese网络的对比迁移学习用于APT检测
机器学习
2025-11-26 v1 人工智能
密码学与安全
神经与进化计算
摘要
高级持久性威胁（APT）因其隐蔽性、持久性和适应性，构成了网络安全的主要挑战。传统机器学习检测器在处理类别不平衡、高维特征和稀缺真实样本方面困难，往往缺乏迁移性——在训练域内表现良好，但在新型攻击情景中性能下降。我们提出一种混合迁移框架，集成迁移学习、可解释人工智能（XAI）、对比学习和Siamese网络，以提高跨域泛化能力。注意力机制自编码器支持跨域知识迁移，而Shapley增益解释（SHAP）选择稳定且信息丰富的特征，以减少维度和计算成本。使用对比目标训练的Siamese编码器对齐源域和目标域的表征，增加异常可分离性，减轻特征漂移。我们在DARPA透明计算（TC）计划的真实世界样本上进行评估，并通过合成攻击情景进行鲁棒性测试。在源域到目标域的迁移过程中，该方法在经典和深度基准上提供改进的检测得分，展示了一种可扩展、可解释且具迁移性的APT检测解决方案。
引用
@article{arxiv.2511.20500,
title = {From One Attack Domain to Another: Contrastive Transfer Learning with Siamese Networks for APT Detection},
author = {Sidahmed Benabderrahmane and Talal Rahwan},
journal= {arXiv preprint arXiv:2511.20500},
year = {2025}
}