P3GNN：一种基于隐私保护源图的模型，用于软件定义网络中的高级持续性威胁检测
密码学与安全
2024-11-12 v2
摘要
软件定义网络（SDN）为网络管理和可编程性带来了显著的进展。然而，这一演变也加剧了对高级持续性威胁（APTs）的脆弱性，这些是一类复杂且隐蔽的网络攻击，传统检测方法往往难以应对，尤其是在零日漏洞面前。一个普遍问题是，现有策略在检测新威胁的同时，难以在协作学习场景中解决数据隐私问题。本文提出了P3GNN（privacy-preserving provenance graph-based graph neural network model，隐私保护源图基图神经网络模型），一种新型模型，将联邦学习（FL）与图卷积网络（GCN）相结合，用于有效地在SDN环境中检测APT。P3GNN利用无监督学习分析源图中的运营模式，识别表明安全违规的偏差。其核心特征是将FL与同态加密集成，强化了协作学习期间数据保密性和梯度完整性。这一方法解决了共享学习环境中数据隐私的关键挑战。P3GNN的关键创新包括其能够在源图的节点层面检测异常，提供对攻击轨迹的详细视图，从而增强安全分析。此外，P3GNN的无监督学习能力使其能够通过学习标准运营模式来识别零日攻击。使用DARPA TCE3数据集进行的实证评估表明，P3GNN卓越的性能，实现了0.93的准确率和0.06的低假阳性率。
引用
@article{arxiv.2406.12003,
title = {P3GNN: A Privacy-Preserving Provenance Graph-Based Model for APT Detection in Software Defined Networking},
author = {Hedyeh Nazari and Abbas Yazdinejad and Ali Dehghantanha and Fattane Zarrinkalam and Gautam Srivastava},
journal= {arXiv preprint arXiv:2406.12003},
year = {2024}
}