Resumen Técnico: Generación de Cadenas de Ataque Simbólicas a partir de Técnicas de Atomic Red Team

1. Declaración del Problema

La generación automatizada de cadenas de ataque es esencial para la defensa y el red teaming modernos, pero la construcción manual no logra escalar a medida que los comportos de los adversarios se expanden. Si bien la planificación clásica mediante IA utilizando el Lenguaje de Definición de Dominios de Planificación (PDDL) ofrece un método formal para automatizar este proceso, este depende de la traducción precisa de las técnicas de los adversarios en predicados simbólicos.

Los sistemas de vanguardia actuales, como AURORA, utilizan un Modelo de Vinculación de Acciones de Ataque (AALM) de nueve categorías para definir los estados del sistema. Sin embargo, la necesidad de esta granularidad específica no ha sido validada. No está claro si un conjunto reducido de categorías de predicados podría lograr una validez, costo y fidelidad de los planes comparables a las cadenas de ataque reales, o si la mayor granularidad es simplemente una elección de diseño no verificada que aumenta la complejidad representacional sin mejorar los resultados del razonamiento. Este documento investiga el impacto de la granularidad de la representación de los predicados en la validez, el costo y la fidelidad de las cadenas de ataque generadas automáticamente.

2. Metodología

El estudio emplea un pipeline híbrido que separa la traducción lingüística del razonamiento determinista para mitigar los riesgos de alucinación asociados con los Modelos de Lenguaje Extensos (LLM).

2.1 Diseño de la Investigación

La metodología central replica el pipeline de AURORA, pero trata la granularidad de los predicados como una variable experimental en lugar de un supuesto fijo.

• Traducción: Un LLM (GPT-4.1) traduce las definiciones de prueba YAML de Atomic Red Team (ART) y la evidencia de ejecución en predicados PDDL candidatos.
• Validación: Un script determinista basado en reglas (predicate_table.py) valida de forma cruzada los resultados del LLM contra el YAML de origen y las transcripciones de ejecución.
• Planificación: El planificador Fast Downward (usando astar(blind())) realiza todo el razonamiento, el ordenamiento de acciones y la generación de planes.
• Estudio de Ablación: El estudio compara dos esquemas sobre un corpus idéntico de 16 técnicas formalizadas de ART:
  1. AALM de Nueve Categorías: El esquema completo utilizado por AURORA (Entornos, Ejecutores, Cargas Útiles, Archivos, Procesos, Usuarios, Información, Datos, Técnicas).
  2. Esquema de Cinco Categorías: Un esquema reducido derivado empíricamente de la evidencia de ejecución, colapsando las categorías de la siguiente manera:
     • Payload (Carga útil) $\rightarrow$ Executor (Ejecutor)
     • File (Archivo) y Technique (Técnica) $\rightarrow$ Environment (Entorno)
     • User (Usuario) y Privilege (Privilegio) $\rightarrow$ Privilege/User (Privilegio/Usuario)
     • Information (Información) y Data (Datos) $\rightarrow$ Information (Información)

2.2 Recolección de Datos y Ejecución

El corpus consiste en 16 técnicas que abarcan múltiples tácticas de MITRE ATT&CK (Descubrimiento, Persistencia, Evasión de Defensa, Recolección, Exfiltración).

• Derivación: Primero se ejecutó una "cadena inicial" de cuatro técnicas (T1059.001, T1547.001, T1003.001, T1021.002) para derivar el esquema inicial de cinco categorías. Crucialmente, la evidencia de ejecución forzó la inclusión de una categoría distinta de Privilege/User (por ejemplo, distinguir entre poseer privilegios de administrador y la capacidad de ejercerlos sobre un inicio de sesión de red).
• Entorno: Todas las pruebas se ejecutaron en una VM de Windows 11 aislada con redes de solo host y Defender activo para asegurar condiciones realistas de protección de endpoints sin riesgo externo.
• Manejo de Fallos: Las técnicas que fallaron al ejecutarse (por ejemplo, debido al bloqueo de AV/EDR o falta de cargas útiles) no fueron descartadas. En su lugar, se codificaron como "sin acción" (action-less) en el archivo del dominio, permitiendo que el planificador devuelva correctamente "no hay solución" como una representación válida del fallo empírico.

2.3 Métricas de Evaluación

El estudio evalúa los esquemas utilizando:

1. Validez del Plan / Tasa de Éxito: Si se genera un plan válido.
2. Costo del Plan: El número de acciones en el plan generado.
3. Fidelidad de la Cadena de Ataque: Similitud de Jaccard y distancia de edición contra una cadena de verdad de terreno construida manualmente.
4. Resolución de Categoría de Predicado ($\Delta P_i$): Una métrica que mide si el esquema de nueve categorías fuerza una división en los predicados que el esquema de cinco categorías colapsa.
5. Análisis de Modos de Fallo: Clasificación de por qué las técnicas resisten la formalización (por ejemplo, brechas ambientales, falta de especificación).

