RAPID: Robust APT Detection and Investigation Using Context-Aware Deep Learning

高级持久性威胁(APT)对组织构成重大挑战，导致数据泄露、财务损失和声誉受损。现有基于溯源的APT检测方法通常存在高误报率、缺乏可解释性和无法适应不断变化的系统行为等问题。我们介绍了RAPID，一种新颖的基于深度学习的方法，用于强大的APT检测和调查，利用上下文感知的异常检测和警报追踪。通过利用自监督序列学习和迭代学习嵌入，我们的方法有效地适应动态系统行为。溯源追踪的使用既丰富了警报，又增强了我们方法的检测能力。我们的广泛评估证明了RAPID在实际场景中的有效性和计算效率。此外，RAPID实现了比现有最先进方法更高的精确度和召回率，显著减少了误报率。RAPID集成了上下文信息，促进了从检测到调查的顺畅过渡，为安全团队提供了详细的见解，以有效地应对APT威胁。

RAPID: 一种深度学习方法用于高效的APT检测和调查。该方法试图解决现有基于溯源的APT检测方法在高误报率、缺乏可解释性和适应性等方面存在的问题。

RAPID利用上下文感知异常检测和警报追踪，通过自监督序列学习和迭代学习嵌入，有效适应动态系统行为。同时，利用溯源追踪丰富警报和增强检测能力。

RAPID在实验中表现出高效性和较低的误报率，比现有方法具有更高的精确度和召回率。该方法整合了上下文信息，并促进了从检测到调查的平稳过渡，为安全团队提供了详细的洞察力，以有效应对APT威胁。

与RAPID相关的研究包括： 1. 'Provenance-based APT detection: Opportunities and challenges' by Li et al. 2. 'DeepLog: Anomaly detection and diagnosis from system logs through deep learning' by Du et al. 3. 'Anomaly detection using machine learning for detecting malicious traffic' by Kshetri et al.