The University of New Brunswick

Objet publié

Détecter et reconnaître les activités malveillantes sur un réseau de machines hôtes peut s’avérer extrêmement difficile dans certains cas. C’est notamment celui des menaces persistantes avancées (MPA) où le pirate se déplace latéralement d’un hôte à l’autre. On peut recourir à l’analyse des schémas séquentiels pour déceler les activités qui pourraient nuire au réseau. La difficulté, lorsque l’on veut repérer les activités de cette nature sur une multitude d’hôtes, consiste à identifier celles qui ne suscitent aucun intérêt particulier en soi, mais qui, en présence ou en l’absence d’autres activités, sur une autre machine, pourraient s’inscrire dans une séquence d’événements nettement plus inquiétante. Le projet vise à créer des méthodes pour explorer en profondeur les séquences d’événements conditionnellement à leur fréquence, en vue d’établir la dangerosité de certains schémas quand on les découvre sur différents hôtes. La complexité des attaques MPA et la difficulté générale que pose leur identification, surtout quand les attaques se produisent latéralement, rendent le défi particulièrement ardu, car il n’existe pratiquement aucun jeu de données public sur ce type d’activités se rapprochant de la réalité. Par conséquent, de nombreuses études valident les méthodes proposées en se fondant sur les données réelles relatives aux opérations auxquelles on a injecté artificiellement des traces de cyberattaques. Le problème est que les infiltrations artificielles de ce genre ont tendance à être irréalistes. Elles se reconnaissent donc aisément parmi les données réelles. En l’absence de véritables données sur les menaces persistantes avancées qui pourraient être utilisées pour entraîner avec succès des modèles d’apprentissage automatique efficaces pour la détection des mouvements latéraux, des recherches supplémentaires seront menées pour générer des ensembles de données synthétiques réalistes pour les attaques par menaces persistantes avancées, en mettant l’accent sur l’avancement de l’état actuel de la technique en matière de données synthétiques pour les mouvements latéraux malveillants.