Tiresias：通过深度学习预测安全事件
密码学与安全
2019-05-27 v1 机器学习
摘要
随着现代计算机攻击复杂性的增加，防御者不仅需要检测正在发生的恶意活动，还需要预测攻击者在执行攻击时将采取的具体步骤。然而这仍是一个开放的研究问题，且先前关于预测恶意事件的研究仅关注二元结果（例如攻击是否会发生），而未关注攻击者将采取的具体步骤。为填补这一空白，我们提出 Tiresias，一个利用循环神经网络（RNNs）基于先前观测预测机器上未来事件的系统。我们在一个从商业入侵防御系统收集的 34 亿安全事件数据集上测试 Tiresias，并表明我们的方法能以高达 0.93 的精度有效预测机器上将发生的下一个事件。我们还表明 Tiresias 学到的模型随时间相当稳定，并提供了一种可识别精度突降并触发系统重训练的机制。最后，我们表明 RNNs 典型的长期记忆在执行事件预测中至关重要，使得更简单的方法无法胜任该任务。
引用
@article{arxiv.1905.10328,
title = {Tiresias: Predicting Security Events Through Deep Learning},
author = {Yun Shen and Enrico Mariconti and Pierre-Antoine Vervier and Gianluca Stringhini},
journal= {arXiv preprint arXiv:1905.10328},
year = {2019}
}