SPGNN-API：一种用于攻击路径识别与自主缓解的可迁移图神经网络
密码学与安全
2023-11-30 v2 神经与进化计算
网络与互联网体系结构
摘要
攻击路径是攻击者通过利用网络漏洞危害网络资产并获取权限所执行的潜在恶意活动链。与基于签名的攻击分析中的单个攻击向量不同，攻击路径分析帮助组织识别到达网络内关键资产的新的/未知的攻击向量链。及时识别攻击路径可实现威胁的主动缓解。然而，手动分析复杂网络配置、漏洞和安全事件以识别攻击路径几乎不可行。本工作提出一种新颖的基于可迁移图神经网络的模型用于最短路径识别。所提出的最短路径检测方法，与一种用于识别潜在网络漏洞交互的新颖整体综合模型相集成，随后被用于检测网络攻击路径。我们的框架自动化攻击路径的风险评估，结合网络配置、资产关键性以及路径上通往资产的漏洞严重性，指示这些路径促成高关键资产（如数据库）被危害的倾向。所提出的框架名为 SPGNN-API，通过对网络防火墙规则和零信任策略进行主动及时调优以切断关键攻击路径并加强网络防御，实现了自动化威胁缓解。我们的评估过程包含两方面：评估最短路径识别性能以及评估攻击路径检测准确率。结果表明，SPGNN-API 在最短路径识别上大幅优于基线模型，平均准确率 ≥ 95%，并成功检测出 100% 的潜在被危害资产，比攻击图基线高出 47%。
引用
@article{arxiv.2305.19487,
title = {SPGNN-API: A Transferable Graph Neural Network for Attack Paths Identification and Autonomous Mitigation},
author = {Houssem Jmal and Firas Ben Hmida and Nardine Basta and Muhammad Ikram and Mohamed Ali Kaafar and Andy Walker},
journal= {arXiv preprint arXiv:2305.19487},
year = {2023}
}
备注
IEEE Transactions on Information Forensics & Security (TIFS)