本文對網(wǎng)絡(luò )安全智能化技術(shù)深入研究，首先根據對抗戰術(shù)技術(shù)通用知識庫（ATT&CK）、結構化威脅信息表達（STIX）等多種安全知識框架，研究用于威脅檢測和攻擊鏈識別的知識庫，即威脅知識庫。其中包括威脅攻擊基本映射策略、威脅攻擊場(chǎng)景與模式。在威脅知識庫的輔助下研究網(wǎng)絡(luò )安全智能化實(shí)踐，探索基于圖神經(jīng)網(wǎng)絡(luò )技術(shù)的威脅攻擊鏈智能識別；有機結合威脅模式、攻擊事件研究并設計風(fēng)險場(chǎng)景，構造用于風(fēng)險評估分析的風(fēng)險因素模型，利用蒙特卡洛或其他隨機方法進(jìn)行評估計算。

2.1.1 威脅知識庫

威脅知識庫中包含基于安全知識框架的映射策略和威脅攻擊模式，如圖1所示。通過(guò)對ATT&CK安全知識框架中網(wǎng)絡(luò )攻擊技戰術(shù)的研究，基于用戶(hù)和實(shí)體行為構建關(guān)聯(lián)的“行為到攻擊技戰法（TTP）”的映射關(guān)系。將ATT&CK安全知識框架引入并應用到多種產(chǎn)品威脅識別、威脅情報方面，歸納基于A(yíng)TT&CK安全知識框架的映射策略：

（1）內部威脅與ATT&CK安全知識框架映射策略；

（2）外部威脅與ATT&CK安全知識框架映射策略。

通過(guò)對現有威脅攻擊日志數據和多方威脅情報的分析，提煉出攻擊模式的本體模型：

（1）研究關(guān)聯(lián)多方日志數據歸一化，同時(shí)分析日志中與本體模式對應成分，形成語(yǔ)義連貫、符合邏輯的攻擊示例；

（2）從眾多攻擊示例中提取關(guān)鍵攻擊步驟與威脅上下文，形成譜圖化攻擊模式和威脅場(chǎng)景。

圖1 威脅知識庫的作用

2.1.2 威脅智能化識別

利用專(zhuān)家預置的威脅攻擊鏈模式，實(shí)現基于知識圖譜和圖神經(jīng)網(wǎng)絡(luò )技術(shù)的威脅攻擊鏈智能識別，重點(diǎn)研究?jì)热萑缦拢?/p>

（1）基于威脅知識庫的本體模型構建，從多方日志中構建用戶(hù)知識圖譜，現有的日志多為結構化或半結構化，因此研究中采用知識融合的方式構建圖譜，并利用知識加工迭代完善圖譜數據內容；

（2）基于圖神經(jīng)網(wǎng)絡(luò )的子圖匹配技術(shù)，采用已有帶標注數據訓練深度學(xué)習模型，訓練后的模型可智能識別威脅攻擊鏈。

2.1.3 風(fēng)險因素評估模型

多種威脅場(chǎng)景下多樣攻擊鏈會(huì )造成不同的損失和影響，評估威脅往往會(huì )消耗安全人員大量時(shí)間和精力，且人工評估包含較多的非量化的結論。為了有效管理風(fēng)險，需對風(fēng)險進(jìn)行量化評估。

根據對現有風(fēng)險因素模型和風(fēng)險評估方法的調研，本研究?jì)热莺痛�解決問(wèn)題包括以下3點(diǎn)。

（1）構建適用于本研究的信息系統風(fēng)險因子的分類(lèi)法與本體模型。參考常用的標準，如《ISO 31000：2018 風(fēng)險管理指南》，《美國標準技術(shù)研究院特別出版物 800-37》，《OpenFAIR風(fēng)險分類(lèi)學(xué)》[7]等。

（2）設置風(fēng)險場(chǎng)景。研究?jì)热葜饕獮槔�用威脅場(chǎng)景、攻擊鏈和風(fēng)險因子本體模型，識別風(fēng)險場(chǎng)景。從現有資產(chǎn)的主要利益相關(guān)者視角出發(fā)，研究并設計包含威脅事件和攻擊行為的風(fēng)險場(chǎng)景，場(chǎng)景的關(guān)注點(diǎn)落在損失和影響。

