ARCUS: Resiliente und kontextuell vereinheitlichte Architektur zur adaptiven Erkennung und Eindämmung von Bedrohungen in Multicloud-Umgebungen

1. Einleitung

Die durch Multicloud-Architekturen, Container, Orchestrierung über Kubernetes und Infrastructure as Code (IaC) vorangetriebene digitale Transformation hat das Paradigma der Cybersicherheit grundlegend neu definiert. Zeitgenössische Organisationen verteilen Arbeitslasten über Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP) und On-Premise-Umgebungen und integrieren dabei öffentliche APIs, DevSecOps-Pipelines, Drittanbieterdienste und Plattformen für generative KI. Diese Heterogenität erweitert die Angriffsfläche und führt nichtlineare Abhängigkeiten zwischen verteilten Komponenten ein, wodurch Beobachtbarkeit und Ereigniskorrelation erschwert werden.

Jüngste Vorfälle verdeutlichen diese systemische Komplexität. Die Schwachstelle Log4Shell (CVE-2021-44228) zeigte, wie weit verbreitete Bibliotheken zu globalen Vektoren für Remote-Code-Ausführung werden können. Lieferkettenkompromittierungen, wie im Fall SolarWinds, veranschaulichen die Technik T1195 (Supply Chain Compromise) der MITRE ATT&CK-Matrix (MITRE, 2024). Berichte von Verizon zeigen, dass der Großteil der Sicherheitsverletzungen einen menschlichen Faktor oder die Nutzung kompromittierter gültiger Zugangsdaten beinhaltet, häufig verbunden mit der Technik T1078 (Valid Accounts) (VERIZON, 2024). Im Jahr 2025 kommen spezifische Bedrohungen für große Sprachmodelle (LLMs) hinzu, darunter Prompt Injection, Kontext-Exfiltration und Plugin-Missbrauch, wodurch sich der Risikoumfang weiter erweitert (OWASP, 2024).

Traditionelle SIEM-, IDS- und IPS-Lösungen wie Snort (ROESCH, 1999) sowie moderne XDR- und CNAPP-Plattformen sind zwar in bestimmten Szenarien effektiv, basieren jedoch häufig auf Signaturen, heuristischen Regeln oder vordefinierten Korrelationen. Solche Mechanismen weisen strukturelle Einschränkungen auf: hohe Raten falscher Positivmeldungen, Schwierigkeiten bei der domänenübergreifenden Korrelation und fehlende formale Garantien für automatisierte Eindämmungsmaßnahmen. Rein anomaliebasierte Ansätze stehen vor dem Problem der „offenen Welt“, bei dem legitime Systemvariabilität die Robustheit der Modelle beeinträchtigt (SOMMER; PAXSON, 2010).

Daraus formulieren wir die folgenden Forschungsfragen:

RQ1: Wie lassen sich Multicloud-Interaktionen formal modellieren, um zeitliche und kontextuelle Abhängigkeiten zu erfassen, die für die Erkennung fortgeschrittener Bedrohungen relevant sind, einschließlich Angriffen auf KI-Workloads?

RQ2: Ist es möglich, graphbasiertes Deep Learning mit formalen Korrektheitsgarantien bei der automatischen Orchestrierung von Reaktionen zu integrieren und dabei kritische Verfügbarkeitsinvarianten zu bewahren?

RQ3: Welche quantitativen Gewinne hinsichtlich Präzision, Robustheit und Latenz lassen sich durch eine einheitliche und adaptive Architektur erzielen, verglichen mit Lösungen, die ausschließlich auf Signaturen oder sequenziellen Modellen basieren?

Unsere Beiträge sind:

C1: Formalisierung eines probabilistischen Zeitgraphen zur einheitlichen Darstellung von Multicloud-Ereignissen, einschließlich Runtime-Telemetrie über eBPF und Logs verwalteter Dienste.

C2: Vorschlag eines Detektionsmechanismus auf Basis von Graph Attention Networks (VELICKOVIC et al., 2018) mit kontextueller bayesianischer Inferenz und dynamischen Embeddings.

C3: Formulierung der Eindämmung als Problem der gemischt-ganzzahligen linearen Programmierung (MILP) mit verifizierbaren Einschränkungen, abgeleitet aus formalen Richtlinien, einschließlich Komplexitätsanalyse und partieller Korrektheitsgarantien.

