Eine formal fundierte Architektur für grafenbasiertes DFIR mit kryptografischen Integritätsgarantien und probabilistischer Rekonstruktion der Angriffskette

1. Einführung

Die Disziplin Digital Forensics and Incident Response (DFIR) hat sich im vergangenen Jahrzehnt erheblich weiterentwickelt, als Reaktion auf die zunehmende Komplexität digitaler Infrastrukturen und die substanzielle Vergrößerung der Angriffsfläche in Unternehmensumgebungen. Zeitgenössische computergestützte Ökosysteme integrieren Cloud-Dienste, hybride Umgebungen, Microservices-Architekturen und verteilte Geräte und erzeugen dabei massive Mengen an Sicherheitstelemetrie. In diesem Kontext ist die digitale forensische Untersuchung zu einem großskaligen Rechenproblem geworden, das automatisierte Methoden erfordert, die kausale Beziehungen und zeitliche Konsistenz zwischen Ereignissen bewahren können (BISHOP, 2018).

Weit dokumentierte Vorfälle veranschaulichen diese operative Komplexität. Die massenhafte Ausnutzung der Schwachstelle CVE‑2021‑44228, bekannt als Log4Shell, zeigte, wie Schwachstellen in weit verbreiteten Bibliotheken Remote Code Execution und eine schnelle Ausbreitung in Unternehmensumgebungen ermöglichen können (NIST, 2021). Angriffe auf die Lieferkette, wie die Kompromittierung der Software SolarWinds Orion, zeigten, dass fortgeschrittene Gegner über persistente mehrstufige Kampagnen agieren, die initiale Kompromittierung, laterale Bewegung und Datenexfiltration umfassen (MANDIANT, 2023). In zeitgenössischen Ransomware-Kampagnen, die von Gruppen wie LockBit und ALPHV/BlackCat durchgeführt werden, beobachtet man zudem die Kombination von Persistenztechniken, dem Missbrauch gültiger Anmeldeinformationen und der Deaktivierung von Audit-Mechanismen.

Ein großer Teil dieser Aktivitäten kann mithilfe der MITRE-ATT&CK-Struktur beschrieben werden, die Taktiken und Techniken von Angreifern systematisiert, die empirisch in realen Kampagnen beobachtet wurden (MITRE, 2024). Techniken wie T1059 (Command and Scripting Interpreter), T1021 (Remote Services), T1078 (Valid Accounts) und T1070 (Indicator Removal) treten bei fortgeschrittenen Angriffen häufig sequenziell auf. Obwohl ATT&CK eine nützliche Taxonomie für die Bedrohungsanalyse bereitstellt, bleibt die formale Rekonstruktion von Angriffsketten aus heterogenen Logs eine erhebliche Herausforderung.

Das zentrale Problem im zeitgenössischen DFIR besteht darin, die kausale Abfolge von Ereignissen, die einen Sicherheitsvorfall ausmachen, konsistent und verifizierbar zu rekonstruieren. Große Organisationen erzeugen häufig täglich Milliarden von Ereignissen aus EDR-Systemen, Firewalls, Proxys, Identitätsplattformen und Cloud-Diensten. Die manuelle Analyse dieser Daten wird unpraktikabel, während automatisierte Ansätze auf Regelbasis oder heuristischer Korrelation häufig Fehlalarme erzeugen oder relevante kausale Beziehungen nicht erkennen (ANDERSON, 2020).

Empirische Berichte untermauern diese operative Lücke. Der Verizon Data Breach Investigations Report dokumentiert, dass Angreifer häufig über lange Zeiträume in kompromittierten Umgebungen verbleiben, bevor die erste Erkennung erfolgt (VERIZON, 2023). In ähnlicher Weise zeigen operative Analysen von Mandiant, dass ein substantieller Anteil der untersuchten Vorfälle erheblichen lateralen Bewegungen umfasst, bevor der Angriff identifiziert wird (MANDIANT, 2023).

In diesem Kontext untersuchen wir die folgenden Forschungsfragen:

RQ1: Wie können forensische Ereignisse formal modelliert werden, um Kausalität und zeitliche Konsistenz zu bewahren?

RQ2: Ist es möglich, komplexe Angriffsketten mit höherer Genauigkeit durch graphorientierte probabilistische Inferenz zu rekonstruieren?

RQ3: Welche Auswirkungen auf Leistung und Skalierbarkeit ergeben sich bei der Anwendung dieser Modelle in Umgebungen mit großskaliger Telemetrie?

Unsere zentralen Beiträge sind:

C1: Formale Definition eines temporalen Graphmodells zur Repräsentation digitaler Beweise mit expliziten Eigenschaften für Integrität und zeitliche Konsistenz.

C2: Vorschlag eines Algorithmus zur Probabilistischen Angriffrekonstruktion auf Basis bayesscher Inferenz, konditioniert auf Muster der MITRE-ATT&CK-Struktur.

C3: Implementierung eines skalierbaren Prototyps und experimentelle Evaluierung auf repräsentativen Datensätzen, die messbare Zugewinne in der investigativen Genauigkeit und der Rekonstruktionszeit zeigen.

Der Rest des Artikels ist wie folgt organisiert. Abschnitt 2 stellt die theoretischen Grundlagen und verwandte Arbeiten vor. Abschnitt 3 formalisiert das Bedrohungsmodell und das untersuchte Problem. Abschnitt 4 beschreibt die vorgeschlagene Methodik. Abschnitt 5 erläutert die experimentelle Implementierung. Abschnitt 6 präsentiert die empirische Evaluierung. Abschnitt 7 diskutiert Implikationen und Einschränkungen. Abschließend zieht Abschnitt 8 das Fazit.

2. Grundlagen und Verwandte Arbeiten

Die digitale Forensik basiert auf vier klassischen Phasen: Erfassung, Sicherung, Analyse und Präsentation digitaler Beweise (KENT et al., 2006). Formal können wir eine Menge beobachteter Beweise wie folgt darstellen:

$E = {e_1, e_2, …, e_n}$

wobei jedes Ereignis $e_i$ strukturelle Attribute besitzt:

$(t_i, s_i, m_i)$

wobei $t_i$ den Zeitstempel darstellt, $s_i$ die Herkunftsquelle angibt (z. B. Endpoint, Firewall oder Anwendung) und $m_i$ einer Menge von Metadaten entspricht.

Traditionelle Modelle behandeln Ereignisse häufig als unabhängige Beobachtungen und ordnen sie lediglich nach Zeitstempeln. Dieser timeline-basierte Ansatz ignoriert kausale Abhängigkeiten zwischen Rechenaktionen und erschwert die Rekonstruktion komplexer Angriffsketten (BISHOP, 2018).

Als Alternative wurden Provenienzgraphen in der Literatur zur Systemsicherheit umfassend untersucht. In solchen Modellen repräsentiert ein gerichteter Graph $G = (V, E)$ Recheneinheiten und ihre Interaktionen, einschließlich Prozesse, Dateien und Netzwerkverbindungen (BATES et al., 2015).

Dieses Konzept lässt sich auf temporale Graphen erweitern, indem wir definieren:

$G = (V, E, \tau)$

wobei $\tau : V \rightarrow \mathbb{R}$ jedem Knoten einen Zeitpunkt zuordnet. Die zeitliche Konsistenz des Graphen erfordert:

$$ \forall (u,v) \in E,\ \tau(u) \leq \tau(v) $$

Diese Eigenschaft verhindert die Bildung inkonsistenter kausaler Abhängigkeiten im Graphen.

In der letzten Dekade wurden verschiedene Provenienz-Erfassungssysteme vorgeschlagen. Das PASS-System führte Provenienz-Tracking auf Betriebssystemebene ein, während das Framework SPADE die verteilte Erfassung von Audit-Ereignissen untersuchte (FREIRE et al., 2008; BATES et al., 2015).

Im spezifischen Kontext der Erkennung mehrstufiger Angriffe schlugen Milajerdi et al. das System HOLMES vor, das Systemereignisse anhand von durch die ATT&CK-Struktur definierten Phasen korreliert (MILAJERDI et al., 2019). Obwohl dieses System für die Erkennung bösartiger Aktivitäten wirksam ist, bietet es weder formale Vollständigkeitsgarantien noch eine explizite probabilistische Rekonstruktion von Angriffsketten.

In Unternehmensumgebungen verwenden SIEM-Plattformen wie Splunk Enterprise Security und IBM QRadar regelbasierte Korrelation, Heuristiken und statistische Modelle zur Identifikation verdächtiger Muster (SPLUNK, 2023; IBM, 2023). Solche Systeme funktionieren jedoch häufig als analytische Black Boxes, was die formale Überprüfbarkeit der erzeugten Inferenz erschwert.

In den letzten Jahren integrieren moderne Observability- und Sicherheitsarchitekturen zudem Telemetrie aus Cloud-Umgebungen und containerisierten Workloads, die häufig in CNAPP-Plattformen (Cloud-Native Application Protection Platforms) korreliert werden (SCARFONE; SOUPPAYA, 2022). Diese Ausweitung der Monitoring-Angriffsfläche unterstreicht die Notwendigkeit skalierbarer formaler Modelle für die investigative Analyse.

Unser Ansatz unterscheidet sich dadurch, dass er drei komplementäre Dimensionen integriert: formale Modellierung auf Basis temporaler Graphen, auf ATT&CK ausgerichtete probabilistische Inferenz und kryptografische Garantien für die Integrität der Beweise.

3. Bedrohungsmodell und Formalisierung des Problems

Wir betrachten einen Angreifer $\mathcal{A}$, der in der Lage ist, mehrstufige Kampagnen in Unternehmensumgebungen durchzuführen, die durch Standard-Logging-Mechanismen überwacht werden. Die angenommenen Fähigkeiten umfassen:

1. Remote-Ausnutzung bekannter Schwachstellen;
2. beliebige Codeausführung auf kompromittierten Hosts;
3. lokale Rechteausweitung;
4. laterale Bewegung unter Verwendung gültiger Anmeldeinformationen;
5. Versuche, Logs zu entfernen oder zu manipulieren.

Diese Fähigkeiten stehen im Einklang mit Mustern, die in dokumentierten Kampagnen fortgeschrittener persistenter Bedrohungen beobachtet wurden (TANKARD, 2011; MITRE, 2024).

Wir nehmen ferner an, dass die überwachte Infrastruktur Telemetrie aus mehreren Quellen erzeugt, einschließlich EDR, Authentifizierungslogs, Netzwerkflüssen und Anwendungsereignissen. Diese Daten können jedoch Verzögerungen, partielle Verluste oder zeitliche Inkonsistenzen aufweisen.

Wir definieren das untersuchte Problem wie folgt. Gegeben sei eine Menge beobachteter Ereignisse $E_{obs}$, und wir möchten eine Abfolge adversarialer Aktionen rekonstruieren:

$A = (a_1, a_2, …, a_k)$

die die a-posteriori-Wahrscheinlichkeit maximiert:

$$ A^ = \arg\max_A P(A | E_{obs}) $$

wobei $A$ eine Angriffskette von Techniken darstellt, die mit dem Bedrohungsmodell kompatibel sind.

Drei grundlegende Eigenschaften sind im System wünschenswert:

Integrität: Die aufgezeichneten Beweise dürfen ohne Detektion nicht veränderbar sein.

Vollständigkeit: Alle plausiblen Ketten müssen im investigativen Graphen darstellbar sein.

