TITEL: Formal fundierte Architektur für graphenbasiertes 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 in Reaktion auf die zunehmende Komplexität digitaler Infrastrukturen und die erhebliche Vergrößerung der Angriffsfläche in Unternehmensumgebungen deutlich weiterentwickelt. Zeitgenössische Rechenökosysteme integrieren Cloud-Dienste, hybride Umgebungen, Microservice-Architekturen und verteilte Endgeräte und erzeugen dabei massive Mengen an Sicherheits-Telemetrie. In diesem Kontext ist digitale Forensik zu einem Problem im großen rechnerischen Maßstab 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 Angreifer in persistenten, mehrstufigen Kampagnen operieren, die Erstkompromittierung, 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 Aktivität lässt sich mithilfe des MITRE-ATT&CK-Rahmenwerks beschreiben, das 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 in Sequenz 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 bilden, 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, regelbasierte oder heuristisch-korrelationbasierte Ansätze häufig falsch-positive Ergebnisse erzeugen oder relevante kausale Zusammenhänge übersehen (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 sie erstmals entdeckt werden (VERIZON, 2023). In ähnlicher Weise zeigen operative Analysen von Mandiant, dass ein erheblicher Anteil der untersuchten Vorfälle beträchtliche 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 bewahrt bleiben?

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

RQ3: Welche Auswirkungen auf Leistung und Skalierbarkeit hat die Anwendung dieser Modelle in Umgebungen mit Telemetrie im großen Maßstab?

Unsere wichtigsten Beiträge sind:

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

C2: Vorschlag eines Algorithmus zur probabilistischen Angriffsrückgewinnung, der auf bayesianischer Inferenz basiert und durch Muster des MITRE-ATT&CK-Rahmenwerks konditioniert ist.

C3: Implementierung eines skalierbaren Prototyps und experimentelle Evaluation auf repräsentativen Datensätzen, die messbare Gewinne in investigativer Genauigkeit und Rekonstruktionszeit demonstrieren.

Der Rest des Artikels ist wie folgt organisiert. 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 Evaluation. Abschnitt 7 diskutiert Implikationen und Einschränkungen. Abschließend zieht Abschnitt 8 die Schlussfolgerungen.

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 kann eine Menge beobachteter Beweise wie folgt dargestellt werden:

$E = {e_1, e_2, …, e_n}$

wobei jedes Ereignis $e_i$ strukturelle Attribute besitzt:

$(t_i, s_i, m_i)$

in denen $t_i$ den Zeitstempel darstellt, $s_i$ die Ursprungsquelle angibt (beispielsweise Endpunkt, Firewall oder Anwendung) und $m_i$ einer Menge von Metadaten entspricht.

Traditionelle Modelle behandeln Ereignisse häufig als unabhängige Beobachtungen und ordnen sie nur nach Zeitstempeln. Dieser auf einer Zeitleiste basierende Ansatz ignoriert kausale Abhängigkeiten zwischen Rechenoperationen 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 Prozessen, Dateien und Netzwerkverbindungen (BATES et al., 2015).

Dieses Konzept lässt sich durch die Definition zeitlicher Graphen erweitern:

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

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 mehrere 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 Phasen korreliert, die durch die ATT&CK-Struktur definiert sind (MILAJERDI et al., 2019). Obwohl dieses System für die Erkennung bösartiger Verhaltensweisen 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, heuristische und statistische Korrelation, um verdächtige Muster zu identifizieren (SPLUNK, 2023; IBM, 2023). Solche Systeme agieren jedoch häufig als analytische Black Boxes, was die formale Verifikation der erzeugten Schlussfolgerungen 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 Ausweitung der Überwachungsfläche 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 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 Standard-Logging-Mechanismen überwacht werden. Die angenommenen Fähigkeiten umfassen:

1. die Remote-Ausnutzung bekannter Schwachstellen;
2. die arbiträre Ausführung von Code auf kompromittierten Hosts;
3. lokale Privilegieneskalation;
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).

