Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
소프트웨어 취약점(CVE)과 MITRE ATT&CK의 공격 행위(TTP)를 연결하는 지식 그래프 구축 연구를 소개합니다. Transformer 기반 모델인 CySecBERT를 활용하여 취약점과 공격 전술/기술 간의 관계를 효과적으로 추출합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기진화하는 위협 환경에서 공격자들은 정교한 공격을 수행하기 위해 소프트웨어 취약점 (Software Vulnerabilities)을 악용하며, 이는 전통적인 방어 체계에 도전 과제를 던지고 있습니다. CVE 및 NVD와 같은 데이터베이스가 상세한 기술 정보를 제공하기는 하지만, 전술 (Tactics) 및 기술 (Techniques)과 같은 공격자의 행위와의 연결 고리가 부족한 경우가 많아 효과적인 위협 해석 및 대응을 제한합니다. 본 연구는 취약점과 MITRE ATT&CK 프레임워크의 행위 패턴을 연결함으로써 이러한 격차를 해소합니다. 우리는 분류 (Classification) 및 관계 추출 (Relation Extraction)을 사용하여 CVE를 전술 및 기술과 연결하는 CVE-TTP 지식 그래프 (Knowledge Graph)를 구축합니다. 행위 식별을 위해 Transformer 기반 모델들이 개발되었으며, CySecBERT는 매크로 F1-score (macro F1-scores) 기준 기술 (Techniques)에서 87.71%, 전술 (Tactics)에서 96.16%를 달성했습니다. 또한, 엔티티 (Entity) 및 관계 추출을 위해 24,820개의 엔티티와 43,608개의 관계를 포함하는 주석이 달린 데이터셋 (Annotated Dataset)을 생성했습니다. 파이프라인 기반 (Pipeline-based) 접근 방식은 매크로 F1-score 기준 엔티티 추출에서 0.86, 관계 추출에서 0.99를 달성한 반면, 스팬 기반 공동 모델 (Span-based joint model)은 0.78을 달성했습니다. 이러한 결과물들은 Neo4j 기반의 사이버 위협 지식 그래프 (Cyber Threat Knowledge Graph)로 통합되어 취약점의 구조화된 시각화를 가능하게 합니다.