申请/专利权人：四川大学

申请日：2023-11-30

公开（公告）日：2024-06-28

公开（公告）号：CN117520563B

主分类号：G06F16/36

分类号：G06F16/36;G06F16/215;G06F16/35;G06F40/295;G06F21/56;G06N3/045;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种基于威胁情报的APT组织技战术同源性分析方法，包括：采集CTI报告文本和MITREATTCK知识库中的ProcedureExamples描述语句，进行数据清洗；基于ProcedureExamples描述语句训练多标签分类模型，利用多标签分类模型对CTI报告文本进行分类得到TTPs标签；对CTI报告文本进行实体识别和关系抽取，结合TTPs标签生成CTI报告实体关系图；分析CTI报告中涉及的恶意样本，提取出恶意样本的特征，基于特征生成恶意样本实体关系图，将恶意样本实体关系图与CTI报告实体关系图合并得到完整实体关系图；对完整实体关系图进行向量化，根据向量相似性预测匿名向量所属的APT组织。本发明提供了一种有效的APT组织技战术同源性分析方法。

主权项：1.一种基于威胁情报的APT组织技战术同源性分析方法，其特征在于，包括：S100.采集CTI报告文本和MITREATTCK知识库中的ProcedureExamples描述语句，并进行数据清洗；S200.基于所述ProcedureExamples描述语句训练多标签分类模型，并利用所述多标签分类模型对CTI报告文本进行分类得到TTPs标签；S300.对所述CTI报告文本进行实体识别和关系抽取，并结合TTPs标签生成CTI报告实体关系图；S310.为所述CTI报告文本生成每个单词对应的BIO标签；S311.利用BERT模型将所述CTI报告文本中每个句子的每个单词向量化；S312.利用BiLSTM模型为每个单词向量添加上下文特征；S313.利用CRF模型预测每个单词对应的BIO标签；S320.根据所述的BIO标签提取出攻击行为相关的实体对和关键动词；S321.利用spaCy依存句法解析器为句子构造依存句法树；S322.将句子中的“Attacker”或“Malware”作为攻击实体；S323.对于每个攻击实体，计算它与句子中其他实体之间的最短依存距离，并由短到长排列，如果一个实体满足以下条件之一，则这个实体可与攻击实体建立关系，否则继续验证下一个实体，条件如下：a.攻击实体和候选实体分别是句子的宾语和主语；b.攻击实体和候选实体分别是补语的动词宾语和句子的动词宾语；c.在定语从句中，攻击实体和候选实体分别是关系从句的先行词和主语或宾语；S324.从实体对之间的最短依存路径上选择一个可以表示它们关系的关键动词；S330.基于所述的实体对和关键动词构成实体-关系-实体三元组；S340.为所述的实体-关系-实体三元组加上对应的TTPs标签；S350.将所述的实体-关系-实体三元组连接成CTI报告实体关系图；S400.分析CTI报告中涉及的恶意样本，提取出恶意样本的特征，并基于所述特征生成恶意样本实体关系图，再将所述恶意样本实体关系图与CTI报告实体关系图合并得到完整实体关系图；S410.利用Yara规则提取恶意样本的静态特征；S420.利用CuckooSandbox提取恶意样本的动态特征；S430.利用VirusTotal平台提供的在线API对恶意样本进行综合分析得到样本行为与TTPs的对应关系；S440.将恶意样本特征与恶意样本实体相连，生成恶意样本实体关系图；S450.将恶意样本实体关系图与CTI报告实体关系图合并，得到完整实体关系图；S500.对所述完整实体关系图进行向量化，根据向量相似性预测匿名向量所属的APT组织。

全文数据：

权利要求：

百度查询： 四川大学 一种基于威胁情报的APT组织技战术同源性分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD