TITEL: Eine formal begründete Architektur für graphbasiertes DFIR mit temporalen Graphen, kryptografischen Integritätsgarantien und probabilistischer Rekonstruktion der Angriffskette

1. Einleitung

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 deutliche Vergrößerung der Angriffsfläche in Unternehmensumgebungen. Zeitgenössische Rechenökosysteme integrieren Cloud-Dienste, hybride Umgebungen, Microservices-Architekturen und verteilte Geräte und erzeugen dabei massive Mengen an Sicherheits-Telemetrie. 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 (BISHOP, 2018).

Breit 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 Angreifer über persistente, mehrstufige Kampagnen operieren, die Erstkompromittierung, laterale Bewegung und Datenexfiltration umfassen (MANDIANT, 2023). In zeitgenössischen Ransomware-Kampagnen, durchgeführt von Gruppen wie LockBit und ALPHV/BlackCat, beobachtet man zudem die Kombination von Persistenztechniken, dem Missbrauch gültiger Zugangsdaten und der Deaktivierung von Audit-Mechanismen.

Ein großer Teil dieser Aktivität kann durch die 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 bietet, 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 nachvollziehbar 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, die auf Regeln oder heuristischer Korrelation basieren, häufig Falschpositive erzeugen oder relevante kausale Beziehungen nicht erkennen (ANDERSON, 2020).

Empirische Berichte unterstreichen diese operative Lücke. Der Verizon Data Breach Investigations Report dokumentiert, dass Angreifer in kompromittierten Umgebungen häufig über lange Zeiträume verbleiben, bevor die Erstentdeckung erfolgt (VERIZON, 2023). Ebenso zeigen operative Analysen von Mandiant, dass ein erheblicher Anteil der untersuchten Vorfälle vor der Identifizierung des Angriffs bedeutende laterale Bewegung umfasst (MANDIANT, 2023).

In diesem Zusammenhang untersuchen wir die folgenden Forschungsfragen:

RQ1: Wie können forensische Ereignisse formal so modelliert werden, dass Kausalität und zeitliche Konsistenz erhalten bleiben?

RQ2: Ist es möglich, komplexe Angriffsketten mit höherer Genauigkeit mittels graphenorientierter probabilistischer Inferenz zu rekonstruieren?

RQ3: Welche Leistungs- und Skalierbarkeitsauswirkungen ergeben sich aus der Anwendung dieser Modelle in Umgebungen mit großskaliger Telemetrie?

Unsere wichtigsten Beiträge sind:

C1: Formale Definition eines zeitlichen Graphenmodells 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 Evaluation mit repräsentativen Datensätzen, die messbare Verbesserungen bei Ermittlungsgenauigkeit und Rekonstruktionszeit zeigen.

Der Rest des Artikels ist wie folgt organisiert. Abschnitt 2 präsentiert die theoretischen Grundlagen und die verwandte Arbeit. 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 Evaluation. Abschnitt 7 diskutiert Implikationen und Einschränkungen. Schließlich fasst Abschnitt 8 die Arbeit zusammen.

2. Grundlagen und verwandte Arbeiten

Die digitale Forensik basiert auf vier klassischen Phasen: Erfassung, Bewahrung, 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 repräsentiert, $s_i$ die Ursprungsquelle angibt (z. B. Endpunkt, Firewall oder Anwendung) und $m_i$ einem Satz 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 $G = (V, E)$ Rechenentitäten und deren Interaktionen, einschließlich Prozesse, Dateien und Netzwerkverbindungen (BATES et al., 2015).

Dieses Konzept lässt sich durch zeitliche Graphen erweitern, definiert als:

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

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 den letzten zehn Jahren wurden verschiedene Provenienz-Erfassungssysteme vorgeschlagen. Das System PASS führte Mechanismen zur Provenienzverfolgung 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 von Angriffen mit mehreren Phasen 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 bei der Erkennung bösartigen Verhaltens wirksam ist, bietet es weder formale Vollständigkeitsgarantien noch eine explizite probabilistische Rekonstruktion von Angriffsketten.

In Unternehmensumgebungen nutzen SIEM-Plattformen wie Splunk Enterprise Security und IBM QRadar regelbasierte Korrelation, Heuristiken und statistische Modelle, um verdächtige Muster zu identifizieren (SPLUNK, 2023; IBM, 2023). Allerdings arbeiten solche Systeme häufig als analytische Black Boxes, was die formale Verifikation der erzeugten Inferenz erschwert.

In den letzten Jahren haben moderne Observability- und Sicherheitsarchitekturen auch Telemetrie aus Cloud-Umgebungen und containerisierten Workloads integriert, die häufig auf CNAPP-Plattformen (Cloud-Native Application Protection Platforms) korreliert wird (SCARFONE; SOUPPAYA, 2022). Diese Ausweitung der Überwachungsfläche verstärkt die Notwendigkeit skalierbarer formaler Modelle für die investigative Analyse.

Unser Ansatz unterscheidet sich dadurch, dass er drei komplementäre Dimensionen integriert: formale Modellierung auf Basis zeitlicher Graphen, ATT&CK-orientierte probabilistische Inferenz und kryptografische Integritätsgarantien für Beweise.

