🤖 AI

Symbolic Attack Chain Generation from Atomic Red Team Techniques: An Empirical Study of Predicate Representation Granularity

Cette étude empirique démontre que la réduction de la granularité de la représentation des prédicats dans la génération automatisée de chaînes d'attaque, passant de neuf à cinq catégories, n'impacte pas de manière significative la validité ou le coût du plan, suggérant qu'une granularité plus élevée affine principalement la justification structurelle plutôt que la viabilité des chaînes d'attaque générées.

Auteurs originaux : Ramya Varunsegar

Publié 2026-08-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ramya Varunsegar

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un robot comment forcer l'entrée d'une forteresse numérique. Vous ne pouvez pas simplement dire au robot : « Va voler le trésor. » Vous devez lui donner une recette étape par étape : « D'abord, trouve la porte dérobée. Deuxièmement, croche la serrure. Troisièmement, entre à l'intérieur. » Dans le monde de la cybersécurité, ces recettes sont appelées chaînes d'attaque (attack chains). Ce sont les plans que les hackers utilisent pour passer d'un minuscule point d'entrée à un vol massif de données. Les défenseurs étudient ces plans pour construire de meilleures alarmes et des pièges.

Pour créer ces plans, les scientifiques utilisent un type spécial de logique informatique appelée planification par IA (AI planning). Considérez cela comme un GPS super intelligent pour les hackers. Au lieu de deviner, le GPS examine tous les mouvements possibles et trouve le chemin le plus efficace pour atteindre l'objectif. Mais pour que le GPS fonctionne, vous devez décrire le monde avec une précision extrême. Vous devez décider exactement quels « faits » sont importants. Est-il important que le hacker possède un outil spécifique ? Est-il important qu'il soit connecté en tant qu'administrateur ? Ou est-il suffisant de dire simplement « il est à l'intérieur » ? C'est la grande question : Quel niveau de détail devez-vous donner au robot avant qu'il ne s'embrouille ou ne commette une erreur ? Si vous lui en donnez trop peu, il pourrait planifier un casse impossible. Si vous lui en donnez trop, vous risquez de perdre du temps à décrire des choses qui ne changent pas réellement le résultat.

C'est précisément ce que l'article de Ramya Varunsegar étudie. L'auteur voulait savoir si la méthode actuelle, considérée comme la « référence » pour décrire ces mouvements de hackers, était réellement nécessaire, ou si elle était simplement trop compliquée.

La grande expérience : Simplifier la recette

Pendant longtemps, le meilleur système pour enseigner aux robots comment pirater (appelé AURORA) utilisait une liste de contrôle très détaillée avec neuf catégories différentes pour décrire chaque mouvement effectué par un hacker. C'était comme avoir un livre de recettes qui ne se contenterait pas de dire « ajoutez du sel », mais plutôt « ajoutez du sel de mer du Pacifique », « ajoutez du sel de mer de l'Atlantique » et « ajoutez du sel de mer de l'Himalaya », même si le goût est le même. Les chercheurs se sont demandé : Avons-nous vraiment besoin de ces neuf catégories, ou pouvons-nous nous contenter de moins ?

Pour le découvrir, ils ont construit une machine de test. Ils ont pris une collection de 16 techniques de piratage réelles (issues d'une bibliothèque appelée Atomic Red Team) et ont essayé de les traduire en deux langages différents pour le robot :

Le langage original, complexe, à neuf catégories.
Un nouveau langage simplifié à cinq catégories qu'ils ont créé en observant comment ces piratages fonctionnaient réellement dans la vie réelle.

Ils ont ensuite demandé à un moteur de planification super intelligent (appelé Fast Downward) d'essayer de résoudre l'énigme en utilisant ces deux langages. Le but était de voir si la version simplifiée ferait échouer le robot, coûterait plus de temps ou produirait un pire plan.

Les résultats surprenants

Les résultats étaient un peu comme découvrir qu'une caméra 8K haute définition n'est pas toujours nécessaire pour voir un chat sur un canapé.

