TITEL: Eine formal fundierte Architektur für graphbasiertes DFIR mit kryptographischen 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 substanzielle Vergrößerung der Angriffsfläche unternehmensinterner Umgebungen. Zeitgenössische Rechenökosysteme integrieren Cloud-Dienste, hybride Umgebungen, Microservice-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, welche 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 Akteure 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 aus Persistenztechniken, dem Missbrauch gültiger Zugangsdaten und der Deaktivierung von Audit-Mechanismen.

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

Das zentrale Problem im zeitgenössischen DFIR besteht darin, die kausale Sequenz von Ereignissen, die einen Sicherheitsvorfall ausmachen, konsistent und überprüfbar 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, auf Regeln oder heuristischer Korrelation basierende Ansätze häufig falsch-positive Ergebnisse erzeugen oder relevante kausale Beziehungen nicht erkennen (ANDERSON, 2020).

Empirische Berichte unterstreichen diese operative Lücke. Der Verizon Data Breach Investigations Report dokumentiert, dass Angreifer oft über lange Zeiträume in kompromittierten Umgebungen verbleiben, bevor sie initial entdeckt werden (VERIZON, 2023). Ebenso zeigen operationelle Analysen von Mandiant, dass ein erheblicher Anteil der untersuchten Vorfälle eine signifikante laterale Bewegung umfasst, bevor der Angriff identifiziert wird (MANDIANT, 2023).

In diesem Kontext untersuchen wir die folgenden Forschungsfragen:

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

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

RQ3: Welche Auswirkungen auf Leistung und Skalierbarkeit ergeben sich aus der Anwendung dieser Modelle in Umgebungen mit Telemetrie im Großmaßstab?

Unsere wichtigsten Beiträge sind:

C1: Formale Definition eines zeitlichen Graphmodells zur Darstellung digitaler Beweise mit expliziten Eigenschaften bezüglich Integrität und zeitlicher Konsistenz.

C2: Vorschlag eines Algorithmus zur probabilistischen Angriffrekonstruktion, basierend auf bayesianischer Inferenz, konditioniert auf Mustern der MITRE-ATT&CK-Struktur.

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

Der Rest des Artikels ist wie folgt aufgebaut. Abschnitt 2 präsentiert die theoretischen Grundlagen und verwandte Arbeiten. 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 Limitationen. Abschließend schließt Abschnitt 8 die Arbeit ab.

2. Grundlagen und verwandte Arbeiten

Die digitale Forensik basiert auf vier klassischen Schritten: Akquise, Sicherung, Analyse und Präsentation digitaler Beweise (KENT et al., 2006). Formal können wir eine Menge beobachteter Beweise als:

$E = {e_1, e_2, …, e_n}$

darstellen, 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. Endpoint, Firewall oder Anwendung) und $m_i$ einer Menge von Metadaten entspricht.

Traditionelle Modelle behandeln Ereignisse häufig als unabhängige Beobachtungen und ordnen sie lediglich anhand von Zeitstempeln. Dieser zeitlinienbasierte Ansatz ignoriert kausale Abhängigkeiten zwischen Rechenhandlungen und erschwert die Rekonstruktion komplexer Angriffsketten (BISHOP, 2018).

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

Dieses Konzept kann durch zeitliche Graphen erweitert werden, indem definiert wird:

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

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 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 mehrstufiger Angriffe schlugen Milajerdi et al. das System HOLMES vor, das Systemereignisse mithilfe von Stufen korreliert, die durch die ATT&CK-Struktur definiert sind (MILAJERDI et al., 2019). Obwohl dieses System wirksam bei der Erkennung bösartigen Verhaltens 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, um verdächtige Muster zu identifizieren (SPLUNK, 2023; IBM, 2023). Allerdings fungieren solche Systeme häufig als analytische Black Boxes, was die formale Überprüfung der erzeugten Inferenz erschwert.