（3）明確基于統計和隨機方法的風(fēng)險分析方法論和流程。研究在給定風(fēng)險因子本體模型和風(fēng)險場(chǎng)景后，通用的風(fēng)險分析評估流程包括場(chǎng)景和風(fēng)險因素分解、風(fēng)險因素評價(jià)策略、基于隨機方法的量化估算、緩解措施（控制項）評價(jià)等一系列步驟。

2.2 研究?jì)r(jià)值

本文研究如何利用ATT&CK安全框架，挖掘數據中的威脅線(xiàn)索，對抗愈發(fā)隱匿和嚴重的內外部威脅行為，達到持續降低組織的數字化運營(yíng)風(fēng)險的目的。

目前，雖然在諸多威脅感知場(chǎng)景下，學(xué)界和產(chǎn)業(yè)界利用統計機器學(xué)習的威脅分析方法取得了重要的突破，但在面對高度動(dòng)態(tài)復雜的網(wǎng)絡(luò )行為分析時(shí)，感知層輸入往往缺乏有安全語(yǔ)義的規范化建模，數據層異常而非真實(shí)惡意攻擊的誤報情況難以避免。此外，多維度單點(diǎn)的感知分析結果，仍需要專(zhuān)家深度參與研判與關(guān)聯(lián)分析，才能完整還原攻擊行為全貌，限制了高級持續攻擊（APT）、內部威脅等高級復雜攻擊技戰術(shù)的分析自動(dòng)化水平的提升。本研究通過(guò)構建威脅知識圖譜，將語(yǔ)義孤立的多元異構信息聯(lián)系起來(lái)，并利用圖神經(jīng)網(wǎng)絡(luò )嵌入技術(shù)發(fā)現海量日志中的潛在攻擊鏈。

攻擊鏈的識別可為安全人員提供重點(diǎn)關(guān)注對象和相關(guān)上下文信息，同一類(lèi)型場(chǎng)景下的不同攻擊鏈和不同場(chǎng)景下的相似攻擊鏈都需要評估，以便優(yōu)先處理更加緊急的安全事件。本研究提出風(fēng)險因素模型，即選取定義一致的風(fēng)險詞匯表及各風(fēng)險因子的關(guān)系，可以幫助組織的安全人員進(jìn)行威脅處理優(yōu)先級排序、后續運維和風(fēng)險管理工作，并有效地向決策層傳遞和對比風(fēng)險評估結果。

3 研究方案與說(shuō)明

本研究利用ATT&CK安全框架中的戰術(shù)、技術(shù)等方面的知識庫對異常行為進(jìn)行研判，并使用深度學(xué)習和機器學(xué)習等多種手段檢測并擴充威脅攻擊行為，最后通過(guò)風(fēng)險因素模型給予量化評估，最終達到對威脅識別、評判的目的。大體流程如下：

（1）將安全系統產(chǎn)生的異常、警報與ATT&CK安全框架中的戰術(shù)、技術(shù)進(jìn)行映射匹配，對系統所產(chǎn)生的異常和警報作進(jìn)一步研判，緩解安全系統高誤報率的問(wèn)題；

（2）通過(guò)時(shí)間維度審視被關(guān)注對象的所有離散行為、結合每個(gè)離散的異常行為與ATT&CK安全框架中的技戰術(shù)的映射匹配情況，以及相關(guān)聯(lián)的一系列連續上下文行為，識別威脅攻擊鏈，調查隱藏在異常和警報背后的安全威脅；