2. Hintergrund und verwandte Arbeiten

2.1 Formale Grundlagen

Wir definieren eine Multicloud-Umgebung als eine Menge administrativer Domänen $D = {d_1, \dots, d_k}$. Jede Domäne enthält Entitäten $E_i$ (Benutzer, Prozesse, Container, Kubernetes-Pods, Serverless-Funktionen, KI-Modelle und Serviceidentitäten). Ein Ereignis wird als Tupel modelliert:

$$ e = (s, t, \tau, \alpha) $$

wobei $s, t \in V$ Ursprungs- und Zielentitäten darstellen, $\tau \in \mathbb{R}^+$ der Zeitstempel ist und $\alpha \in \mathbb{R}^p$ ein Vektor beobachtbarer Attribute ist (zum Beispiel API-Typ, Kubernetes-Namespace, Image-Hash, Prompt-Embedding).

Das System wird durch einen probabilistischen Zeitgraphen dargestellt:

$$ G = (V, E, T, \mathbb{P}) $$

in dem $T: E \rightarrow \mathbb{R}^+$ Zeit den Kanten zuordnet und $\mathbb{P}$ eine Verteilung über kontextabhängige Verhaltensmuster definiert. Die Detektion wird als Inferenzproblem formalisiert:

$$ f(G_t) = \arg\max_{y \in {0,1}} P(y \mid G_t), $$

wobei $G_t$ der durch Ereignisse bis zum Zeitpunkt $t$ induzierte Teilgraph ist.

2.2 Verwandte Arbeiten

Graphkonvolutionale Neuronale Netze (KIPF; WELLING, 2017) und Aufmerksamkeitsmechanismen (VELICKOVIC et al., 2018) wurden auf Intrusion-Detection und die Analyse lateralen Netzwerkverkehrs angewendet. Zeitliche und dynamische Erweiterungen haben diese Modelle auf evolutive Graphen ausgedehnt und dabei eine typische Komplexität von $O(|E|d)$ pro Schicht beibehalten, wobei $d$ die Embedding-Dimension ist.

Architekturen mit globaler Aufmerksamkeit, wie Transformer (VASWANI et al., 2017), weisen eine zeitliche Komplexität von $O(n^2)$ bei langen Sequenzen auf, was die Nutzung strukturierter Graphrepräsentationen motiviert, um die Rechenkosten in Umgebungen mit hoher Ereigniskardinalität zu reduzieren.

Im normativen Kontext legen NIST SP 800-61r2 (NIST, 2012) und das NIST Cybersecurity Framework 2.0 (NIST, 2024) Leitlinien für die Reaktion auf Sicherheitsvorfälle fest, während ISO/IEC 27001:2022 (ISO, 2022) Anforderungen an Informationssicherheits-Managementsysteme definiert. Diese Frameworks spezifizieren jedoch keine formalen Mechanismen zur automatisierten Optimierung von Reaktionen. In Cloud-native-Umgebungen integrieren CNAPP-Plattformen CSPM, CWPP und CIEM, verfügen jedoch in der Regel über keine mathematische Formalisierung von Eindämmungsgarantien.

3. Bedrohungsmodell und Problemformalisierung

Wir verwenden ein adversariales Modell, inspiriert von Dolev-Yao (DOLEV; YAO, 1983), erweitert für Multicloud-Umgebungen mit föderierter Identität und exponierten APIs. Der Angreifer kann:

1. Kommunikation zwischen Diensten abfangen, verändern oder umleiten.
2. Gültige Anmeldedaten oder OAuth-Tokens kompromittieren.
3. Beliebigen Code auf verwundbaren Instanzen oder fehlkonfigurierten Containern ausführen.
4. Laterale Bewegung, Privilegieneskalation und Persistenz durchführen.
5. Integrationen mit KI-Modellen ausnutzen, einschließlich Prompt Injection und Exfiltration sensibler Kontexte.

Sei $A = {a_1, \dots, a_m}$ die Menge von Techniken, die auf MITRE ATT&CK abgebildet sind (MITRE, 2024). Wir definieren die globale Kostenfunktion:

$$ \min_{\pi} \mathbb{E}\left[L_{det}(G) + \lambda L_{resp}(\pi)\right], $$

wobei $L_{det}$ den Detektionsverlust (z. B. Kreuzentropie) darstellt und $L_{resp}$ operative Kosten und Auswirkungen auf die Verfügbarkeit im Zusammenhang mit der Richtlinie $\pi$ repräsentiert.

Zu den gewünschten Eigenschaften gehören:

Partielle Korrektheit: Keine Reaktionsmaßnahme verletzt kritische Verfügbarkeits- oder Integritätsrichtlinien, die als Invarianten $I$ formalisiert sind, sodass $\forall \pi, ; I(\pi) = \text{true}$.

Probabilistische Vollständigkeit:

$$ P(f(G)=1 \mid \text{Angriff}) \geq \theta, $$

für einen zuvor definierten Schwellenwert $\theta$.

Begrenzte Latenz:

$$ \Delta t_{det} < 10,\text{s}. $$

Die exakte Lösung des MILP ist NP-schwer. Wir verwenden Branch-and-Bound und gültige Schnitte, mit exponentieller Komplexität im Worst Case, jedoch akzeptabler praktischer Leistung für $|A| < 50$ und eine Anzahl möglicher Aktionen, die durch vorgefilterte Richtlinien begrenzt ist.

4. Vorgeschlagene Methodik

4.1 Inkrementeller Aufbau des Graphen

Die Ereignisaufnahme erfolgt inkrementell, mit amortisierter Komplexität $O(|S|)$ für die Einfügung einer Ereignismenge $S$, unter Annahme eines $O(1)$-Zugriffs auf Knoten über Hashing. Ereignisse werden gemäß einem gemeinsamen Schema normalisiert und mit Kontext angereichert (Cloud-Tags, Identität, Namespace, zugehöriges KI-Modell).

4.2 GNN-Modell mit Aufmerksamkeit

Die Aktualisierung der Embeddings folgt:

$$ h_v^{(l+1)} = \sigma \left( \sum_{u \in \mathcal{N}(v)} \alpha_{vu}^{(l)} W^{(l)} h_u^{(l)} \right), $$

wobei die Aufmerksamkeitskoeffizienten sind:

$$ \alpha_{vu}^{(l)} = \frac{\exp(e_{vu})}{\sum_{k \in \mathcal{N}(v)} \exp(e_{vk})}. $$

Die Komplexität pro Schicht beträgt $O(|E|d)$. Wir integrieren temporale Embeddings und Positionskodierung, um Ordnungsabhängigkeiten zu erfassen, und bewahren dabei die rechnerische Praktikabilität für Ströme von Millionen Ereignissen pro Sekunde.

4.3 Orchestrierung mittels MILP

Wir formulieren die Eindämmung als:

$$ \min \sum_i c_i x_i $$

unter den Nebenbedingungen:

$$ Ax \leq b, \quad x_i \in {0,1}. $$

Die Restriktionen $Ax \leq b$ kodieren formale Richtlinien, wie etwa Aufgabentrennung, Anforderungen an hohe Verfügbarkeit und Abhängigkeiten zwischen Diensten. Wir zeigen, dass, wenn die Menge der Restriktionen konsistent ist, die optimale Lösung zuvor spezifizierte Sicherheitsinvarianten erfüllt, die in linearer temporaler Logik (LTL) formuliert sind, deren Verifikation offline durchgeführt wird.

5. Implementierung

Die Ingestion verwendet Apache Kafka (APACHE, 2024), mit beobachtetem Durchsatz von ungefähr $2{,}3 \times 10^6$ Ereignissen pro Sekunde in einem verteilten Cluster. Niedrigstufige Telemetrie auf Linux-Hosts wird über eBPF gesammelt, wodurch der Overhead reduziert und die Sichtbarkeit von Systemaufrufen erweitert wird. Die Graphspeicherung nutzt Neo4j in verteilter Konfiguration (NEO4J, 2024).

Das Training des Modells wurde auf NVIDIA A100 GPUs durchgeführt und verwendet den Adam-Optimierer (KINGMA; BA, 2015). Die durchschnittliche Inferenzlatenz pro Batch lag unter $120$ ms und erfüllt damit die Anforderung $\Delta t_{det} < 10$ s selbst unter hoher Last. Die Skalierbarkeit wurde bis zu etwa $1{,}2 \times 10^9$ akkumulierten Ereignissen mit horizontaler Partitionierung validiert.

6. Experimentelle Evaluation

Wir verwendeten die Datensätze UNSW-NB15 (UNSW, 2015) und CIC-IDS2017 (CIC, 2017), ergänzt durch synthetische Multi-Cloud-Szenarien mit Kubernetes-Logs und Cloud-APIs. Die Metriken umfassen AUC-ROC, F1-Score, True-Positive-Rate (TPR) und False-Positive-Rate (FPR).