In den letzten Jahren integrieren moderne Observability- und Sicherheitsarchitekturen auch Telemetrie aus Cloud-Umgebungen und containerisierten Workloads, die häufig in CNAPP-Plattformen (Cloud-Native Application Protection Platforms) korreliert werden (SCARFONE; SOUPPAYA, 2022). Diese Erweiterung der Überwachungsfläche unterstreicht die Notwendigkeit skalierbarer formaler Modelle für die forensische 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 Problemformalierung

Wir betrachten einen Angreifer $\mathcal{A}$, der in überwachten Unternehmensumgebungen, die durch standardmäßige Logging-Mechanismen erfasst werden, mehrstufige Kampagnen durchführen kann. Die angenommenen Fähigkeiten umfassen:

1. Remote-Ausnutzung bekannter Schwachstellen;
2. beliebige Codeausführung auf kompromittierten Hosts;
3. lokale Privilegieneskalation;
4. laterale Bewegung unter Verwendung gültiger Zugangsdaten;
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).

Ferner nehmen wir 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.

Wir definieren das untersuchte Problem wie folgt. Gegeben eine Menge beobachteter Ereignisse $E_{obs}$, möchten wir eine Sequenz von Angreiferaktionen 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 ist.

Drei grundlegende Eigenschaften sind im System wünschenswert:

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

Vollständigkeit: Alle plausiblen Ketten müssen im Untersuchungsgraphen darstellbar sein.

Korrektheit: Inferenzketten mit einer Wahrscheinlichkeit oberhalb eines Schwellenwerts $\theta$ 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 darstellt und $P(E|A)$ der Verlässlichkeit der beobachteten Beweise entspricht.

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 überprüfbare Kette von Einträgen und verhindert nicht erkannte Modifikationen an gespeicherten Ereignissen.

5. Implementierung

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

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

Der Mechanismus der probabilistischen Inferenz wurde in Python entwickelt, unter Verwendung wissenschaftlicher Bibliotheken für bedingte Wahrscheinlichkeitsrechnung und Graphenanalyse.

Die beobachtete durchschnittliche Ingestionsrate lag bei etwa 50.000 Ereignissen pro Sekunde, mit einer durchschnittlichen Verarbeitungslatenz von 220 ms. Zur Gewährleistung horizontaler Skalierbarkeit setzten wir eine Partitionierung nach Zeitfenstern $\Delta t$ ein, wodurch parallele Verarbeitung auf mehreren Knoten möglich wurde.

6. Experimentelle Evaluierung

Die experimentelle Evaluierung verwendete drei unterschiedliche Datensätze.

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

Wir verglichen die vorgeschlagene Architektur mit zwei Referenzansätzen.

Kennung	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 forensischen Rekonstruktionszeit um 37,4 % ($\sigma = 4,8$). Auf dem t-Test basierende statistische Tests zeigten Signifikanz mit $p < 0,01$.

Der von der Architektur eingeführte durchschnittliche Rechen-Overhead betrug 12,6 %, ein Wert, der angesichts der Zugewinne an forensischer Präzision als akzeptabel gilt.

7. Diskussion

Die experimentellen Ergebnisse zeigen, dass graphenbasierte zeitliche Modellierung kausale Ambiguitäten während forensischer Untersuchungen signifikant reduziert. Durch die explizite Repräsentation von Abhängigkeiten zwischen Ereignissen vermeidet das System fehlerhafte Inferenzschlüsse, wie sie bei rein chronologischen Ansätzen häufig vorkommen.

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

Dennoch bestehen einige Limitationen fort. 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 im Großmaßstab Milliarden von Knoten erreichen und damit Herausforderungen an Speicherung und Abfrage stellen. Strategien zur Komprimierung und Aggregation von Ereignissen 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-Tools 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 Integritätssicherung von Beweisen basiert. Wir haben gezeigt, dass dieser Ansatz die Rekonstruktion komplexer Angriffsketten mit höherer Präzision und Effizienz ermöglicht als traditionelle, ausschließlich auf heuristischer Korrelation beruhende Methoden.

Unser Beitrag umfasst die mathematische Formalisierung des Untersuchungsmodells, die Definition von Algorithmen zur probabilistischen Rekonstruktion und die empirische Validierung anhand von Datensätzen, die für zeitgenössische Unternehmensumgebungen repräsentativ sind.

Die experimentellen Ergebnisse zeigen substantielle Verbesserungen der Präzisionsmetriken und eine Verringerung der forensischen Rekonstruktionszeit. Diese Ergebnisse legen nahe, dass graphenbasierte zeitliche Architekturen eine vielversprechende Richtung für skalierbare und überprüfbare 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/