（3）根據風(fēng)險因素模型和風(fēng)險評估算法，量化威脅攻擊鏈帶來(lái)的影響，以便安全人員優(yōu)先處理高優(yōu)先級事件。

首先使用威脅知識庫把異常行為映射到ATT&CK安全框架中的戰術(shù)、技術(shù)，安全人員可以從海量異常報警中進(jìn)一步識別出真正的安全威脅，顯著(zhù)降低安全系統的誤報率，如圖2所示。但是，網(wǎng)絡(luò )攻擊往往是一系列行為組成的，只判斷離散的惡意行為并不能真正阻止攻擊者，從根本上消除安全威脅。為了更好地應對網(wǎng)絡(luò )攻擊，實(shí)現對安全威脅由檢測分析、編排響應到取證溯源的全生命周期的管控，需要結合多種安全框架建立威脅攻擊鏈模型，并在其基礎上利用人工智能、知識圖譜與知識推理的關(guān)聯(lián)技術(shù)，擴展當前威脅知識庫。

圖2 異常行為到ATT&CK安全框架的映射

建立威脅知識庫之后，無(wú)法利用其中知識直接識別日志中的攻擊鏈，需要利用數據融合、實(shí)體對齊、知識推理、質(zhì)量評估等技術(shù)把多方安全日志轉換為用戶(hù)行為圖譜。該圖譜作為本體模式指導下的數據層，與知識庫中威脅攻擊模式進(jìn)行匹配，用于探查攻擊者的攻擊技術(shù)和過(guò)程。

在用戶(hù)和實(shí)體的一系列時(shí)序行為中查找隱藏威脅攻擊鏈，難點(diǎn)在于行為中混合了正常行為和異常行為，很難將其與一系列的攻擊鏈模式、模型完全精確地匹配。所以采用近似求解的子圖匹配方法更為合適，如基于深度學(xué)習的一系列圖嵌入算法和圖匹配算法，包括圖神經(jīng)網(wǎng)絡(luò )（GNN）嵌入模型、圖卷積網(wǎng)絡(luò )（GCN）嵌入模型、子圖匹配網(wǎng)絡(luò )模型等，可以將圖譜中的節點(diǎn)連同語(yǔ)義信息一同轉換到低維的向量空間，并通過(guò)多種相似度學(xué)習算法達成攻擊鏈的智能學(xué)習，如圖3所示。

圖3 基于圖神經(jīng)網(wǎng)絡(luò )的子圖匹配方案（NTN：神經(jīng)張量網(wǎng)絡(luò )；ATT：注意力矩陣；conv：卷積）

最后，通過(guò)建立風(fēng)險因素模型并評估威脅攻擊鏈，達到威脅優(yōu)先級排序的目的：

（1）識別風(fēng)險場(chǎng)景，在其內定義并描述資產(chǎn)、威脅、控制項、影響/損失等；

（2）設計明確定義的風(fēng)險因素分類(lèi)法，如圖4所示，該步驟可以使風(fēng)險評估信息有效地傳遞、對比并輸出報告，具體可參考知名機構所出版的標準；

（3）構建風(fēng)險因素模型，該模型利用上一步定義風(fēng)險因素分類(lèi)法，設置一系列風(fēng)險因素和子因素；為了提升評估精度，研究中選取不同子因素聚合到上級風(fēng)險因素的函數，聚合函數會(huì )采用概率分布、鏈式聚合、層級聚合等多種形式；

（4）測量并對風(fēng)險因素估值，研究中采用蒙特卡洛或其他隨機方法；利用統計的原理進(jìn)行輔助分析的技術(shù)還需在實(shí)驗中進(jìn)一步選型。

圖4 風(fēng)險因素分類(lèi)法示例

4研究特色與創(chuàng )新點(diǎn)

4.1 威脅知識庫的特色與優(yōu)勢

本研究所構建的威脅知識庫具有以下4個(gè)方面的特色與優(yōu)勢。

（1）成熟的安全框架理念：將ATT&CK安全框架應用于威脅檢測、分析及響應。

（2）威脅輔助分析與智能識別：把異常行為與ATT&CK安全知識框架中的技戰術(shù)進(jìn)行匹配映射，精準識別威脅，并利用ATT&CK安全框架中的知識輔助分析。關(guān)聯(lián)各個(gè)異常行為，挖掘隱藏在其背后的完整攻擊意圖，并利用人工智能領(lǐng)域的相關(guān)算法，智能識別安全威脅攻擊鏈。

