《Information Fusion》：Enhancing Strategic Decision-Making via Semantic Inference: An Adaptive Framework for Threat Actor Profiling
编辑推荐：
为应对网络攻击日益频繁和复杂化的挑战，本研究提出了一种创新的自适应框架，利用网络欺骗（Cyber Deception, CYDEC）技术主动诱导攻击者行为并收集对抗信号。该框架通过对信号进行连续分析，推断威胁行为体（Threat Actor）的画像特征，实现了对攻击者行为的预测和对先发制人决策的支持。研究构建了一个集成了风险级别、态度、自动化水平等语义属性的网络威胁情报（Cyber Threat Intelligence, CTI）本体，并通过分层专家系统从网络流量中推断出24个高层次语义属性。实验验证了所提方法不仅能有效欺骗攻击者，还能随其进化，在真实操作环境中提供战术与战略层面的威胁情报。该成果发表在《Information Fusion》期刊上，为构建具备“抗脆弱性”（Antifragility）的动态防御体系提供了新思路。
在当前数字化浪潮下，网络空间已演变为一个充满持续对抗的竞技场。攻击不仅频率激增，其“质量”也日益精进——从利用零日漏洞、滥用合法凭证，到构建隐蔽的恶意基础设施，高级持续性威胁（Advanced Persistent Threat, APT）等高度组织化的攻击行为层出不穷。组织面临的已不再是孤立的入侵事件，而是更具持久性、自动化且隐蔽的威胁，这些威胁能在数周甚至数月内不被察觉地破坏关键服务或供应链。传统的防御手段，如加固边界、部署已知威胁签名，往往在攻击者快速迭代的战术面前显得力不从心。面对“绝对防护不切实际”的现实，一个根本性的问题摆在面前：我们能否构建一种不仅能在压力下存活，更能从压力中学习和成长的防御系统？这正是“抗脆弱性”（Antifragility）理念在网络安全领域的核心呼唤。它要求防御体系将每一次被检测到的攻击，甚至是失败的尝试，都转化为可操作的情报，从而持续优化检测、响应和风险管理流程。然而，现有的许多基于欺骗（Deception）的解决方案多聚焦于检测或遏制，缺乏深入的学习和画像生成能力，未能将对抗互动转化为系统的持续增强。这导致了当前威胁情报的碎片化，难以形成对攻击者动机、技能和行为的连贯、高层次认知，限制了战略决策的效能。
为填补这一空白，来自西班牙穆尔西亚大学信息与通信工程系的Pedro Beltrán López、Manuel Gil Pérez和Pantaleone Nespoli在《Information Fusion》期刊上发表了一项开创性研究。他们提出了一个名为“通过语义推理增强战略决策：威胁行为体画像的自适应框架”的创新方案。该研究的核心是设计一个由网络欺骗驱动的自适应循环系统，其目标不仅是诱捕攻击者，更是通过每一次恶意交互来“了解”对手，并迭代地强化自身防御。研究人员构想，当攻击者被诱入精心布置的欺骗环境（如诱饵系统）时，其每一步操作——探测端口、发动漏洞利用、尝试建立持久化——都会留下高保真的行为痕迹。这些原始的、低级别的网络痕迹，如同犯罪现场的指纹，蕴含着关于攻击者“是谁”以及“想做什么”的丰富信息。
为了从海量数据中提炼出战略价值，研究团队设计并实现了一套完整的技术流水线。其关键技术方法包括：首先，利用CICFlowMeter工具从多个公开网络攻击数据集中提取并处理原始网络流量，生成包含90个定量和定性特征的低级别特征向量。其次，设计了一个基于规则的、分层的专家系统，该专家系统能够将低级别特征聚合，并依据一套逻辑规则顺序推理出24个高层次语义属性，如攻击者的风险等级（RiskLevel）、态度（Attitude）、自动化水平（AutomationLevel）、画像（Profile）、动机（Motivation）、技能（Skills）和知识（Knowledge）等。再次，构建了一个扩展自结构化威胁信息表达（Structured Threat Information Expression, STIX）标准的本体模型，用于对威胁行为体及其相关实体（如TTPs、工具、目标）进行语义丰富的建模。最后，将所有数据存储于Neo4j图数据库，形成可查询的知识图谱（Knowledge Graph, KG），并训练了多种机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）模型（如随机森林Random Forest、梯度提升Gradient Boosting、多层感知机MLP等）来验证并加速高层次特征的预测。此外，还引入了基于SHAP（SHapley Additive exPlanations）值的可解释人工智能（eXplainable AI, xAI）层，以阐明低级别流量模式对每个高层次属性的贡献，从而增加画像过程的可解释性和分析人员的信任度。
