XAPT: Predicción Explicable Impulsada por Anomalías de las Etapas de Amenaza en Campañas APT

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Seguridad de redes

Sus antecedentes:

• Las amenazas persistentes avanzadas (APT) plantean riesgos significativos debido a su sigilo y naturaleza multietapa.
• La predicción precisa a nivel de etapa es crucial para el análisis y la mitigación efectivos de las campañas APT.

Objetivo del estudio:

• Introducir XAPT, un marco explicable y basado en anomalías para el análisis de campañas APT.
• Lograr una predicción precisa e interpretable a nivel de etapa para ciberataques.
• Proporcionar información transparente y procesable sobre la progresión de los ataques APT.

Principales métodos:

• Utilización de errores de reconstrucción basados en PCA para generar puntuaciones de anomalía probabilísticas calibradas.
• Empleo de un clasificador de Red Bayesiana para la inferencia de etapas de la cadena de ataque cibernético, incorporando la incertidumbre.
• Implementación de atribución de características basada en SHAP para una explicación transparente de los resultados de la clasificación.

Principales resultados:

• XAPT demuestra una alta precisión en la detección a nivel de etapa en conjuntos de datos públicos.
• El marco proporciona interpretaciones procesables a nivel de característica que respaldan el análisis operativo.
• Las puntuaciones de anomalía calibradas y la inferencia bayesiana capturan eficazmente la anormalidad y las dependencias de los eventos.

Conclusiones:

• XAPT ofrece una solución integral e interpretable para la detección de amenazas avanzadas.
• La integración de la puntuación de anomalías, la inferencia bayesiana y las explicaciones SHAP mejora el análisis APT.
• El marco apoya a los profesionales de la ciberseguridad con explicaciones transparentes y analíticamente amigables.