TITEL: Formal fundierte Architektur für grafenbasiertes DFIR mit kryptografischen Integritätsgarantien und probabilistischer Rekonstruktion der Angriffskette

1. Einleitung

Die Disziplin Digital Forensics and Incident Response (DFIR) hat sich im Laufe des letzten Jahrzehnts als Reaktion auf die zunehmende Komplexität digitaler Infrastrukturen und die erhebliche Ausweitung der Angriffsfläche von Unternehmensumgebungen deutlich weiterentwickelt. Zeitgenössische Rechenökosysteme integrieren Cloud-Services, hybride Umgebungen, Microservice-Architekturen und verteilte Endgeräte und erzeugen dabei massive Mengen an Sicherheits-Telemetrie. In diesem Kontext ist die digitale forensische Untersuchung zu einem großskaligen rechnergestützten Problem 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 rasche 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 operieren, die anfängliche Kompromittierung, laterale Bewegung und Datenexfiltration umfassen (MANDIANT, 2023). In aktuellen Ransomware-Kampagnen, die von Gruppen wie LockBit und ALPHV/BlackCat durchgeführt werden, beobachtet man zudem die Kombination aus Persistenztechniken, Missbrauch gültiger Anmeldeinformationen und Deaktivierung von Audit-Mechanismen.

Ein großer Teil dieser Aktivität lässt sich mithilfe der MITRE-ATT&CK-Struktur beschreiben, die Taktiken und Techniken von Gegnern 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 Protokolldaten eine erhebliche Herausforderung.

Das zentrale Problem im zeitgenössischen DFIR besteht darin, die kausale Sequenz von Ereignissen, die einen Sicherheitsvorfall ausmachen, konsistent und verifizierbar zu rekonstruieren. Große Organisationen erzeugen häufig Milliarden von Ereignissen pro Tag aus EDR-Systemen, Firewalls, Proxys, Identitätsplattformen und Cloud-Services. Die manuelle Analyse dieser Daten wird unpraktikabel, während automatisierte Ansätze auf Basis von Regeln oder heuristischer Korrelation häufig falsch-positive Ergebnisse produzieren 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 längere Zeiträume verbleiben, bevor sie erstmals entdeckt werden (VERIZON, 2023). In ähnlicher Weise zeigen operative Analysen von Mandiant, dass ein substantieller Anteil der untersuchten Vorfälle erhebliche 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, um Kausalität und zeitliche Konsistenz zu bewahren?

RQ2: Ist es möglich, komplexe Angriffsketten mit höherer Genauigkeit unter Verwendung graphorientierter probabilistischer Inferenz zu rekonstruieren?

RQ3: Welche Leistungs- und Skalierbarkeitseffekte hat die Anwendung dieser Modelle in Umgebungen mit Telemetrie im großen Maßstab?

Unsere wichtigsten Beiträge sind:

C1: Formale Definition eines zeitlichen Graphmodells zur Repräsentation digitaler Beweise mit expliziten Integritäts- und zeitlichen Konsistenz-Eigenschaften.

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 an repräsentativen Datensätzen, die messbare Zugewinne bei der forensischen Genauigkeit und der Rekonstruktionszeit demonstrieren.

Der restliche Artikel ist wie folgt strukturiert. 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 detailliert die experimentelle Implementierung. Abschnitt 6 präsentiert die empirische Evaluation. Abschnitt 7 diskutiert Implikationen und Einschränkungen. Abschließend 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 darstellen als:

$E = {e_1, e_2, …, e_n}$

wobei jedes Ereignis $e_i$ strukturelle Attribute besitzt:

$(t_i, s_i, m_i)$

in denen $t_i$ den Zeitstempel repräsentiert, $s_i$ die Quellensource angibt (zum Beispiel 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 zeitlinienbasierte 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 durch zeitliche Graphen erweitern, 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 Provenienzverfolgungsmechanismen auf Betriebssystemebene ein, während das SPADE-Framework 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 Stufen korreliert (MILAJERDI et al., 2019). Obwohl dieses System wirksam bei der Erkennung bösartigen Verhaltens ist, bietet es weder formale Garantien für Vollständigkeit 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 Identifizierung verdächtiger Muster (SPLUNK, 2023; IBM, 2023). Allerdings agieren solche Systeme häufig als analytische Black Boxes, was die formale Überprüfung der erzeugten Inferenz erschwert.