Taux de réussite : Le robot a été tout aussi efficace avec la liste simple de cinq catégories qu'avec la liste complexe de neuf catégories. Les deux versions ont réussi à créer un plan d'attaque valide pour 13 des 16 techniques. Cela représente un taux de réussite de 81,3 % pour les deux. Le détail supplémentaire n'a pas aidé le robot à réussir plus souvent.
Coût et vitesse : Le « coût » des plans (le nombre d'étapes que le robot devait effectuer) était exactement le même. La version simplifiée n'a pas forcé le robot à prendre un chemin plus long ou détourné.
Le contrôle de la « fidélité » : Lorsqu'ils ont comparé les plans du robot à une « vérité terrain » faite par un humain (le chemin parfait attendu), le robot a obtenu un score parfait de 1,0 (une correspondance parfaite) dans les deux cas.

Le seul bémol : Quand le détail compte

Cependant, l'article ne dit pas : « jetez tous les détails ». Les chercheurs ont découvert que le détail supplémentaire dans le système à neuf catégories aidait principalement l' explication interne du pourquoi un plan fonctionnait, plutôt que de rendre le plan lui-même plus efficace.

Il y avait un cas spécifique où le détail supplémentaire était crucial. Dans une technique, un hacker devait être « Administrateur » pour faire quelque chose. Mais le robot a découvert que le simple fait d'être Administrateur ne suffisait pas ; le hacker devait également pouvoir utiliser ce pouvoir sur une connexion réseau. Le système simplifié à cinq catégories avait initialement manqué cette petite mais vitale différence. Les chercheurs ont dû ajouter une règle d'« Environnement » spécifique pour corriger cela. Cela a montré que, bien que l'on puisse généralement simplifier, il faut faire attention à ne pas fusionner deux choses différentes simplement parce qu'elles se ressemblent.

Ce que cela signifie pour l'avenir

La principale conclusion est que, pour l'ensemble spécifique de 16 techniques de piratage testées, le système complexe à neuf catégories est un excès (overkill). Le système plus simple à cinq catégories fonctionne tout aussi bien pour générer des chaînes d'attaque valides.

L'article suggère que les experts en cybersécurité n'ont peut-être pas besoin de construire des modèles aussi incroyablement complexes pour chaque situation. Ils peuvent utiliser un modèle plus léger et plus simple, plus facile à gérer et à comprendre, sans perdre la capacité de prédire comment les hackers pourraient frapper. Cependant, l'auteur précise avec prudence que cela est basé sur un ensemble spécifique de tests. Ils ont constaté que, bien que le résultat soit le même, le raisonnement interne du robot était légèrement différent. Les catégories supplémentaires du vieux système permettaient d'expliquer le « pourquoi » avec plus de détails, mais elles ne changeaient pas le « quoi ».

En résumé, les chercheurs ont découvert qu'il n'est pas toujours nécessaire d'utiliser un microscope pour voir l'image globale. Parfois, une bonne paire de lunettes suffit pour repérer l'intrus, à condition de savoir exactement où regarder.

Résumé Technique : Génération de chaînes d'attaque symboliques à partir des techniques Atomic Red Team

1. Énoncé du problème

La génération automatisée de chaînes d'attaque est essentielle pour la défense et le red teaming modernes, mais la construction manuelle ne parvient pas à passer à l'échelle face à l'expansion des comportements adverses. Bien que la planification par IA classique utilisant le langage PDDL (Planning Domain Definition Language) offre une méthode formelle pour automatiser ce processus, elle repose sur la traduction précise des techniques adverses en prédicats symboliques.

Les systèmes de pointe actuels, tels qu'AURORA, utilisent un modèle de liaison d'actions d'attaque (AALM) à neuf catégories pour définir les états du système. Cependant, la nécessité de cette granularité spécifique reste non validée. Il n'est pas clair si un ensemble réduit de catégories de prédicats pourrait atteindre une validité, un coût et une fidélité comparables aux chaînes d'attaque réelles, ou si la granularité plus élevée n'est qu'un choix de conception non vérifié qui augmente la complexité de la représentation sans améliorer les résultats du raisonnement. Ce document étudie l'impact de la granularité de la représentation des prédicats sur la validité, le coût et la fidélité des chaînes d'attaque générées automatiquement.