研究结果部分揭示了该框架在各个层面的有效性和洞察：
- •
系统架构与本体设计：研究提出了一个以网络欺骗为核心的闭环自适应框架。该框架集成了诱骗系统、威胁画像流水线和企业网络反馈环。同时，研究扩展了STIX标准，提出了一个包含自动化水平、规避技巧、风险等级、态度、画像、动机、技能、知识等新颖语义属性的威胁行为体本体，为全面、结构化地描述攻击者提供了基础模型。
- •
低级别特征提取与实体构建：通过对来自多个异构场景（如IoT、5G、工业控制系统）的公开数据集进行处理，研究成功地从原始网络流量中提取了90个低级别特征。通过定义威胁依赖的滑动时间窗和分组配置，将相关的双向网络流聚合为代表单个攻击实例的“实体”，为后续分析提供了结构化的输入单元。
- •
专家系统与高层次特征推理：实现的分层专家系统能够基于规则，从聚合后的低级别特征中顺序推断出24个高层次语义属性。相关性分析（Pearson Correlation Coefficient）热图显示，这些高层次特征之间几乎没有强线性相关性，表明每个特征都贡献了独立的语义信息。UMAP降维可视化进一步证实，低级别特征数据中存在的潜在结构与非线性的高层次特征标签（如不同画像、动机）具有良好的一致性，说明专家系统的推断具有数据基础。
- •
知识图谱构建与分析：将超过26,000个威胁行为体实体及其属性、关系导入Neo4j，构建了一个包含近56,000个节点和239,000条关系的知识图谱。该图谱集成了威胁行为体、身份、工具、战术技术与过程（Tactics, Techniques and Procedures, TTPs）等节点。对图谱进行社区发现（如Leiden算法）和可视化分析，可以清晰识别出具有不同行为特征的威胁集群，并能揭示不同画像的攻击者（如国家支持型、犯罪集团）之间共享基础设施或TTPs的“战术收敛”现象，为关联分析和威胁狩猎提供了强大工具。
- •
机器学习模型预测效能：为了验证利用AI模型直接从网络流量预测攻击者特征（无需等待攻击结束或依赖完整的上下文标签）的可行性，研究训练了多种ML/DL模型。结果显示，梯度提升（Gradient Boosting）和随机森林（Random Forest）模型在预测大多数高层次特征时表现优异。例如，在预测“画像”（Profile）时，GBC的F1-macro分数达到0.909；预测“自动化水平”（AutomationLevel）和“技能”（Skills）时接近完美（F1-macro > 0.997）。这表明，仅凭实时的网络流特征，就有可能快速、准确地推断出攻击者的战略属性，为实时响应决策赢得了宝贵时间。
- •
可解释性分析：通过SHAP值分析，研究量化了各个低级别网络特征（如流持续时间、数据包大小统计、TCP标志比例等）对于预测每个高层次语义属性的贡献。这不仅验证了专家系统规则设计的合理性，例如某些流量模式确实与高技能或高自动化攻击相关，更重要的是为ML模型的预测提供了透明的、可审计的解释，增强了安全分析师对自动化画像结果的信任。
结论与讨论部分深刻总结了本项研究的核心贡献与深远意义。该工作成功地构建并验证了一个完整的、自适应的威胁行为体画像框架。它创新性地将主动网络欺骗、语义知识表示和机器学习预测相结合，实现了从被动响应到主动、智能画像的范式转变。与现有技术相比，该框架的突出优势在于其“抗脆弱”特性——系统不仅抵御攻击，更能从每次对抗中学习并增强自身。所提出的扩展STIX本体和构建的知识图谱，为解决威胁情报碎片化、实现跨系统语义互操作提供了可行方案。实验结果表明，该系统不仅能有效诱导和延迟攻击者，更能以高精度（F1-macro > 0.85）实时推断出攻击者的关键战略特征。集成ML模型显著提升了推理速度，而xAI层则确保了决策过程的透明可信。总之，这项研究为网络安全领域贡献了一个集检测、分析、学习、决策于一体的闭环解决方案原型。它表明，未来的防御体系应当是动态的、进化的，能够将每一次威胁事件转化为强化自身、预测未来风险的“养分”，从而在面对日益专业化和复杂的网络对手时，占据更为有利的战略位置。
