S-DAPT-2026：面向高级持续性威胁检测的阶段感知合成数据集
密码学与安全
2026-04-02 v2 信号处理
摘要
高级持续性威胁(APTs)的检测仍是一个关键挑战，由于其隐蔽的、多阶段的特性以及用于系统评估的真实、标记数据集稀缺。合成数据集生成已成为建模APT活动的实用方法；然而，现有方法常常依赖计算昂贵的警报关联机制，限制了可扩展性。为了克服这些限制，本文提出了一种接近真实的合成APT数据集及一种高效的警报关联框架。该方法引入基于机器学习的关联模块，采用余弦相似度度量的K近邻(KNN)聚类来对同一时间上下文中的语义相关警报进行分组。该数据集模拟了校园和组织网络环境中多阶段APT活动，涵盖了十四种不同的警报类型，超过了常用合成APT数据集的覆盖范围。此外，定义了明确的APT活动状态和警报到阶段的映射，以实现对新警报类型的灵活集成和支持阶段感知分析。提供了数据集的全面统计特征，以促进可重复性并支持APT阶段预测。
引用
@article{arxiv.2601.06690,
title = {S-DAPT-2026: A Stage-Aware Synthetic Dataset for Advanced Persistent Threat Detection},
author = {Saleem Ishaq Tijjani and Bogdan Ghita and Nathan Clarke and Matthew Craven},
journal= {arXiv preprint arXiv:2601.06690},
year = {2026}
}
备注
I would like to withdraw this paper as my supervisors request me to do so. We have identified significant errors in the analysis that affect the main conclusions of the paper. We are withdrawing the manuscript to correct these issues