KillChainGraph：面向预测与映射 ATT&CK 技能的机器学习框架
密码学与安全
2025-08-26 v1 人工智能
摘要
不断升级的网络攻击复杂度与数量需求超越传统规则系统的主动检测策略。本文提出一种相位感知、多模型机器学习框架，通过模拟对抗行为在七个网络战争链（Cyber Kill Chain）阶段的行动。利用 MITRE ATT&CK Enterprise 数据集，通过 ATTACK-BERT 对技术进行语义映射至各阶段，构建七个阶段专属数据集。我们评估 LightGBM、定制 Transformer 编码器、微调 BERT 与图神经网络（GNN），通过加权软投票集成其输出。构建有向图建模跨阶段依赖，捕捉攻击者从侦察到目标的移动路径。该集成方案始终实现最高评分，F1 分数范围为 97.47%至 99.83%，超越 GNN（97.36%至 99.81%）0.03%-0.20%。这种基于图的集成方法实现可解释的攻击路径预测，强化主动网络防御。
关键词
引用
@article{arxiv.2508.18230,
title = {KillChainGraph: ML Framework for Predicting and Mapping ATT&CK Techniques},
author = {Chitraksh Singh and Monisha Dhanraj and Ken Huang},
journal= {arXiv preprint arXiv:2508.18230},
year = {2025}
}
备注
8 pages, 3 figures