[論文レビュー] Exact Inference Techniques for the Analysis of Bayesian Attack Graphs

Luis Muñoz-González, Daniele Sgandurra+2 more|arXiv (Cornell University)|Oct 8, 2015

Software Reliability and Analysis Research被引用数 1

ひとこと要約

本稿では、ベイジアンアタックグラフ（BAG）における効率的な正確な推論手法——特にジョイントツリー（JT）およびベリーフプロパゲーション（BP）アルゴリズム——を提案し、ネットワークにおけるスケーラブルな静的および動的リスク評価を可能にする。JTは時間的・メモリ的使用量において変数消去法（VE）を著しく上回ることを示しており、数百ノードを有する大規模な企業ネットワークにおけるBAG解析の実現可能性を裏付けている。

ABSTRACT

Attack graphs are a powerful tool for security risk assessment by analysing network vulnerabilities and the paths attackers can use to compromise network resources. The uncertainty about the attacker's behaviour makes Bayesian networks suitable to model attack graphs to perform static and dynamic analysis. Previous approaches have focused on the formalization of attack graphs into a Bayesian model rather than proposing mechanisms for their analysis. In this paper we propose to use efficient algorithms to make exact inference in Bayesian attack graphs, enabling the static and dynamic network risk assessments. To support the validity of our approach we have performed an extensive experimental evaluation on synthetic Bayesian attack graphs with different topologies, showing the computational advantages in terms of time and memory use of the proposed techniques when compared to existing approaches.

研究の動機と目的

• 既存のベイジアンアタックグラフ（BAG）モデルにおける効率的な推論アルゴリズムの欠如が、実世界のネットワーク規模へのスケーラビリティを制限しているという問題に対処すること。
• 証拠に基づくノードの侵害確率の正確な周辺確率を計算することで、静的および動的リスク評価を可能にすること。
• 攻撃者能力に関する事前分布の悪影響といった、先行モデルの制限を克服すること。
• 合成アタックグラフ上で、時間的およびメモリ的使用量の観点から推論手法の計算性能を評価すること。
• 大規模なBAGに正確な推論を適用する可能性を実証すること、特に企業ネットワークを代表するものとして。

提案手法

• 攻撃者能力に関する事前分布を導入しない、見直されたベイジアンアタックグラフ（BAG）モデルを提案し、モデルの解釈可能性およびスケーラビリティを向上させること。
• 一般のアタックグラフにおける正確な推論にジョイントツリー（JT）アルゴリズムを採用し、グラフクラスタリングを活用して計算複雑度を低減すること。
• 木構造の部分グラフ（例：アタックツリー）における正確な推論にベリーフプロパゲーション（BP）を適用すること。
• 侵入検知システム（IDS）からの不確実性を組み込むための条件付き確率表を導入し、誤検知・見逃しをモデル化するための誤差確率（pe）を用いること。
• ゼロデイ脆弱性およびインサイダー脅威を扱えるように、調整可能な利用確率を持つ独立した親ノードを追加することで、モデルを拡張すること。
• トポロジーを変化させた合成アタックグラフを用いて推論性能を評価し、制御された条件下でJTとVEアルゴリズムを比較すること。

実験結果

リサーチクエスチョン

• RQ1 効率的な正確な推論アルゴリズムをベイジアンアタックグラフに適用することで、スケーラブルな静的および動的リスク評価を実現できるか？
• RQ2 大規模なBAGにおいて、JTとVEの計算時間およびメモリ使用量はどのように比較されるか？
• RQ3 ネットワーククラスタリングは、JTアルゴリズムを用いた動的解析の取り扱いやすさをどの程度向上させるか？
• RQ4 IDSアラートからの不確実性は、BAGの条件付き確率表においてどのように形式的にモデル化できるか？
• RQ5 実世界のネットワーク環境において、変数消去法（VE）のような既存の推論手法の実用的限界は何か？

主な発見

• ジョイントツリー（JT）アルゴリズムにより、数百ノードを有するベイジアンアタックグラフにおいて正確な推論が可能となり、大規模な企業ネットワークへの適用が現実可能である。
• 実験的評価において、JTは時間的およびメモリ的使用量の両面で変数消去法（VE）を著しく上回っており、顕著な改善が確認された。
• ネットワーククラスタリングにより、動的解析のスケーリングがノード数に対して線形に向上し、継続的な攻撃発生時における応答性が著しく向上した。
• 提案されたBAGモデルは、攻撃者能力に関する事前分布の悪影響を回避しており、モデルのロバスト性および解釈可能性が向上した。
• 誤差確率パラメータ（pe）を用いてIDSの不確実性を組み込むことで、計算効率を損なわず、より現実的なモデル化が可能になった。
• 実験的評価により、JTがリアルタイムでの動的解析に計算的に実用可能であることが確認された一方で、VEは小さなグラフを越えると非現実的であることが判明した。