基于用户行为分析的横向移动检测
密码学与安全
2022-08-30 v1 机器学习
摘要
横向移动(Lateral Movement)是指威胁行为者获得对网络的初始访问权限,然后逐步遍历该网络以收集有关资产的关键数据,直至达到其攻击的最终目标的方法。随着企业网络日益复杂和相互关联,横向移动入侵变得更加错综复杂,需要同样精密的检测机制,以在企业规模上近实时地主动检测此类威胁。本文提出一种新颖、轻量的横向移动检测方法,利用用户行为分析和机器学习。具体而言,本文引入一种面向网络领域特定的特征工程新方法,在每用户基础上识别横向移动行为。此外,所构建的特征还被用于开发两个有监督机器学习模型用于横向移动识别,其在高度类别不平衡的数据集上明显优于文献中已有模型,同时保持稳健性能。本文所提出的模型与方法还与安全运营人员协作设计,以确保相关性和可解释性,从而最大化影响并最小化作为网络威胁检测工具包的见效时间。本文的根本目标是提供一种计算高效、领域特定的近实时横向移动检测方法,该方法可解释且对企业规模数据量和类别不平衡具有鲁棒性。
引用
@article{arxiv.2208.13524,
title = {Lateral Movement Detection Using User Behavioral Analysis},
author = {Deepak Kushwaha and Dhruv Nandakumar and Akshay Kakkar and Sanvi Gupta and Kevin Choi and Christopher Redino and Abdul Rahman and Sabthagiri Saravanan Chandramohan and Edward Bowen and Matthew Weeks and Aaron Shaha and Joe Nehila},
journal= {arXiv preprint arXiv:2208.13524},
year = {2022}
}
备注
Contains 5 figures