Artificial Intelligence Tools for Cyber Attribution

این SpringerBrief چگونگی توسعه سیستم‌های هوشمند برای اسناد سایبری در مورد حملات سایبری را مورد بحث قرار می‌دهد. به طور خاص، نویسندگان جنبه‌های متعدد مشکل انتساب سایبری را بررسی می‌کنند که مدیریت تکنیک‌های هوش مصنوعی «خارج از جعبه» و یادگیری ماشین را دشوار می‌کند.

نسبت دادن یک عملیات سایبری از طریق استفاده از چندین شواهد فنی (یعنی مهندسی معکوس بدافزار و ردیابی منبع) و منابع اطلاعاتی مرسوم (به عنوان مثال، هوش انسانی یا سیگنال ها) یک مشکل دشوار است نه تنها به دلیل تلاش مورد نیاز برای به دست آوردن شواهد، بلکه به دلیل سهولت آن. یک دشمن می‌تواند شواهد نادرست ایجاد کند.

این SpringerBrief نه تنها مبانی نظری را برای نحوه رسیدگی به جنبه‌های منحصربه‌فرد انتساب سایبری - و نحوه به‌روزرسانی مدل‌های مورد استفاده برای این منظور - ارائه می‌کند، بلکه مجموعه‌ای را نیز شرح می‌دهد. نتایج تجربی، و همچنین نتایج چارچوب‌های ویژه طراحی‌شده برای اسناد سایبری را با رویکردهای یادگیری ماشین استاندارد مقایسه می‌کند.

اسناد سایبری نه تنها یک مشکل چالش برانگیز است، بلکه مشکلاتی نیز در انجام چنین تحقیقاتی وجود دارد، به‌ویژه در به دست آوردن داده های مربوطه این SpringerBrief نحوه استفاده از capture-the-flag برای چنین تحقیقاتی را شرح می‌دهد، و مسائلی را از سازمان‌دهی چنین داده‌هایی گرفته تا اجرای capture-the-flag خودتان که به‌طور خاص برای انتساب سایبری طراحی شده است، شرح می‌دهد. مجموعه داده ها و نرم افزار نیز در وب سایت همراه موجود است.

This SpringerBrief discusses how to develop intelligent systems for cyber attribution regarding cyber-attacks. Specifically, the authors review the multiple facets of the cyber attribution problem that make it difficult for “out-of-the-box” artificial intelligence and machine learning techniques to handle.

Attributing a cyber-operation through the use of multiple pieces of technical evidence (i.e., malware reverse-engineering and source tracking) and conventional intelligence sources (i.e., human or signals intelligence) is a difficult problem not only due to the effort required to obtain evidence, but the ease with which an adversary can plant false evidence.

This SpringerBrief not only lays out the theoretical foundations for how to handle the unique aspects of cyber attribution – and how to update models used for this purpose – but it also describes a series of empirical results, as well as compares results of specially-designed frameworks for cyber attribution to standard machine learning approaches.

Cyber attribution is not only a challenging problem, but there are also problems in performing such research, particularly in obtaining relevant data. This SpringerBrief describes how to use capture-the-flag for such research, and describes issues from organizing such data to running your own capture-the-flag specifically designed for cyber attribution. Datasets and software are also available on the companion website.