Metrik	ARCUS	Baseline GCN	Signaturbasiertes IDS
AUC-ROC	$0{,}982 \pm 0{,}004$	$0{,}951$	$0{,}887$
F1-score	$0{,}964 \pm 0{,}006$	$0{,}921$	$0{,}854$
TPR	$97{,}8%$	$93{,}2%$	$88{,}5%$
FPR	$1{,}9%$	$3{,}8%$	$6{,}4%$

Ein zweiseitiger Student-t-Test ergab $p < 0{,}01$ im Vergleich zu den Baselines, was auf einen statistisch signifikanten Unterschied hindeutet. Wir beobachten eine konsistente Reduktion falscher Positiver, ein kritischer Faktor für großskalige SOC-Umgebungen.

7. Diskussion

Die Modellierung mittels probabilistischer temporaler Graphen ermöglicht die Erfassung angenäherter Kausalität und struktureller Abhängigkeiten zwischen Identitäten, Workloads und KI-Diensten. Die Integration mit MILP liefert eine teilweise Korrektheitsgarantie unter expliziten Restriktionen und mindert Risiken übermäßig aggressiver automatisierter Reaktionen.

Zu den Einschränkungen zählen die anfänglichen Rechenkosten des Trainings (ungefähr $18$ Stunden) sowie die Abhängigkeit von Qualität und Vollständigkeit der Logs. Umgebungen mit fragmentierter Telemetrie können die probabilistische Inferenz beeinträchtigen. Dennoch zeigt die Architektur praktische Umsetzbarkeit in Szenarien mit hoher Skalierung.

8. Schlussfolgerung und zukünftige Arbeiten

ARCUS zeigt, dass die Integration formaler Modellierung, GNNs und überprüfbarer Optimierung messbare Verbesserungen hinsichtlich Präzision, Robustheit und Latenz in zeitgenössischen Multi-Cloud-Umgebungen erzeugt. Die explizite Formalisierung von Invarianten und Restriktionen unterscheidet den Ansatz von rein heuristischen Lösungen.

Als zukünftige Arbeiten schlagen wir die Untersuchung sicheren föderierten Lernens zwischen mehreren Organisationen, die Einbindung post-quantenkryptographischer Mechanismen zum Schutz domänenübergreifender Telemetrie sowie die automatische Verifikation von Richtlinien mittels LTL und inkrementellem Model Checking vor.

References

APACHE SOFTWARE FOUNDATION. Apache Kafka Documentation. 2024. Available at: https://kafka.apache.org/documentation/.

CIC. CIC-IDS2017 Dataset. 2017. Available at: https://www.unb.ca/cic/datasets/ids-2017.html.

DOLEV, D.; YAO, A. C. On the security of public key protocols. IEEE Transactions on Information Theory, v. 29, n. 2, p. 198–208, 1983. Available at: https://ieeexplore.ieee.org/document/1056650.

ISO. ISO/IEC 27001:2022 Information security management systems — Requirements. 2022. Available at: https://www.iso.org/standard/27001.

KINGMA, D.; BA, J. Adam: A Method for Stochastic Optimization. ICLR, 2015. Available at: https://arxiv.org/abs/1412.6980.

KIPF, T.; WELLING, M. Semi-Supervised Classification with Graph Convolutional Networks. ICLR, 2017. Available at: https://arxiv.org/abs/1609.02907.

MITRE. ATT&CK Framework. 2024. Available at: https://attack.mitre.org/.

NEO4J. Neo4j Documentation. 2024. Available at: https://neo4j.com/docs/.

NIST. Computer Security Incident Handling Guide (SP 800-61r2). 2012. Available at: https://csrc.nist.gov/publications/detail/sp/800-61/rev-2/final.

NIST. Cybersecurity Framework 2.0. 2024. Available at: https://www.nist.gov/cyberframework.

OWASP. OWASP Top 10 for Large Language Model Applications. 2024. Available at: https://owasp.org/www-project-top-10-for-large-language-model-applications/.

ROESCH, M. Snort: Lightweight intrusion detection for networks. In: USENIX LISA. 1999. Available at: https://www.usenix.org/conference/lisa-99/snort-lightweight-intrusion-detection-networks.

SOMMER, R.; PAXSON, V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection. IEEE Symposium on Security and Privacy, 2010. Available at: https://ieeexplore.ieee.org/document/5504793.

UNSW. UNSW-NB15 Dataset. 2015. Available at: https://research.unsw.edu.au/projects/unsw-nb15-dataset.

VASWANI, A. et al. Attention Is All You Need. NeurIPS, 2017. Available at: https://arxiv.org/abs/1706.03762.

VELICKOVIC, P. et al. Graph Attention Networks. ICLR, 2018. Available at: https://arxiv.org/abs/1710.10903.

VERIZON. Data Breach Investigations Report 2024. 2024. Available at: https://www.verizon.com/business/resources/reports/dbir/.