In den letzten Jahren integrieren moderne Beobachtbarkeits- und Sicherheitsarchitekturen zunehmend auch Telemetrie aus Cloud-Umgebungen und containerisierten Workloads, die häufig auf CNAPP-Plattformen (Cloud-Native Application Protection Platforms) korreliert werden (SCARFONE; SOUPPAYA, 2022). Diese Ausweitung 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 Problemformalisierung

Wir betrachten einen Gegner $\mathcal{A}$, 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 Privilegieneskalation;
4. laterale Bewegung unter Verwendung gültiger Anmeldeinformationen;
5. Versuche, Protokolle zu entfernen oder zu manipulieren.

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

Wir nehmen außerdem an, dass die überwachte Infrastruktur Telemetrie aus mehreren Quellen erzeugt, darunter EDR, Authentifizierungsprotokolle, Netzwerkflüsse und Anwendungsereignisse. 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 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 im System wünschenswert:

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

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

Korrektheit: Inferenzketten 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. 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 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 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-Kette:

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

Dieser Mechanismus erzeugt eine überprüfbare Kette von Einträgen und verhindert unbemerkte Änderungen an 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 der Ereignisse erfolgte mit dem Elastic Stack, mit Normalisierung auf Basis des Schemas Elastic Common Schema (ECS) (ELASTIC, 2024). Die Speicherung und Abfrage des zeitlichen Graphen wurden mit Neo4j implementiert, das effiziente Unterstützung für strukturelle Abfragen und zeitliche Indizierung bietet (NEO4J, 2023).

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

Die beobachtete durchschnittliche Ingestionsrate betrug etwa 50.000 Ereignisse pro Sekunde, bei einer durchschnittlichen Verarbeitungslatenz von 220 ms. Zur Gewährleistung horizontaler Skalierbarkeit setzten wir eine Partitionierung nach Zeitfenstern $\Delta t$ ein, die parallele Verarbeitung über mehrere Knoten ermöglichte.

6. Experimentelle Evaluation

Die experimentelle Evaluation verwendete drei unterschiedliche Datensätze.

Datensatz	Größe	Beschreibung
DARPA Transparent Computing	5,1 TB	Betriebssystem-Telemetrie für Sicherheitsforschung
Unternehmensprotokolle	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 durch die Architektur eingeführte durchschnittliche Rechenaufwand betrug 12,6 %, ein Wert, der im Lichte der Zugewinne an forensischer Präzision als akzeptabel angesehen wird.

7. Diskussion

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

Der Einsatz bayesscher 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 Expertenwissen und beobachteten Beweisen verbessert die Robustheit investigativer Schlussfolgerungen.

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

Darüber hinaus können Provenienzgraphen im großen Maßstab Milliarden von Knoten erreichen und damit Herausforderungen für Speicherung und Abfrage mit sich bringen. Strategien zur Kompression und Aggregation von Ereignissen stellen vielversprechende Bereiche für zukünftige Forschung dar.

Aus operativer Sicht erfordert die praktische Einführung dieser Architektur die Integration in bereits 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 Integrität der Beweise basiert. Wir haben gezeigt, dass dieser Ansatz die Rekonstruktion komplexer Angriffsketten mit höherer Genauigkeit und Effizienz ermöglicht als traditionelle Methoden, die sich ausschließlich auf heuristische Korrelation stützen.

Unser Beitrag umfasst die mathematische Formalisierung des investigativen Modells, die Definition von Algorithmen zur probabilistischen Rekonstruktion und die empirische Validierung an repräsentativen Datensätzen aus zeitgenössischen Unternehmensumgebungen.

Die experimentellen Ergebnisse deuten auf substanzielle Verbesserungen der Präzisionsmetriken und eine Verringerung der forensischen Rekonstruktionszeit hin. Diese Ergebnisse legen nahe, dass architekturbasierte Ansätze auf zeitlichen Graphen 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/