3. Resultados Clave

Los resultados empíricos del corpus de 16 técnicas demuestran que la granularidad de los predicados tiene un impacto mínimo en la viabilidad de los planes generados.

• Validez y Costo del Plan: Los resultados fueron mayormente insensibles a la granularidad. Tanto el esquema de nueve categorías como el de cinco categorías lograron una tasa de éxito idéntica del 81.3% (13/16 técnicas). Para las nueve técnicas resueltas de forma independiente, el costo medio del plan fue idéntico (1.0). La cadena inicial de cuatro pasos también produjo planes idénticos en ambas configuraciones.
• Fidelidad de la Cadena de Ataque: La cadena inicial generada coincidió exactamente con la cadena de verdad de terreno construida manualmente (similitud de Jaccard = 1.0, distancia de edición = 0). El documento señala que esto confirma la corrección del pipeline, pero no pretende reclamar una fidelidad generalizable a incidentes del mundo real, ya que el corpus fue seleccionado para instanciar la misma narrativa utilizada para construir la referencia.
• Resolución de Categoría de Predicado:
  • 14 de 16 técnicas mostraron una ganancia de resolución cero ($\Delta P_i = 0$), lo que significa que la mayor granularidad del esquema de nueve categorías no cambió la justificación estructural del plan.
  • T1560.001 fue la única excepción genuina, donde el esquema de nueve categorías distinguió entre predicados de Environment y File que el esquema de cinco categorías colapsa.
  • T1003.001 mostró una ganancia de resolución, pero esto se identificó como un artefacto de un marcador de posición (placeholder) utilizado para una técnica que falló por completo, y se excluye de la afirmación de ganancia genuina.
• Modos de Fallo: El estudio capturó con éxito fallos sistemáticos. Por ejemplo, T1055 (Inyección de Procesos) falló en 11/13 subpruebas debido a la detección de firmas de AV/EDR, y T1003.001 falló debido a la denegación de acceso. Estos se codificaron estructuralmente como "sin solución" en lugar de ocultarlos con marcadores de posición.

4. Significancia y Contribuciones

El documento reclama modestamente que, dentro del alcance de este corpus específico y esta tarea, un esquema de predicados reducido de cinco categorías es suficiente para preservar la capacidad de planificación y coincidir con los resultados del AALM completo de nueve categorías.

Contribuciones Primarias:

1. Esquema Derivado Empíricamente: El trabajo proporciona un esquema de cinco categorías derivado de abajo hacia arriba a partir de evidencia de ejecución real de ART, en lugar de ser adoptado a priori. Esta derivación sacó a la luz distinciones causales necesarias (por ejemplo, remote-admin-token-unfiltered) que un esquema arbitrario podría omitir.
2. Invarianza de la Granularidad: El estudio demuestra que, para las técnicas probadas, la mayor granularidad mejora principalmente la resolución estructural interna de la justificación de un plan, en lugar de la viabilidad o el costo de la cadena de ataque generada.
3. El Modo de Fallo como Evidencia: El documento introduce un marco donde las técnicas que resisten la formalización (debido a AV/EDR o falta de cargas útiles) se tratan como datos sustantivos sobre los límites del modelado simbólico. Al codificar estas como "sin acción", la salida de "no hay solución" del planificador se convierte en una declaración verificable sobre el corpus en lugar de un error.
4. Validación de la Arquitectura del Pipeline: El trabajo respalda un pipeline bifurcado donde el LLM se limita a la traducción y un planificador determinista maneja el razonamiento. Esta arquitectura aisló con éxito los riesgos de alucinación del LLM, con una tasa de corrección de traducción medida de 11.0% (89/808 predicados), la cual fue detectada por un control cruzado independiente basado en reglas antes de llegar al planificador.

Limitaciones:
El autor señala explícitamente que los hallazgos son específicos para este corpus de 16 técnicas y un entorno de una sola VM. La métrica de costo del plan tuvo un poder discriminatorio limitado, ya que la mayoría de las técnicas eran planes de una sola acción. Además, la coincidencia exacta de fidelidad con la verdad de terreno se lee como evidencia de la corrección del pipeline para la narrativa seleccionada, no como una prueba de fidelidad generalizable a incidentes independientes del mundo real.

5. Conclusión

El estudio concluye que, si bien el AALM de nueve categorías no es incorrecto, no es estrictamente necesario para la validez o el costo de la generación de cadenas de ataque en el contexto estudiado. El esquema reducido de cinco categorías preservó la capacidad de planificación y coincidió con el esquema completo en cada resultado medido, excepto por una técnica (T1560.001), reduciendo al mismo tiempo la complejidad representacional. El trabajo sugiere que, para la generación automatizada de cadenas de ataque, el enfoque debe estar en las distinciones causales reveladas por la evidencia de ejecución en lugar de adherirse a una taxonomía de alta granularidad fija.