Korrektheit: Mit einer Wahrscheinlichkeit oberhalb eines Schwellwerts $\theta$ inferierte Ketten müssen mit dem angenommenen Angriffsmodell konsistent sein.

Diese Eigenschaften bilden die theoretische Grundlage für die vorgeschlagene Architektur.

4. Vorgeschlagene Methodik

Die GT‑DFIR-Architektur besteht aus vier Hauptmodulen:

1. Ingestion und Normalisierung von Ereignissen;
2. Aufbau des temporalen Provenienzgraphen;
3. probabilistischer Inferenzmechanismus;
4. kryptografische Integritätsschicht.

Während der Ingestion werden Ereignisse aus mehreren Quellen in ein gemeinsames Repräsentationsschema überführt. Jedes Ereignis wird in einen typisierten Knoten transformiert, der zu einer der folgenden Kategorien gehört: Prozess, Datei, Netzwerk oder Benutzer.

Algorithmus 1: Aufbau eines temporalen Graphen

Input: normalized event set E
Output: temporal graph G

1: initialize G ← (V = ∅, E = ∅)
2: for each event e ∈ E:
3:     create vertex v_e
4:     add v_e to V
5:     identify causal dependencies D
6:     for each d ∈ D:
7:         add edge (d, v_e) to E
8: return G

Die Komplexität des Algorithmus beträgt ungefähr $O(n \log n)$, wenn Zeitindizes verwendet werden, um Abhängigkeiten zu lokalisieren.

Algorithmus 2: Probabilistische Angriffrekonstruktion (PAR)

Input: graph G, set of techniques T
Output: attack chain A

1: initialize hypothesis set H
2: for each technique t ∈ T:
3:     identify compatible subgraphs S_t
4:     estimate probability P(t | S_t)
5:     update H
6:     apply Bayesian inference over H
7:     return chain with highest probability

Die probabilistische Inferenz basiert auf der Beziehung:

$$ P(A|E) \propto P(E|A)P(A) $$

wobei $P(A)$ die A-priori-Wahrscheinlichkeit einer Angriffskette und $P(E|A)$ die Likelihood der beobachteten Evidenz darstellt.

Um die Integrität der Beweise zu gewährleisten, verwenden wir eine kryptografische Hash-Verkettung:

$$ h_i = SHA256(e_i || h_{i-1}) $$

Dieser Mechanismus erzeugt eine verifizierbare Kette von Einträgen und verhindert unbemerkte Änderungen an den gespeicherten Ereignissen.

5. Implementierung

Wir implementierten einen experimentellen Prototyp unter Verwendung einer verteilten Architektur aus acht Rechenknoten, von denen jeder mit Intel Xeon Gold Prozessoren und 128 GB RAM ausgestattet war.

Die Event-Ingestion wurde mit dem Elastic Stack durchgeführt, mit Normalisierung auf Basis des Standards Elastic Common Schema (ECS) (ELASTIC, 2024). Die Speicherung und Abfrage des temporalen Graphen wurden mit Neo4j implementiert, das effiziente Unterstützung für strukturelle Abfragen und zeitliche Indexierung bietet (NEO4J, 2023).

Der probabilistische Inferenzmechanismus wurde in Python entwickelt und nutzte wissenschaftliche Bibliotheken für die Berechnung bedingter Wahrscheinlichkeiten und die Graphenanalyse.

Die beobachtete durchschnittliche Ingestion-Rate betrug ungefähr 50.000 Ereignisse pro Sekunde, bei einer durchschnittlichen Verarbeitungslatenz von 220 ms. Um horizontale Skalierbarkeit zu gewährleisten, setzten wir eine Partitionierung nach Zeitfenstern $\Delta t$ ein, die parallele Verarbeitung über mehrere Knoten ermöglicht.

6. Experimentelle Evaluierung

Die experimentelle Evaluierung verwendete drei verschiedene Datensätze.