2. Méthodologie

L'étude emploie un pipeline hybride qui sépare la traduction linguistique du raisonnement déterministe afin d'atténuer les risques d'hallucination associés aux modèles de langage étendus (LLM).

2.1 Conception de la recherche

La méthodologie centrale reproduit le pipeline d'AURORA mais traite la granularité des prédicats comme une variable expérimentale plutôt que comme une hypothèse fixe.

Traduction : Un LLM (GPT-4.1) traduit les définitions de tests YAML d'Atomic Red Team (ART) et les preuves d'exécution en prédicats PDDL candidats.
Validation : Un script déterministe basé sur des règles (predicate_table.py) procède à une validation croisée des sorties du LLM par rapport au YAML source et aux transcriptions d'exécution.
Planification : Le planificateur Fast Downward (utilisant astar(blind())) effectue tout le raisonnement, l'ordonnancement des actions et la génération de plans.
Étude d'ablation : L'étude compare deux schémas sur un corpus identique de 16 techniques ART formalisées :
1. AALM à neuf catégories : Le schéma complet utilisé par AURORA (Environnements, Exécuteurs, Payloads, Fichiers, Processus, Utilisateurs, Informations, Données, Techniques).
2. Schéma à cinq catégories : Un schéma réduit dérivé empiriquement des preuves d'exécution, fusionnant les catégories comme suit :
  - Payload $\rightarrow$ Executor
  - File et Technique $\rightarrow$ Environment
  - User et Privilege $\rightarrow$ Privilege/User
  - Information et Data $\rightarrow$ Information

2.2 Collecte de données et exécution

Le corpus se compose de 16 techniques couvrant plusieurs tactiques MITRE ATT&CK (Discovery, Persistence, Defense Evasion, Collection, Exfiltration).

Dérivation : Une "chaîne de départ" de quatre techniques (T1059.001, T1547.001, T1003.001, T1021.002) a été exécutée en premier pour dériver le schéma initial à cinq catégories. Crucialement, les preuves d'exécution ont imposé l'inclusion d'une catégorie distincte Privilege/User (par exemple, distinguer le fait de détenir des privilèges administrateur de la capacité à les exercer sur une connexion réseau).
Environnement : Tous les tests ont été exécutés dans une VM Windows 11 isolée avec un réseau host-only et un Defender actif pour garantir des conditions de protection de point de terminaison réalistes sans risque externe.
Gestion des échecs : Les techniques ayant échoué à l'exécution (par exemple, en raison d'un blocage par AV/EDR ou de payloads manquants) n'ont pas été écartées. Au lieu de cela, elles ont été encodées comme "sans action" (action-less) dans le fichier de domaine, permettant au planificateur de retourner correctement "aucune solution" comme une représentation valide de l'échec empirique.

2.3 Métriques d'évaluation

L'étude évalue les schémas à l'aide de :

Validité du plan / Taux de succès : Si un plan valide est généré.
Coût du plan : Le nombre d'actions dans le plan généré.
Fidélité de la chaîne d'attaque : Similitude de Jaccard et distance d'édition par rapport à une chaîne de vérité terrain construite manuellement.
Résolution de la catégorie de prédicat ( $\Delta P_i$ ) : Une métrique mesurant si le schéma à neuf catégories force une division des prédicats que le schéma à cinq catégories fusionne.
Analyse des modes d'échec : Classification des raisons pour lesquelles les techniques résistent à la formalisation (ex: lacunes environnementales, sous-spécification).

3. Résultats clés

Les résultats empiriques du corpus de 16 techniques démontrent que la granularité des prédicats a un impact minimal sur la viabilité des plans générés.

