PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.24563v2cs.AI

TRACE-CTI: 지식 그래프를 활용한 TTP 주장의 감사 가능한 추출 후 거버넌스

TRACE-CTI: Auditable Post-Extraction Governance of TTP Claims with Knowledge Graphs

보안 운영 센터(SOC)는 사이버 위협 인텔리전스(CTI) 보고서를 MITRE ATT&CK에 자동 매핑하는 데 점점 더 의존하고 있지만, 추출기 출력은 여전히 오류 가능성이 있으며 개별 매핑을 신뢰해야 하는지 판단하는 데 필요한 증거, 출처(provenance), 검증 이력 없이 저장되는 경우가 많다. 우리는 TRACE-CTI를 제시한다. 이는 실행(run) 수준 Predictions를 보존하고, 이를 구성(configuration) 수준 GraphAssertions로 집계하며, 설정 중복 제거된 상호 검증을 ConsensusAssertions로 구체화하고, 정책 준수 검증 근거(validation grounds)가 뒷받침하는 GraphAssertions만 노출하는 추출 후 클레임 거버넌스 프레임워크이다. 이 프레임워크는 원본 증거의 세분화 수준, 완전한 추출 출처, 버전 관리된 신뢰 결정, 비파괴적 철회 이력을 유지한다. 우리는 65개 보고서와 5,303개 문장으로 구성된 두 공개 CTI 코퍼스에서 TRACE-CTI를 평가한다. 검색기(retriever)와 생성기(generator) 계열의 통제된 2×3 행렬을 사용하여 6개 GraphVersion에 걸쳐 점진적으로 수집한다. 모든 설정은 스키마 수정 없이 통합되며, 출처 경로는 완전하게 유지되고, 운영 범위는 분리(disjoint)되어 있으며, 신뢰할 수 있는 모든 GraphAssertion에는 활성화된 적격 검증 근거가 있다. 생성기 계열 간 교차 설정 쌍은 동일 계열 쌍보다 더 큰 출력 다양성을 보인다. 최종 그래프 상태에서 설정 지원을 k ≥ 1에서 6개 설정 전원 일치(six-setup unanimity)로 늘리면 gold 정렬 정밀도는 25.3%에서 90.6%로 상승하고, 재현율은 88.2%에서 16.3%로 감소한다. 그래프는 또한 출처, 신뢰, 버전 관리, 의존성, 불일치, 검토 대기열(review-queue)에 관한 7가지 질문에 직접 답할 수 있으며, 이는 평가된 최소 평면(flat) 출력이 보강이나 재처리 없이는 완전히 답할 수 없는 질문들이다. 이 결과는 추출된 TTP 주장에 대한 명시적이고 감사 가능한 거버넌스를 뒷받침한다. 관찰된 상호 검증 궤적은 기술적(descriptive)이며 통계적 독립성이나 인과적 모델 계열 효과를 확립하지 않는다.

arXiv:2606.31557v1cs.CR

CVE-TTP KG: Knowledge Graph Linking Software Vulnerabilities to Attack Behaviors

CVE와 NVD 같은 취약점 데이터베이스가 공격자 행동 정보와 연계되지 않는 한계를 극복하기 위해, CVE 설명 텍스트에서 MITRE ATT&CK 전술 및 기법을 자동으로 분류하고 개체·관계 추출을 수행하여 CVE-TTP 지식 그래프(Knowledge Graph)를 구축하는 프레임워크를 제안한다. CySecBERT 기반 분류 모델은 기법 분류에서 macro F1 87.71%, 전술 분류에서 96.16%를 달성하였으며, 추출된 정보는 Neo4j 기반 사이버 위협 지식 그래프로 통합되어 취약점과 공격 행동 간의 구조적 시각화를 가능하게 한다.

arXiv:2606.06570v1cs.CR

MalTree: 대규모 임베딩 기반 악성코드 진화 추적

MalTree: Tracing Malware Evolution from Embeddings at Scale

악성코드 탐지는 여전히 대부분 사후 대응형에 가깝다. 알려진 샘플로 학습된 머신러닝 모델은 위협이 진화함에 따라 성능이 저하된다. 악성코드 패밀리 간 진화 관계를 이해하는 것은 선제적 방어에 도움이 될 수 있지만, 기존 리버스 엔지니어링으로는 그러한 계보 관계를 밝히는 데 수개월에서 수년이 걸릴 수 있다. 우리는 MalTree를 제안한다. 이는 대규모로 생물정보학에서 영감을 받은 계통발생(phylogenetic) 기법(UPGMA 및 Neighbor-Joining)을 적용하여 구조적, 행동적, 이미지 기반 특징을 사용해 악성코드 진화를 자동으로 모델링하는 프레임워크이다. VirusTotal 타임스탬프를 이용한 시간적 검증을 도입하여 추론된 트리가 실제 진화 순서를 반영하는지 평가한다. MalTree는 87%의 시간적 일관성을 달성하며, 이는 추론된 진화 관계가 실세계 출현 타임라인과 밀접히 일치함을 나타낸다. 분석 결과 일부 패밀리는 다른 패밀리보다 10배 이상 빠르게 변이하며, 이는 탐지 전략이 패밀리별 진화 속도에 맞춰져야 함을 시사한다. Mirai 봇넷을 포함한 사례 연구는 계통발생 트리에서 추론된 관계가 문서화된 위협 정보와 일치함을 확인한다. 우리 프레임워크는 악성코드 분석을 샘플 단위 분류에서 계보 인식 진화 모델링으로 전환하는 토대를 제공한다.