（3）降低誤報率：與傳統威脅檢測系統相比，基于A(yíng)TT&CK安全知識庫中的技戰法（TTP）對系統異常和警報進(jìn)行映射，可大幅度降低系統異常行為報警的誤報率。

（4）已有經(jīng)驗知識再利用：預置各種攻擊鏈模式、模型，智能化匹配識別系統行為數據中隱藏的威脅攻擊鏈，挖掘攻擊者的真正攻擊意圖。

4.2 圖神經(jīng)網(wǎng)絡(luò )的子圖匹配算法特色與優(yōu)勢

圖神經(jīng)網(wǎng)絡(luò )的子圖匹配算法特色與優(yōu)勢主要體現在以下2個(gè)方面。

（1）結合新知識、新理念、新技術(shù)：構造以日志數據為基礎，引入專(zhuān)家知識的本體模型；將用戶(hù)行為與威脅攻擊模式圖（譜）化，再利用基于圖神經(jīng)網(wǎng)絡(luò )子圖匹配技術(shù)，把復雜多樣攻擊鏈識別過(guò)程轉化為深度學(xué)習過(guò)程。

（2）節點(diǎn)特征向量嵌入不同抽象層級的特征空間：通過(guò)把日志數據和威脅模型中部分實(shí)體映射到更高抽象層級的ATT&CK威脅框架內，可給圖譜中節點(diǎn)的特征向量提供額外維度且不同抽象層級的信息，結合日志中已有的實(shí)體特征信息，可加速節點(diǎn)匹配過(guò)程，提升子圖匹配模型的性能和匹配成功率。

4.3 風(fēng)險因素模型特色和創(chuàng )新

本研究所采用的風(fēng)險因素模型具有以下2個(gè)方面的特色和創(chuàng )新。

（1）從風(fēng)險的角度度量攻擊事件和行為：威脅與攻擊鏈識別從網(wǎng)絡(luò )空間安全的角度出發(fā)，注重攻擊者的行為序列及攻擊產(chǎn)生的前因后果。而風(fēng)險因素模型從風(fēng)險管理的角度考慮多種安全域和控制項，結合威脅頻率、攻擊強度、資產(chǎn)損失等因素綜合且全面評價(jià)攻擊事件，把攻擊知識領(lǐng)域和風(fēng)險管理領(lǐng)域有機結合。

（2）采用概率和統計結合的量化評估流程：建立風(fēng)險因素關(guān)聯(lián)的概率模型，再結合攻擊鏈識別技術(shù)，風(fēng)險因素模型由靜態(tài)轉為動(dòng)態(tài)，不但可根據實(shí)際識別結果有效區分高頻低損失威脅和低頻高損失威脅，還可根據實(shí)際業(yè)務(wù)集成于多種風(fēng)險場(chǎng)景中。研究采用蒙特卡洛模擬算法模擬統計分析過(guò)程，可解決因子關(guān)聯(lián)的復雜概率模型抽樣困難的問(wèn)題。

5 結語(yǔ)

利用基于A(yíng)TT&CK和STIX安全框架構建威脅知識庫可以在很大程度上提升各類(lèi)基于行為的安全系統的檢測精度，并且可以深入挖掘隱藏在一連串異常行為背后的威脅攻擊鏈，從而分析攻擊者的真正意圖。威脅知識庫構建的難點(diǎn)在于如何更好地構建基于A(yíng)TT&CK安全框架的映射策略、識別威脅攻擊鏈這兩方面。對于映射策略而言，需要安全人員對ATT&CK安全框架具有較深入的理解，并且了解自身所掌握的數據和具體需求。根據實(shí)際使用效果不斷調整映射策略中不合理的映射關(guān)系。風(fēng)險因素模型對攻擊鏈的風(fēng)險評估，讓智能算法的應用更加可行。攻擊鏈可能造成風(fēng)險在不同場(chǎng)景中有很大不同，結合威脅場(chǎng)景、風(fēng)險因素模型，可有效度量攻擊鏈的風(fēng)險，幫助安全人員優(yōu)先響應重要事件。

（原載于《保密科學(xué)技術(shù)》雜志2023年1月刊）