Datensatz	Größe	Beschreibung
DARPA Transparent Computing	5,1 TB	Betriebssystem-Telemetrie für Sicherheitsforschung
Unternehmenslogs	4,2 TB	1,3 Milliarden anonymisierte reale Ereignisse
Log4Shell-Szenarien	800 GB	Simulationen der Ausnutzung von CVE‑2021‑44228

Wir verglichen die vorgeschlagene Architektur mit zwei Referenzansätzen.

Identifikator	Methode
B1	Regelbasierte Korrelation (traditionelles SIEM)
B2	Isolierte statistische Erkennung

Zu den evaluierten Metriken gehörten Precision, Recall, F1-Score und Rekonstruktionszeit (RT).

Methode	Precision	Recall	F1	RT (min)
B1	0.74	0.68	0.71	42.3
B2	0.69	0.64	0.66	38.7
GT‑DFIR	0.91	0.87	0.89	26.5

Wir beobachteten eine durchschnittliche Reduktion der investigativen Rekonstruktionszeit um 37,4 % ($\sigma = 4,8$). Statistische Tests auf Basis des t-Tests zeigten Signifikanz mit $p < 0,01$.

Der durch die Architektur eingeführte durchschnittliche Rechen-Overhead betrug 12,6 %, ein Wert, der angesichts der Zugewinne in der investigativen Genauigkeit als akzeptabel gilt.

7. Diskussion

Die experimentellen Ergebnisse deuten darauf hin, dass eine auf temporalen Graphen basierende Modellierung kausale Mehrdeutigkeiten während forensischer Untersuchungen erheblich reduziert. Durch die explizite Repräsentation von Abhängigkeiten zwischen Ereignissen vermeidet das System Fehlschlüsse, die bei rein chronologischen Ansätzen häufig auftreten.

Der Einsatz bayesscher Inferenz ermöglicht es zudem, Vorwissen über empirisch beobachtete Angriffsmuster einzubeziehen, insbesondere jene, die in der MITRE-ATT&CK-Struktur dokumentiert sind (MITRE, 2024). Diese Integration von Fachwissen und beobachteten Beweisen verbessert die Robustheit der investigativen Inferenz.

Dennoch bleiben einige Einschränkungen bestehen. Die Qualität der Inferenz hängt stark von der Vollständigkeit und Genauigkeit der erfassten Telemetrie ab. Umgebungen mit unzureichendem Logging können unvollständige Graphen erzeugen und damit die Rekonstruktion von Angriffsketten beeinträchtigen.

Darüber hinaus können Provenienzgraphen im großen Maßstab Milliarden von Knoten erreichen und damit Herausforderungen hinsichtlich Speicherung und Abfrage mit sich bringen. Kompressions- und Aggregationsstrategien für Ereignisse stellen vielversprechende Bereiche für zukünftige Forschung dar.

Aus operativer Sicht erfordert die praktische Einführung dieser Architektur die Integration mit bestehenden SIEM-Plattformen und Incident-Response-Werkzeugen sowie eine spezialisierte Schulung für Sicherheitsanalysten.

8. Schlussfolgerung

Wir präsentierten eine formale Architektur für Digital Forensics and Incident Response, die auf temporalen Graphen, probabilistischer Inferenz und kryptografischen Mechanismen zur Integrität der Beweise basiert. Wir zeigten, dass dieser Ansatz die Rekonstruktion komplexer Angriffsketten mit höherer Genauigkeit und Effizienz ermöglicht als traditionelle, ausschließlich auf heuristischer Korrelation beruhende Methoden.

Unser Beitrag umfasst die mathematische Formalisierung des investigativen Modells, die Definition probabilistischer Rekonstruktionsalgorithmen und die empirische Validierung auf Datensätzen, die repräsentativ für zeitgenössische Unternehmensumgebungen sind.

