Technische Samenvatting: Generatie van Symbolische Aanvalsketens vanuit Atomic Red Team Technieken

1. Probleemstelling

Geautomatiseerde generatie van aanvalsketens is essentieel voor moderne cyberbeveiligingsverdediging en red teaming, maar handmatige constructie schaalt niet naarmate de gedragingen van aanvallers uitbreiden. Hoewel klassieke AI-planning met behulp van de Planning Domain Definition Language (PDDL) een formele methode biedt om dit proces te automatiseren, is het afhankelijk van de nauwkeurige vertaling van aanvallers-technieken naar symbolische predicaten.

Huidige state-of-the-art systemen, zoals AURORA, maken gebruik van een neencategorieën Attack Action Linking Model (AALM) om systeemtoestanden te definiëren. De noodzaak van deze specifieke granulariteit blijft echter ongetoetst. Het is onduidelijk of een gereduceerde set predicaatcategorieën vergelijkbare planvaliditeit, kosten en getrouwheid (fidelity) aan echte aanvalsketens kan bereiken, of dat de hogere granulariteit slechts een ongeverifieerde ontwerpkeuze is die de representatieve complexiteit verhoogt zonder de redeneerresultaten te verbeteren. Dit artikel onderzoekt de impact van de granulariteit van de predicaatrepresentatie op de validiteit, kosten en getrouwheid van automatisch gegenereerde aanvalsketens.

2. Methodologie

De studie maakt gebruik van een hybride pijplijn die linguïstische vertaling scheidt van deterministische redenering om de risico's op hallucinaties bij Large Language Models (LLM's) te mitigeren.

2.1 Onderzoeksontwerp

De kernmethodologie repliceert de AURORA-pijplijn, maar behandelt de predicaatgranulariteit als een experimentele variabele in plaats van een vaste aanname.

• Vertaling: Een LLM (GPT-4.1) vertaalt Atomic Red Team (ART) YAML-testdefinities en executiebewijzen naar kandidaat-PDDL-predicaten.
• Validatie: Een deterministisch, regelgebaseerd script (predicate_table.py) kruiscontroleert de LLM-outputs tegen de bron-YAML en executie-transcripten.
• Planning: De Fast Downward planner (met behulp van astar(blind())) voert alle redeneringen, actie-ordening en plan-generatie uit.
• Ablatieonderzoek: De studie vergelijkt twee schema's over een identieke corpus van 16 geformaliseerde ART-technieken:
  1. Neencategorieën AALM: Het volledige schema gebruikt door AURORA (Environments, Executors, Payloads, Files, Processes, Users, Information, Data, Techniques).
  2. Vijfcategorieën Schema: Een gereduceerd schema afgeleid van executiebewijs, waarbij categorieën als volgt worden samengevoegd:
     • Payload $\rightarrow$ Executor
     • File en Technique $\rightarrow$ Environment
     • User en Privilege $\rightarrow$ Privilege/User
     • Information en Data $\rightarrow$ Information

2.2 Datacollectie en Executie

De corpus bestaat uit 16 technieken die verschillende MITRE ATT&CK tactieken beslaan (Discovery, Persistence, Defense Evasion, Collection, Exfiltration).

• Afleiding: Eerst werd een vier-technieken "starter chain" (T1059.001, T1547.001, T1003.001, T1021.002) uitgevoerd om het initiële vijf-categorieën schema af te leiden. Cruciaal was dat het executiebewijs de inclusie van een aparte Privilege/User categorie afdwong (bijv. het onderscheid tussen het bezitten van admin-rechten en het vermogen om deze uit te oefenen over een netwerklogon).
• Omgeving: Alle tests werden uitgevoerd in een geïsoleerde Windows 11 VM met host-only netwerken en actieve Defender om realistische endpoint-beschermingscondities te garanderen zonder extern risico.
• Foutafhandeling: Technieken die niet succesvol werden uitgevoerd (bijv. door AV/EDR-blokkades of ontbrekende payloads) werden niet weggegooid. In plaats daarvan werden ze als "actieloos" gecodeerd in het domeinbestand, waardoor de planner correct "geen oplossing" kon retourneren als een geldige representatie van empirisch falen.

2.3 Evaluatiemetrieken

De studie evalueert de schema's aan de hand van:

1. Planvaliditeit/Succespercentage: Of een geldig plan wordt gegenereerd.
2. Plankosten: Het aantal acties in het gegenereerde plan.
3. Attack-Chain Fidelity: Jaccard-gelijkenis en edit distance tegenover een handmatig geconstrueerde ATT&CK grondwaarheid-keten.
4. Predicaatcategorie Resolutie ($\Delta P_i$): Een metriek die meet of het neencategorieën schema een splitsing in predicaten forceert die het vijfcategorieën schema samenvoegt.
5. Foutmodus-analyse: Het classificeren van waarom technieken weerstand bieden aan formalisering (bijv. omgevingstekortkomingen, onderspecificatie).

