약한 지도학습을 활용한 머신러닝 기반 LDAP 정찰 탐지
ML-Powered LDAP Reconnaissance Detection using Weak Supervision
한국어 초록
경량 디렉터리 액세스 프로토콜(LDAP, Lightweight Directory Access Protocol)은 사용자가 Active Directory(AD) 데이터를 조회하고 수정할 수 있게 해주는 프로토콜이다. 기본적으로 모든 사용자는 LDAP를 통해 전체 AD 데이터에 대한 읽기 권한을 가지므로, 위협 행위자가 최초로 자격 증명을 탈취했을 때 정찰 초기 단계에서 흔히 사용되는 도구가 된다. 정찰 단계 초기에 위협 행위자를 포착하기 위해, 우리는 LDAP 정찰을 탐지하는 두 가지 머신러닝 프레임워크를 개발하였다: 악의적인 LDAP 쿼리를 예측하는 머신러닝 분류기와 악의적인 쿼리 시그니처를 추출하는 머신러닝 기반 데이터 마이닝 방법이다. LDAP 쿼리를 엔드포인트 탐지와 상관 분석하여, 첫 번째 프레임워크는 약한 지도학습(weak supervision)을 활용해 대규모 데이터셋에 레이블을 부여하고 LDAP 쿼리를 악의적 또는 정상으로 분류한다. 즉각적인 배포를 위해, 이 접근법 위에 두 번째 기법을 개발하여 엄격한 통계적 가설 검정 프레임워크를 통해 새로운 악의적 LDAP 시그니처를 마이닝하도록 하였다. 이 약한 지도학습 방식은 수동 인간 레이블링에 비해 한계가 있지만, 대규모 자동화 코퍼스 구축을 활용하여 비용과 시간을 절감하므로 이 사용 사례에서는 더 실용적이다. 최종적으로, LDAP 분류기와 머신러닝 기반 LDAP 시그니처 마이닝 방법 모두 성능 벤치마크를 달성하였으며, 분류기는 홀드아웃 세트에서 거짓 양성을 제한하면서 최대 65%의 진양성률(TPR)을 달성하였고, 마이닝된 시그니처는 CrowdStrike의 관리형 탐지 및 대응(Managed Detection and Response) 팀을 통해 81.48%의 필드 정밀도를 달성함을 입증하였다.
원문 초록
Lightweight Directory Access Protocol (LDAP) is a protocol that allows users to query and modify Active Directory (AD) data. By default, all users have read access to all AD data through LDAP, making it a common initial tool for reconnaissance when a threat actor first compromises an identity. To capture threat actors early in the reconnaissance phase, we developed two machine learning frameworks to detect LDAP reconnaissance: an ML classifier to predict malicious LDAP queries and an ML-based data-mining method to extract malicious query signatures. By correlating LDAP queries with endpoint detections, the first framework uses weak supervision to label a massive dataset and classify LDAP queries as malicious or benign. For immediate deployment, a second technique was developed on top of this approach to employ a rigorous statistical hypothesis-testing framework for mining novel, malicious LDAP signatures. While this weakly supervised approach is limited compared with manual human labeling, it is more practical for this use case because it leverages large-scale automated corpus construction, reducing costs and time. Ultimately, both the LDAP classifier and the ML-based LDAP signature mining method achieved performance benchmarks, with the classifier achieving up to a 65\% True Positive Rate (TPR) on the holdout set while limiting false positives, and mined signatures demonstrating 81.48\% field precision with CrowdStrike's Managed Detection and Response team.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.28917v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처
Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic
Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.
형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출
Detection of extremely rare dead cells in fluorescence microscopy images
형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.