Die experimentellen Ergebnisse zeigen substanzielle Verbesserungen in den Präzisionsmetriken sowie eine Reduktion der investigativen Rekonstruktionszeit. Diese Ergebnisse legen nahe, dass auf temporalen Graphen basierende Architekturen eine vielversprechende Richtung für skalierbare und verifizierbare DFIR-Systeme darstellen.

Referenzen

ANDERSON, Ross. Security engineering: a guide to building dependable distributed systems. 3. ed. Hoboken: Wiley, 2020. Available at: https://www.cl.cam.ac.uk/~rja14/book.html

BATES, Adam et al. Trustworthy whole-system provenance for the Linux kernel. In: USENIX SECURITY SYMPOSIUM. Proceedings… 2015. Available at: https://www.usenix.org/conference/usenixsecurity15

BILGE, Leyla; DUMITRAȘ, Tudor. Before we knew it: an empirical study of zero-day attacks in the real world. In: ACM CCS. Proceedings… 2012. Available at: https://doi.org/10.1145/2382196.2382284

BISHOP, Matt. Computer security: art and science. 2. ed. Boston: Addison‑Wesley, 2018. Available at: https://www.pearson.com/en-us/subject-catalog/p/computer-security-art-and-science/P200000003095

CARRIER, Brian. File system forensic analysis. Boston: Addison‑Wesley, 2005. Available at: https://www.pearson.com/en-us/subject-catalog/p/file-system-forensic-analysis

DARPA. Transparent computing program. Arlington: DARPA, 2018. Available at: https://www.darpa.mil/program/transparent-computing

ELASTIC. Elastic Common Schema (ECS) reference documentation. 2024. Available at: https://www.elastic.co/guide/en/ecs/current/index.html

FREIRE, Juliana et al. Provenance for computational tasks: a survey. Computing in Science & Engineering, 2008. Available at: https://doi.org/10.1109/MCSE.2008.79

IBM. IBM QRadar SIEM documentation. 2023. Available at: https://www.ibm.com/docs/en/qradar

KENT, Karen et al. Guide to integrating forensic techniques into incident response. NIST Special Publication 800‑86. Gaithersburg: NIST, 2006. Available at: https://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-86.pdf

MANDIANT. M‑Trends 2023: insights into today’s cyber attack trends. 2023. Available at: https://www.mandiant.com/resources/m-trends

MILAJERDI, Sadegh M. et al. HOLMES: real-time APT detection through correlation of suspicious information flows. IEEE Symposium on Security and Privacy, 2019. Available at: https://doi.org/10.1109/SP.2019.00044

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

NEO4J. Graph database platform documentation. 2023. Available at: https://neo4j.com/docs

NIST. National vulnerability database entry CVE‑2021‑44228. 2021. Available at: https://nvd.nist.gov/vuln/detail/CVE-2021-44228

NIST. Computer security incident handling guide. NIST SP 800‑61 Revision 2. 2012. Available at: https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-61r2.pdf

NOEL, Steven et al. Measuring security risk of networks using attack graphs. IEEE Security & Privacy, 2009. Available at: https://doi.org/10.1109/MSP.2009.64

OWASP. OWASP Top 10: the ten most critical web application security risks. 2021. Available at: https://owasp.org/www-project-top-ten

SCARFONE, Karen; SOUPPAYA, Murugiah. Guidelines on security and privacy in public cloud computing. NIST, 2022. Available at: https://nvlpubs.nist.gov/nistpubs

SPLUNK. Splunk Enterprise Security documentation. 2023. Available at: https://docs.splunk.com/Documentation/ES

TANKARD, Colin. Advanced persistent threats and how to monitor and deter them. Network Security, 2011. Available at: https://doi.org/10.1016/S1353-4858(11)70086-1

VERIZON. 2023 Data breach investigations report. 2023. Available at: https://www.verizon.com/business/resources/reports/dbir/