3. Bedrohungsmodell und Problemformalisierung

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

1. Fernausnutzung bekannter Schwachstellen;
2. Ausführung beliebigen Codes auf kompromittierten Hosts;
3. lokale Rechteausweitung;
4. laterale Bewegung unter Verwendung gültiger Zugangsdaten;
5. Versuche, Logs zu entfernen oder zu manipulieren.

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

Wir nehmen außerdem an, dass die überwachte Infrastruktur Telemetrie aus mehreren Quellen erzeugt, darunter EDR, Authentifizierungslogs, Netzwerkflüsse und Anwendungsereignisse. Diese Daten können jedoch Verzögerungen, partielle Verluste oder zeitliche Inkonsistenzen aufweisen.

Das untersuchte Problem definieren wir wie folgt. Gegeben eine Menge beobachteter Ereignisse $E_{obs}$, möchten wir eine Sequenz gegnerischer 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 Kette von Techniken darstellt, die mit dem Bedrohungsmodell kompatibel sind.

Drei grundlegende Eigenschaften sind für das System wünschenswert:

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

Vollständigkeit: Alle plausiblen Ketten müssen im Untersuchungsgraphen darstellbar sein.

Korrektheit: Inferierte Ketten mit einer Wahrscheinlichkeit oberhalb eines Schwellwerts $\theta$ 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 zeitlichen Provenienzgraphen;
3. Mechanismus der probabilistischen Inferenz;
4. Kryptografische Integritätsschicht.

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

Algorithmus 1: Aufbau eines zeitlichen 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 zur Lokalisierung von Abhängigkeiten verwendet werden.

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 Beweise darstellt.

Zur Sicherstellung der Integrität der Beweise verwenden wir eine kryptografische Hash-Verkettung:

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

Dieser Mechanismus erzeugt eine überprüfbare Kette von Einträgen und verhindert unentdeckte Änderungen an den gespeicherten Ereignissen.

5. Implementierung

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

Die Ingestion von Ereignissen erfolgte mit dem Elastic Stack, mit Normalisierung auf Basis des Elastic Common Schema (ECS) (ELASTIC, 2024). Speicherung und Abfrage des zeitlichen Graphen wurden mit Neo4j implementiert, das effiziente Unterstützung für strukturelle Abfragen und zeitliche Indizierung bietet (NEO4J, 2023).

Der Mechanismus der probabilistischen Inferenz wurde in Python entwickelt, unter Verwendung wissenschaftlicher Bibliotheken zur Berechnung bedingter Wahrscheinlichkeiten und zur Graphenanalyse.

Die beobachtete durchschnittliche Ingestionsrate betrug ungefähr 50.000 Ereignisse pro Sekunde, mit einer durchschnittlichen Verarbeitungslatenz von 220 ms. Zur Gewährleistung horizontaler Skalierbarkeit führten wir eine Partitionierung nach Zeitfenstern $\Delta t$ ein, die parallele Verarbeitung auf mehreren Knoten ermöglicht.

6. Experimentelle Evaluation

Die experimentelle Evaluation 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

Die bewerteten Metriken umfassten 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 Zeit zur investigativen Rekonstruktion 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 im Lichte der Gewinne an Ermittlungsgenauigkeit als akzeptabel angesehen wird.

7. Diskussion

Die experimentellen Ergebnisse zeigen, dass eine auf zeitlichen Graphen basierende Modellierung kausale Mehrdeutigkeiten bei forensischen Untersuchungen erheblich reduziert. Durch die explizite Darstellung von Abhängigkeiten zwischen Ereignissen vermeidet das System fehlerhafte Inferenzschlüsse, wie sie bei rein chronologischen Ansätzen üblich sind.

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 Expertenwissen und beobachteten Beweisen verbessert die Robustheit der investigativen Inferenz.

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

Darüber hinaus können Provenienzgraphen in großem Maßstab Milliarden von Knoten erreichen, was Herausforderungen für Speicherung und Abfrage mit sich bringt. Strategien zur Komprimierung und Aggregation von Ereignissen stellen vielversprechende Forschungsfelder für zukünftige Arbeiten dar.

Aus operativer Sicht erfordert die praktische Einführung dieser Architektur die Integration in bestehende SIEM-Plattformen und Incident-Response-Werkzeuge sowie eine spezialisierte Schulung für Sicherheitsanalysten.

8. Schlussfolgerung

Wir haben eine formale Architektur für Digital Forensics and Incident Response vorgestellt, die auf zeitlichen Graphen, probabilistischer Inferenz und kryptografischen Mechanismen zur Sicherstellung der Integrität von Beweisen basiert. Wir haben gezeigt, dass dieser Ansatz die Rekonstruktion komplexer Angriffsketten mit höherer Genauigkeit und Effizienz ermöglicht als traditionelle Methoden, die ausschließlich auf heuristischer Korrelation beruhen.

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

Die experimentellen Ergebnisse zeigen deutliche Verbesserungen bei den Genauigkeitsmetriken sowie eine Reduktion der Zeit für die investigative Rekonstruktion. Diese Ergebnisse legen nahe, dass auf zeitlichen 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/