이상 탐지를 위한 연합 경량 헤드 기반 시계열 트랜스포머 CAN 인코더
Temporal transformer CAN encoder with federated lightweight heads for anomaly detection
현대 차량은 CAN(Controller Area Network) 버스를 통해 지속적으로 정보를 교환하는 수많은 전자제어장치(ECU)에 의존합니다. 이러한 통신의 신속성, 구조, 반복성으로 인해 타이밍, 페이로드 값, 메시지 패턴의 미세한 변화조차도 비정상적인 활동을 나타낼 수 있습니다. 오류, 오작동, 의도적인 간섭 등 원인에 관계없이 이러한 이상 현상은 매우 미묘하여, 메시지를 개별적으로 처리하거나 수작업으로 생성된 규칙에 의존하는 기존 방식으로는 식별하기 어렵습니다. 이러한 한계점을 해결하기 위해, 본 논문에서는 이러한 불규칙성을 더 효과적으로 포착할 수 있도록 연합 경량 헤드를 갖춘 시계열 트랜스포머 CAN 인코더 기반의 차량 내 네트워크 이상 탐지용 프라이버시 보존 프레임워크를 제안합니다. 이 신호들이 시간에 따라 어떻게 변화하는지 학습하는 경량 트랜스포머 인코더를 통해 미묘한 시계열 및 문맥적 이상 현상의 탐지가 가능해지며, 연합학습(federated learning) 메커니즘을 통해 여러 차량이나 ECU가 원시 CAN 데이터를 교환하지 않고도 협력하여 공유 모델을 개선할 수 있습니다. 오픈소스 데이터셋을 대상으로 수행한 실험에 따르면, 이러한 연합학습과 시계열 시퀀스 모델링의 결합은 효율성과 프라이버시를 유지하면서도 견고한 이상 탐지 성능을 제공합니다.
동기화에서 벗어나 시야에서 사라지다: 산업용 사물인터넷(IIoT) 침입 탐지를 겨냥한 유령 상태 공격
Out of Sync, Out of Sight: Phantom State Attacks against IIoT Intrusion Detection
머신러닝 기반 침입 탐지 시스템(IDS)은 산업용 사물인터넷(IIoT) 환경의 보안을 유지하는 데 매우 중요합니다. 이에 대응하는 대부분의 적대적 공격 연구는 특징(feature) 벡터나 이를 생성하는 트래픽을 섭동(perturbation)하며, 그래디언트(gradient) 접근, 반복적인 모델 쿼리, 또는 정상 트래픽에 대해 학습된 모델에 의존합니다. 일부 연구에서는 탐지기에 쿼리하지 않고 패킷 타이밍을 재구성하기도 하지만, 악성 트래픽이 정상 타이밍의 학습된 모델을 모방하도록 만듭니다. 이러한 접근법 전반에서 산업 모니터링 파이프라인의 중요한 가정 하나가 거의 주목받지 못했는데, 바로 시간 동기화(temporal synchronization)입니다. IDS는 텔레메트리를 슬라이딩 또는 텀블링 윈도우로 집계하여 운영 상태를 재구성하므로, IDS의 관점은 무엇이 관측되었는지뿐만 아니라 각 관측치가 윈도우 경계와 비교하여 언제 발생하는지에도 의존합니다. 본 논문에서는 수동적이고 쿼리가 없는(zero-query) 위협 모델 하에서 이러한 의존성을 악용하는 유령 상태 공격(Phantom State Attack, PSA)을 소개합니다. PSA는 패킷을 수정하거나, 특징을 섭동하거나, 분류기에 쿼리하거나, 정상 트래픽 모델을 피팅하는 대신, 공격 흐름 자체의 패킷 도착 간 변동성에 맞춰 보정된 유계 타이밍 드리프트(bounded timing drift)를 주입하여 관측치를 가장 가까운 윈도우 경계 너머로 필요한 최소한의 이동량만큼 이동시킵니다. 그러면 IDS는 실제 프로세스 상태와 다른 유령 상태(phantom state)를 재구성하게 됩니다. 저자들은 ToN-IoT 및 CIC IIoT 2025(DataSense) 데이터셋에서 Random Forest, MLP, XGBoost를 대상으로 PSA를 평가하고, 탐지 성능 저하, 동기화 왜곡, 은닉성, 공격자 비용을 측정했습니다. PSA는 윈도우 경계 재배치가 가능할 만큼 충분한 패킷을 가진 플로우에서는 탐지 성능을 저하시키고 다른 플로우는 거의 변화시키지 않으므로 그 효과는 조건부입니다. 쿼리 기반 기준선(baseline)은 더 높은 원시 성공률에 도달하지만 윈도우당 많은 쿼리를 필요로 하는 반면, PSA는 쿼리를 전혀 필요로 하지 않습니다. 본 결과는 시간적 집계(temporal aggregation)가 기존 회피 기법보다 더 완화된 가정 하에서도 도달 가능한 공격 표면임을 입증합니다.