Ferner nehmen wir an, dass die überwachte Infrastruktur Telemetrie aus mehreren Quellen erzeugt, einschließlich EDR, Authentifizierungsprotokollen, 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 $E_{obs}$; wir möchten eine Sequenz 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 mit dem Bedrohungsmodell kompatible Kette von Techniken darstellt.

Drei grundlegende Eigenschaften sind für das System wünschenswert:

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

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

Korrektheit: Ketten, die mit einer Wahrscheinlichkeit oberhalb eines Schwellenwerts $\theta$ inferiert werden, 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. Aufnahme und Normalisierung von Ereignissen;
2. Aufbau des zeitlichen Provenienzgraphen;
3. Mechanismus der probabilistischen Inferenz;
4. kryptografische Integritätsschicht.

Während der Aufnahme 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: Konstruktion 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 bei Verwendung zeitlicher Indizes zur Lokalisierung von Abhängigkeiten näherungsweise $O(n \log n)$.

Algorithmus 2: Probabilistische Angriffsrückgewinnung (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 Likelihood der beobachteten Evidenz entspricht.

Zur Sicherstellung der Integrität der Beweise verwenden wir eine kryptografische Verkettung von Hashes:

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

Dieser Mechanismus erzeugt eine verifizierbare Kette von Aufzeichnungen und verhindert unentdeckte Änderungen an gespeicherten Ereignissen.

5. Implementierung

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

Die Ereignisaufnahme wurde mit dem Elastic Stack durchgeführt, mit einer 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 strukturelle Abfragen und zeitliche Indizierung bietet (NEO4J, 2023).

Der probabilistische Inferenzmechanismus wurde in Python entwickelt und nutzte wissenschaftliche Bibliotheken für bedingte Wahrscheinlichkeitsrechnung und Graphenanalyse.

Die beobachtete durchschnittliche Aufnahmerate betrug ungefähr 50.000 Ereignisse pro Sekunde bei einer durchschnittlichen Verarbeitungslatenz von 220 ms. Um horizontale Skalierbarkeit zu gewährleisten, verwendeten wir eine Partitionierung nach Zeitfenstern $\Delta t$, wodurch eine parallele Verarbeitung über mehrere Knoten ermöglicht wurde.

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

Der durch die Architektur verursachte durchschnittliche Rechenaufwand betrug 12,6 %, ein Wert, der angesichts der Gewinne an investigativer Genauigkeit als akzeptabel gilt.

7. Diskussion

Die experimentellen Ergebnisse zeigen, dass graphorientierte zeitliche Modellierung kausale Mehrdeutigkeiten während forensischer Untersuchungen signifikant reduziert. Durch die explizite Darstellung von Abhängigkeiten zwischen Ereignissen vermeidet das System falsche Schlussfolgerungen, wie sie bei rein chronologischen Ansätzen häufig auftreten.

Die Verwendung bayesianischer 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 erhöht die Robustheit investigativer Schlussfolgerungen.

Dennoch bestehen einige Einschränkungen fort. Die Qualität der Schlussfolgerungen 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 großen Maßstab Milliarden von Knoten erreichen und damit Herausforderungen an Speicherung und Abfrage stellen. Komprimierungs- und Ereignisaggregationsstrategien stellen vielversprechende Bereiche für zukünftige Forschung 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 Integrität der Beweise basiert. Wir haben gezeigt, 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 Untersuchungsmodells, die Definition von Algorithmen zur probabilistischen Rekonstruktion sowie die empirische Validierung auf Datensätzen, die repräsentativ für zeitgenössische Unternehmensumgebungen sind.

Die experimentellen Ergebnisse weisen auf substanzielle Verbesserungen der Präzisionsmetriken und eine Verringerung der Zeit zur investigativen Rekonstruktion hin. Diese Ergebnisse deuten darauf hin, dass zeitgraphbasierte 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/