Pro-ZD：一种用于主动零日威胁防御的可迁移图神经网络方法
密码学与安全
2026-02-10 v1 人工智能
机器学习
摘要
在当今的企业网络环境中，边界防火墙规则与分布式防火墙规则的组合决定了网络的连通性。为应对日益增长的流量和多样化的网络架构带来的挑战，组织机构采用自动化工具进行防火墙规则和访问策略的生成。然而，有效管理由动态生成的策略所引发的风险，尤其是针对关键资产暴露的风险，仍然是一个主要挑战。由于远程用户、自带设备和云集成等趋势导致的网络结构演变，这一挑战被进一步放大。本文提出了一种用于识别加权最短路径的图神经网络模型，有助于检测网络配置错误和威胁关键资产的高风险连通路径，这些路径可能被用于零日攻击——即利用未披露漏洞的网络攻击。该方法提出的Pro-ZD框架采用主动方法，自动微调防火墙规则和访问策略，以解决高风险连接并防止未授权访问。实验结果表明，Pro-ZD具有稳健性和可迁移性，在检测高风险连接方面平均准确率超过95%。
引用
@article{arxiv.2602.07073,
title = {Pro-ZD: A Transferable Graph Neural Network Approach for Proactive Zero-Day Threats Mitigation},
author = {Nardine Basta and Firas Ben Hmida and Houssem Jmal and Muhammad Ikram and Mohamed Ali Kaafar and Andy Walker},
journal= {arXiv preprint arXiv:2602.07073},
year = {2026}
}