3. Belangrijkste Resultaten

De empirische resultaten van de 16-technieken corpus laten zien dat de granulariteit van predicaten minimale impact heeft op de levensvatbaarheid van gegenereerde plannen.

• Planvaliditeit en Kosten: De resultaten waren grotendeels ongevoelig voor granulariteit. Zowel het neencategorieën als het vijfcategorieën schema behaalden een identiek succespercentage van 81,3% (13/16 technieken). Voor de negen onafhankelijk opgeloste technieken was de gemiddelde plankost identiek (1.0). De vierstaps starter chain produceerde ook identieke plannen in beide configuraties.
• Attack-Chain Fidelity: De gegenereerde starter chain kwam exact overeen met de handmatig geconstrueerde grondwaarheid-keten (Jaccard-gelijkenis = 1.0, edit distance = 0). Het artikel merkt op dat dit de correctheid van de pijplijn bevestigt, maar geen algemene getrouwheid aan echte incidenten claimt, aangezien de corpus werd geselecteerd om hetzelfde narratief te instantiëren dat voor de referentieketen werd gebruikt.
• Predicaatcategorie Resolutie:
  • 14 van de 16 technieken vertoonden nul resolutie-winst ($\Delta P_i = 0$), wat betekent dat de extra granulariteit van het neencategorieën schema de structurele rechtvaardiging van het plan niet veranderde.
  • T1560.001 was de enige echte uitzondering, waarbij het neencategorieën schema onderscheid maakte tussen Environment en File predicaten die het vijfcategorieën schema samenvoegde.
  • T1003.001 vertoonde een resolutie-winst, maar dit werd geïdentificeerd als een artefact van een placeholder-preconditie voor een techniek die volledig faalde, en wordt uitgesloten van de claim van echte winst.
• Foutmodi: De studie slaagde erin systematische fouten te vangen. Bijvoorbeeld, T1055 (Process Injection) faalde in 11/13 sub-tests door AV/EDR-signatuurdetectie, en T1003.001 faalde door toegangweigering. Deze werden structureel gecodeerd als "geen oplossing" in plaats van ze te maskeren met placeholders.

4. Betekenis en Bijdragen

Het artikel claimt bescheiden dat binnen de scope van deze specifieke corpus en taak, een gereduceerd vijfcategorieën predicaatschema voldoende is om de planning-capaciteit te behouden en de uitkomsten van het volledige neencategorieën AALM te evenaren.

Primaire Bijdragen:

1. Empirisch Afgeleid Schema: Het werk levert een vijfcategorieën predicaatschema dat bottom-up is afgeleid van echte ART-executiebewijzen, in plaats van a priori te zijn overgenomen. Deze afleiding bracht noodzakelijke causale distincties aan het licht (bijv. remote-admin-token-unfiltered) die een willekeurig schema zou missen.
2. Granulariteits-invariantie: De studie toont aan dat hogere granulariteit voor de geteste technieken primair de interne structurele resolutie van de rechtvaardiging van een plan verbetert, in plaats van de levensvatbaarheid of kosten van de gegenereerde aanvalsketen.
3. Foutmodus-als-Bewijs: Het artikel introduceert een inkadering waarbij technieken die weerstand bieden aan formalisering (door AV/EDR of ontbrekende payloads) worden behandeld als substantiele data over de grenzen van symbolische modellering. Door deze als "actieloos" te coderen, wordt de "geen oplossing" output van de planner een verifieerbare verklaring over de corpus in plaats van een fout.
4. Validatie van de Pijplijnarchitectuur: Het werk ondersteunt een tweeledige pijplijn waarbij de LLM beperkt is tot vertaling en een deterministische planner de redenering afhandelt. Deze architectuur isoleerde de risico's op LLM-hallucinaties succesvol, met een gemeten correctieratio van de vertaling van 11,0% (89/808 predicaten), die door onafhankelijke regelgebaseerde controle werd opgevangen voordat ze de planner bereikten.

Beperkingen:
De auteur merkt expliciet op dat de bevindingen specifiek zijn voor deze 16-technieken corpus en een enkele VM-omgeving. De plankost-metriek had beperkte onderscheidende kracht omdat de meeste technieken single-action plannen waren. Bovendien wordt de exacte match in getrouwheid met de grondwaarheid gelezen als bewijs voor de pijplijn-correctheid voor het gekozen narratief, en niet als bewijs voor generaliseerbare getrouwheid aan onafhankelijke real-world incidenten.

5. Conclusie

De studie concludeert dat hoewel de neencategorieën AALM niet onjuist is, het niet strikt noodzakelijk is voor de validiteit of kosten van de generatie van aanvalsketens in de bestudeerde context. Het gereduceerde vijfcategorieën schema behield de planning-capaciteit en kwam overeen met het volledige schema op elke gemeten uitkomst, met uitzondering van één techniek (T1560.001), terwijl het de representatieve complexiteit verminderde. Het werk suggereert dat voor de geautomatiseerde generatie van aanvalsketens de focus moet liggen op de causale distincties die door executiebewijs worden onthuld, in plaats van het vasthouden aan een vaste, hoog-granulaire taxonomie.