Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

A Combinational Model-Based APT Attack Detection Approach

DOI: 10.54654/isj.v1i24.1078
Từ khóaTấn công APTmô hình BiLSTMmô hình BiLAGGCNmô hình học sâu

Tóm tắt

Trong bối cảnh thế giới ngày càng phụ thuộc vào công nghệ số, các mối đe dọa dai dẳng nâng cao (APT) đang đặt ra một thách thức đáng kể đối với an ninh mạng toàn cầu. Để giải quyết vấn đề đó, bài báo này giới thiệu một phương pháp mới có tên BiLSTM-Attention-GCN (BiLAG), một mô hình tiên tiến kết hợp các mạng nơ-ron bộ nhớ dài ngắn hạn hai chiều (BiLSTM), cơ chế Attention và các Mạng nơ-ron tích chập đồ thị (GCN). Mục tiêu của BiLAG là cung cấp một phương pháp hiệu quả và chính xác để phát hiện các mối đe dọa APT. BiLSTM được sử dụng để nắm bắt các đặc trưng thời gian liên quan đến chuỗi sự kiện, từ đó cho phép phát hiện các điểm bất thường theo thời gian. Cơ chế Attention tập trung vào những khía cạnh quan trọng nhất của tập dữ liệu, cho phép mô hình xác định các tín hiệu ẩn báo hiệu các cuộc tấn công tiềm ẩn. Cuối cùng, GCN được sử dụng để khám phá các mối quan hệ phức tạp giữa các thực thể trong mạng, qua đó nâng cao khả năng phát hiện APT thông qua việc xây dựng một đồ thị quan hệ chi tiết và chính xác. Kết quả thí nghiệm cho thấy BiLAG đạt được độ chính xác 99%, với độ nhạy cao và tỷ lệ dương tính giả giảm đáng kể.

Lượt tải theo tháng

0234607/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Nguyễn Thanh Tùng, Nguyễn Tiến Trọng, Nguyễn Thị Hiền, Nguyễn Quang Hoan, Đỗ Xuân Chợ (2025). A Combinational Model-Based APT Attack Detection Approach. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 1(24), 30-39. https://doi.org/10.54654/isj.v1i24.1078

Tài liệu tham khảo

  1. 1.. A. Alshamrani, S. Myneni, A. Chowdhary and D. Huang, “A survey on advanced persistent threats: Techniques, solutions, challenges, and research opportunities”, IEEE Communications Surveys & Tutorials, vol. 21, no. 2, pp. 1851-1877, 2019.
  2. 2.. Y. Wang, H. Liu, Z. Li, Z. Su and J. Li, “Combating Advanced Persistent Threats: Challenges and Solutions”, IEEE Network, vol. 33, no. 6, pp. 324 – 333, 2024. https://doi.org/10.1109/MNET.2024.3389734
  3. 3.. D. X. Cho, D. T. Huong and D. Duong, “New approach for APT malware detection on the workstation based on process profile”, Journal of Intelligent & Fuzzy Systems, vol. 43, no. 4, pp. 4815-4834, 2022.
  4. 4.. D. X. Cho and N. H. Cuong, “A novel approach for APT attack detection based on feature intelligent extraction and representation learning”, Plos one, vol. 19, no. 6, 2024
  5. 5.. S. Arefin, M. Chowdhury, R. Parvez, T. Ahmed, A. S. Abrar and F. Sumaiya, “Understanding APT detection using Machine learning algorithms: Is superior accuracy a thing?”, In 2024 IEEE International Conference on Electro Information Technology (eIT), pp. 532-537, May. 2024.
  6. 6.. J. H. Joloudari, M. Haderbadi, A. Mashmool, M. GhasemiGol, S. S. Band and A. Mosavi, “Early detection of the advanced persistent threat attack using performance analysis of deep learning”, IEEE Access, vol. 8, pp. 186125-186137, 2020.
  7. 7.. G. Xiang, C. Shi and Y. Zhang, “An APT event extraction method based on BERT-BiGRU-CRF for APT attack detection”, Electronics, vol. 12, no. 15, pp. 3349, 2023.
  8. 8.. A. Graves and J. Schmidhuber, “Framewise phoneme classification with bidirectional LSTM and other neural network architectures”, Neural networks, vol. 18, pp. 602-610, 2005.
  9. 9.. D. Bahdanau, “Neural machine translation by jointly learning to align and translate”, arXiv preprint arXiv:1409.0473, 2014.
  10. 10.. A. Vaswani, “Attention is all you need”, Advances in Neural Information Processing Systems, 2017.
  11. 11.. T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks”, arXiv preprint arXiv:1609.02907, 2016.
  12. 12.. D. X. Cho, D. M. Hoang and N. H. Dinh, “APT attack detection based on flow network analysis techniques using deep learning”, Journal of Intelligent & Fuzzy Systems, vol. 39, no. 3, pp. 4785-4801, 2020.
  13. 13.. N. D. Hoa, D. X. Cho, N. H. Cuong and N. T. Long, “A new framework for APT attack detection based on network traffic”, Journal of Intelligent & Fuzzy Systems, vol. 44, no. 3, pp. 3459-3474, 2023.
  14. 14.. D. X. Cho, D.T. Huong and N. Toan, “A novel intelligent cognitive computing-based APT malware detection for Endpoint systems”, Journal of Intelligent & Fuzzy Systems, vol. 43, no. 3, pp. 3527-3547, 2022. doi:10.3233/JIFS-220233.
  15. 15.. N. H. Cuong, D. X. Cho, V. T. Long, N. D. Dat and T. Q. Anh, “A Novel Approach for APT Detection Based on Ensemble Learning Model”, Statistical Analysis and Data Mining: The ASA Data Science Journal, vol. 18, no. 1, 2025. https://doi.org/10.1002/sam.70005.

Bài viết liên quan