네트워크 침입 탐지부터 블록체인 기반 엔드포인트 탐지 및 대응까지: 탈중앙화 탐지 및 대응 아키텍처의 현황 분석
From Network Intrusion Detection to Blockchain-Backed Endpoint Detection and Response: Mapping the Landscape of Decentralized Detection-and-Response Architectures
사물인터넷(IoT) 및 산업용 사물인터넷(IIoT) 네트워크를 위한 블록체인 지원 침입 탐지 및 방지 시스템(IDS/IPS)에 관한 연구는 성숙 단계에 접어들었으나, 기존의 체계적 문헌고찰(systematic review)들은 두 가지 결정적인 한계를 지닙니다. 즉, 현대적인 엔드포인트 탐지 및 대응(EDR)과 확장 탐지 및 대응(XDR) 아키텍처로의 구조적 전환을 간과하고 있으며, 블록체인의 고유한 기능적 역할들을 단일한 하나의 범주로 혼동하고 있다는 점입니다. 본 지식 체계화(SoK) 연구는 탐지 시스템 클래스(NIDS, HIDS, EDR/XDR), 블록체인의 기능적 역할, 대응 자동화 성숙도를 기준으로 제안들을 분류하는 3축 분류 체계(taxonomy)를 제안하여 이러한 공백을 해소합니다. 2019년부터 2026년 사이에 저명 학술지에 발표된 연구를 종합하여, 지연 시간, 배포, 커뮤니티 간의 불일치로 인해 엔드포인트별 진정한 블록체인 연계 대응 루프가 거의 존재하지 않는 이유를 밝히는 엄밀한 갭 분석(gap analysis)을 제공합니다. 나아가 제한된 기기에서의 합의 지연 시간, 양자 내성 암호화 취약성, 스마트 계약 공격 표면, 그리고 진화하는 대규모 언어 모델(LLM) 기반 탐지 엔진의 적대적 취약성을 포함하여 문헌 전반에 지속되는 구조적이고 교차적인 도전 과제들을 평가합니다. 마지막으로, 탈중앙화된 신뢰와 신속한 대응 자동화 사이의 격차를 해소하기 위해 온체인/오프체인 하이브리드 오케스트레이션을 중심으로 한 포괄적인 연구 로드맵을 제시합니다.
HydroJEV: 상수도 관망의 사이버 공격 및 고장 원인 규명을 위한 1초 소요 무학습 선별 모델
HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks
상수도 관망에서 SCADA 경보가 발생했을 때, 운영자는 그것이 사이버 공격, 물리적 고장, 정상적인 과도 현상, 또는 센서 결함 중 무엇을 반영하는지 신속하게 판단해야 합니다. 지도학습 분류기는 수도 사업자가 거의 보유하지 못한 라벨링된 사고 데이터를 필요로 하며, 프론티어 대규모 언어 모델(LLM)은 결정당 수십 초가 소요됩니다. 본 연구에서는 약 1초 만에 클래스 확률을 반환하는 무학습(training-free) 모델인 Jev가 이러한 분류의 1단계 선별 역할을 수행할 수 있는지 검증했습니다. EPANET의 C-Town 네트워크를 기반으로 구축된 4개 클래스 원인 규명 벤치마크에서, 사전 등록된 4회의 블라인드 라운드 동안 동일한 증거를 바탕으로 Jev를 수작업 규칙 트리, 지도학습 분류기, 그리고 7개의 클라우드 LLM과 비교했습니다. 무라벨 사전 보정(label-free prior correction)만으로도 Jev는 4개 라운드 전체에서 규칙 트리와 동등한 성능(분포 내 매크로 F1 0.62-0.64 대 0.56-0.61)을 보였으며, 라벨에 포함되지 않은 이벤트 하위 유형에서는 지도학습 분류기를 0.36-0.42 앞섰고, 클래스당 라벨링된 이벤트가 약 4개 미만일 때마다 분류기보다 우수한 성능을 나타냈습니다. 또한 Jev는 프론티어 LLM보다 20~40배 더 빠르게 결정을 내렸습니다. 규칙 트리로 확인된 Jev의 정상 판정만을 채택함으로써 매크로 F1의 손실 없이 새로운 블라인드 세트에서 LLM 검토자의 윈도우 작업을 35~38% 줄일 수 있었습니다. 추가적인 두 개 관망에 변경 없이 전이되었을 때도, 이 게이티드 캐스케이드(gated cascade)는 4개 세트 모두에서 검토자의 비열등성 마진(non-inferiority margin) 내를 유지했습니다. 따라서 빠르고 학습이 필요 없는 선별 모델은 정밀한 검토의 정확도를 유지하면서도 SCADA 이상 분류 검토 부담의 약 3분의 1을 대신 처리할 수 있습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.