Validité et coût des plans : Les résultats étaient largement insensibles à la granularité. Le schéma à neuf catégories et le schéma à cinq catégories ont tous deux atteint un taux de succès identique de 81,3 % (13/16 techniques). Pour les neuf techniques résolues indépendamment, le coût moyen du plan était identique (1,0). La chaîne de départ en quatre étapes a également produit des plans identiques dans les deux configurations.
Fidélité de la chaîne d'attaque : La chaîne de départ générée correspondait exactement à la chaîne de vérité terrain construite manuellement (similitude de Jaccard = 1,0, distance d'édition = 0). Le document note que cela confirme la correction du pipeline mais ne prétend pas à une fidélité généralisable aux incidents réels, car le corpus a été sélectionné pour instancier le même récit utilisé pour construire la chaîne de référence.
Résolution de la catégorie de prédicat :
- 14 des 16 techniques ont montré un gain de résolution nul ( $\Delta P_i = 0$ ), signifiant que la granularité supplémentaire du schéma à neuf catégories n'a pas changé la justification structurelle du plan.
- T1560.001 était la seule véritable exception, où le schéma à neuf catégories distinguait entre les prédicats Environment et File que le schéma à cinq catégories fusionne.
- T1003.001 a montré un gain de résolution, mais cela a été identifié comme un artefact d'un prédicat de précondition utilisé pour une technique qui a totalement échoué, et est exclu de la revendication de gain réel.
Modes d'échec : L'étude a réussi à capturer les échecs systématiques. Par exemple, T1055 (Process Injection) a échoué dans 11/13 sous-tests en raison de la détection de signature par AV/EDR, et T1003.001 a échoué en raison d'un refus d'accès. Ceux-ci ont été encodés structurellement comme "sans solution" plutôt que d'être masqués par des placeholders.

4. Signification et contributions

Le document revendique modestement que, dans le cadre de ce corpus spécifique et de cette tâche, un schéma de prédicats réduit à cinq catégories est suffisant pour préserver la capacité de planification et correspondre aux résultats du AALM complet à neuf catégories.

Principales contributions :

Schéma dérivé empiriquement : Ce travail fournit un schéma de prédicats à cinq catégories dérivé par le bas (bottom-up) à partir de réelles preuves d'exécution ART, plutôt que d'être adopté a priori. Cette dérivation a fait émerger des distinctions causales nécessaires (ex: remote-admin-token-unfiltered) qu'un schéma arbitraire pourrait manquer.
Invariance de la granularité : L'étude démontre que, pour les techniques testées, une granularité plus élevée améliore principalement la résolution structurelle interne de la justification d'un plan plutôt que la viabilité ou le coût de la chaîne d'attaque générée.
Le mode d'échec comme preuve : Le document introduit un cadrage où les techniques qui résistent à la formalisation (en raison d'AV/EDR ou de payloads manquants) sont traitées comme des données substantielles sur les limites de la modélisation symbolique. En codant ces cas comme "sans action", la sortie "aucune solution" du planificateur devient une déclaration vérifiable sur le corpus plutôt qu'une erreur.
Validation de l'architecture du pipeline : Le travail soutient un pipeline bifurqué où le LLM est confiné à la traduction et un planificateur déterministe gère le raisonnement. Cette architecture a réussi à isoler les risques d'hallucination du LLM, avec un taux de correction de traduction mesuré de 11,0 % (89/808 prédicats), qui a été intercepté par une vérification croisée indépendante basée sur des règles avant d'atteindre le planificateur.

Limites :
L'auteur note explicitement que les conclusions sont spécifiques à ce corpus de 16 techniques et à un environnement de VM unique. La métrique de coût de plan avait un pouvoir discriminant limité car la plupart des techniques sont des plans à action unique. De plus, la correspondance exacte avec la vérité terrain est lue comme une preuve de la correction du pipeline pour le récit sélectionné, et non comme une preuve de fidélité généralisable à des incidents réels indépendants.

5. Conclusion

L'étude conclut que bien que le AALM à neuf catégories ne soit pas incorrect, il n'est pas strictement nécessaire pour la validité ou le coût de la génération de chaînes d'attaque dans le contexte étudié. Le schéma réduit à cinq catégories a préservé la capacité de planification et a égalé le schéma complet sur chaque résultat mesuré, exception faite d'une technique (T1560.001), tout en réduisant la complexité de la représentation. Le travail suggère que pour la génération automatisée de chaînes d'attaque, l'accent devrait être mis sur les distinctions causales révélées par les preuves d'exécution plutôt que sur l'adhésion à une taxonomie à haute granularité fixe.