그래프 기반 이기종 위협정보 분석기술 연구
A Study on Graph-Based Heterogeneous Threat Intelligence Analysis Technology
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현대 기술의 발전과 인터넷의 보급이 확대되면서 사이버 위협도 증가하고 있다. 이러한 위협에 효과적으로 대응하기 위해 CTI(Cyber Threat Intelligence)의 활용에 대한 중요성이 커지고 있다. 이러한 CTI는 과거의 사이버 위협 데이터에 기반하여 새로운 위협에 대한 정보를 제공하지만, 데이터의 복잡성과 공격 패턴의 변화 등 다양한 요인으로 인해 분석의 어려움을 겪고 있다. 이러한 문제를 해결하기 위해, 본 연구는 다차원적 관계를 포괄적으로 나타낼 수 있는 그래프 데이터의 활용하고자 한다. 구체적으로는 악성코드 데이터를 대상으로 이기종 그래프를 구축하고, metapath2vec의 노드 임베딩 방법을 활용하여 사이버 공격 그룹을 더 효과적으로 식별하고자 한다. 결론적으로 토폴로지 정보를 기존 악성코드 데이터에 추가로 활용하였을 때 탐지성능에 미치는 영향을 분석함으로써, 사이버 보안 분야에 새로운 실질적 적용 가능성을 제시하며, CTI 분석의 한계를 극복하는 데 기여하고자 한다.
Abstract
As modern technology advances and the proliferation of the internet continues, cyber threats are also on the rise. To effectively counter these threats, the importance of utilizing Cyber Threat Intelligence (CTI) is becoming increasingly prominent. CTI provides information on new threats based on data from past cyber incidents, but the complexity of data and changing attack patterns present significant analytical challenges. To address these issues, this study aims to utilize graph data that can comprehensively represent multidimensional relationships. Specifically, the study constructs a heterogeneous graph based on malware data, and uses the metapath2vec node embedding technique to more effectively identify cyber attack groups. By analyzing the impact of incorporating topology information into traditional malware data, this research suggests new practical applications in the field of cyber security and contributes to overcoming the limitations of CTI analysis.
참고문헌 (13)
- H. Neuschmied, "Apt-attack detection based on multi-stage autoencoders", Applied Sciences, 12(13), pp.6816~ (2022)
- T. Zoppi, "Unsupervised algorithms to detect zero-day attacks: Strategy and application", IEEE Access, 9, pp.90603~90615 (2021)
- M. Gori, "A new model for learning in graph domains", IEEE International Joint Conference on Neural Networks, 2, pp.729~734 (2005)
- F. Xia, "Graph learning: A survey", IEEE Transactions on Artificial Intelligence, 2(2), pp.109~127 (2021)
- M. Xu, "Understanding graph embedding methods and their applications", SIAM Review, 63(4), pp.825~853 (2021)
- B. Perozzi, "Deepwalk: Online learning of social representations", Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, pp.701~710 (2014)
- A. Grover, "node2vec:Scalable feature learning for networks", Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining, pp.855~864 (2016)
- Y. Dong, "metapath2vec: Scalable representation learning for heterogeneous networks", Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining, pp.135~144 (2017)
- M. Guan, "HMSG:Heterogeneous graph neural network based on metapath subgraph learning", Knowledge-Based Systems, 279, pp.110930~ (2023)
- J. Zhao, "Cyber threat intelligence modeling based on heterogeneous graph convolutional network", Proceedings of the 23rd International Symposium on Research in Attacks, Intrusions and Defenses (RAID 2020), pp.241~256 (2020)
- Y. Gao, "Hincti : A cyber threat intelligence modeling and identification system based on heterogeneous information network", IEEE Transactions on Knowledge and Data Engineering, 34(2), pp.708~722 (2022)