כותרת: ARCUS: ארכיטקטורה עמידה ומאוחדת בהקשר לדיטקציה ובלימה אדפטיבית של איומים בסביבות מולטי-קלאוד

1. מבוא

הטרנספורמציה הדיגיטלית המונעת על ידי ארכיטקטורות רב-ענניות, קונטיינרים, תזמור באמצעות Kubernetes ותשתית כקוד (IaC) הגדירה מחדש באופן מהותי את פרדיגמת הסייבר-אבטחה. ארגונים בני-זמננו מפזרים עומסי עבודה בין Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP) וסביבות on-premise, תוך שילוב API-ים ציבוריים, צינורות DevSecOps, שירותי צד שלישי ופלטפורמות בינה מלאכותית גנרטיבית. הטרוגניות זו מרחיבה את משטח התקיפה ומכניסה תלותיות לא-ליניאריות בין רכיבים מבוזרים, מה שמקשה על הנצפות ועל מתאם האירועים.

אירועים עדכניים ממחישים מורכבות מערכתית זו. הפגיעות Log4Shell (CVE-2021-44228) הדגימה כיצד ספריות נפוצות בשימוש רחב יכולות להפוך לווקטורים גלובליים לביצוע קוד מרחוק. פשרות שרשרת אספקה, כגון המקרה של SolarWinds, ממחישות את הטכניקה T1195 (Supply Chain Compromise) במטריצת MITRE ATT&CK (MITRE, 2024). דוחות Verizon מצביעים על כך שחלק רוב הפרצות כולל גורם אנושי או שימוש באישורים תקפים שנפגעו, שלעתים קרובות משויכים לטכניקה T1078 (Valid Accounts) (VERIZON, 2024). בשנת 2025 מצטרפות איומים ייעודיים למודלי שפה גדולים (LLMs), לרבות prompt injection, חילוץ הקשר וניצול לרעה של plugins, ובכך מרחיבות את היקף הסיכונים (OWASP, 2024).

פתרונות מסורתיים של SIEM, IDS ו-IPS, כגון Snort (ROESCH, 1999), ופלטפורמות מודרניות של XDR ו-CNAPP, אף כי הן יעילות בתרחישים מסוימים, מתבססות לעיתים קרובות על חתימות, כללים היוריסטיים או קורלציות מוגדרות מראש. מנגנונים אלה מציגים מגבלות מבניות: שיעור גבוה של false positives, קושי בקורלציה בין-תחומית והיעדר ערבויות פורמליות לגבי פעולות אוטומטיות של בלימה. גישות המבוססות אך ורק על אנומליה מתמודדות עם בעיית ה“עולם הפתוח”, שבה השונות הלגיטימית של המערכת פוגעת בחוסן המודלים (SOMMER; PAXSON, 2010).

לפיכך, אנו מנסחים את שאלות המחקר הבאות:

RQ1: כיצד למודּל באופן פורמלי אינטראקציות רב-ענניות כך שייתפסו תלותיות זמניות והקשריות הרלוונטיות לזיהוי איומים מתקדמים, כולל תקיפות המכוונות לעומסי עבודה של AI?

RQ2: האם ניתן לשלב למידה עמוקה מבוססת גרפים עם ערבויות פורמליות לנכונות בתזמור אוטומטי של תגובות, תוך שמירה על אינוואריאנטים קריטיים של זמינות?

RQ3: אילו רווחים כמותיים בדיוק, בחוסן ובחביון ניתן להשיג באמצעות ארכיטקטורה מאוחדת ואדפטיבית, בהשוואה לפתרונות המבוססים רק על חתימות או מודלים סדרתיים?

תרומותינו הן:

C1: פורמליזציה של גרף זמני הסתברותי לייצוג אחוד של אירועי רב-ענן, כולל טלמטריית runtime באמצעות eBPF ולוגים של שירותים מנוהלים.

C2: הצעה למנגנון זיהוי המבוסס על Graph Attention Networks (VELICKOVIC et al., 2018) עם הסקה בייסיאנית הקשרית ו-embeddings דינמיים.

C3: ניסוח הבלימה כבעיה של תכנות שלם מעורב (MILP) עם אילוצים ניתנים לאימות הנגזרים ממדיניות פורמלית, כולל ניתוח סיבוכיות וערבויות לנכונות חלקית.

2. רקע ועבודות קשורות

2.1 יסודות פורמליים

אנו מגדירים סביבה רב-עננית כקבוצה של תחומי ניהול $D = {d_1, \dots, d_k}$. כל תחום מכיל ישויות $E_i$ (משתמשים, תהליכים, קונטיינרים, pods של Kubernetes, פונקציות serverless, מודלי AI וזהויות שירות). אירוע ממודל כטופל:

$$ e = (s, t, \tau, \alpha) $$

כאשר $s, t \in V$ מייצגים ישויות מקור ויעד, $\tau \in \mathbb{R}^+$ הוא חותם הזמן ו-$\alpha \in \mathbb{R}^p$ הוא וקטור של מאפיינים נצפים (למשל, סוג API, namespace של Kubernetes, hash של image, embedding של prompt).

המערכת מיוצגת כגרף זמני הסתברותי:

$$ G = (V, E, T, \mathbb{P}) $$

בו $T: E \rightarrow \mathbb{R}^+$ משייך זמן לקשתות ו-$\mathbb{P}$ מגדיר התפלגות על תבניות התנהגותיות המותנות בהקשר. הזיהוי מנוסח כבעיה של הסקה:

$$ f(G_t) = \arg\max_{y \in {0,1}} P(y \mid G_t), $$

כאשר $G_t$ הוא תת-הגרף המושרָה על ידי אירועים עד לזמן $t$.

2.2 עבודות קשורות

רשתות עצביות קונבולוציוניות על גבי גרפים (KIPF; WELLING, 2017) ומנגנוני קשב (VELICKOVIC et al., 2018) יושמו בזיהוי חדירה ובניתוח תעבורה לטרלית. הרחבות זמניות ודינמיות הרחיבו מודלים אלה לגרפים מתפתחים, תוך שמירה על סיבוכיות טיפוסית $O(|E|d)$ לכל שכבה, כאשר $d$ הוא ממד ה-embedding.

ארכיטקטורות מבוססות קשב גלובלי, כגון Transformers (VASWANI et al., 2017), מציגות סיבוכיות זמנית $O(n^2)$ ברצפים ארוכים, עובדה המניעה שימוש בייצוגים מובנים כגרפים כדי לצמצם את העלות החישובית בסביבות בעלות קרדינליות גבוהה של אירועים.

בהקשר הנורמטיבי, NIST SP 800-61r2 (NIST, 2012) ו-NIST Cybersecurity Framework 2.0 (NIST, 2024) קובעים הנחיות לטיפול באירועים, בעוד ISO/IEC 27001:2022 (ISO, 2022) מגדיר דרישות למערכות ניהול אבטחת מידע. עם זאת, מסגרות אלה אינן מַפרטות מנגנונים פורמליים לאופטימיזציה אוטומטית של תגובות. בסביבות cloud-native, פלטפורמות CNAPP משלבות CSPM, CWPP ו-CIEM, אך לרוב חסרה להן פורמליזציה מתמטית של ערבויות הבלימה.

3. מודל האיום ופורמליזציה של הבעיה

אנו מאמצים מודל יריב בהשראת Dolev-Yao (DOLEV; YAO, 1983), מורחב לסביבות רב-ענניות עם זהות מאוחדת ו-API-ים חשופים. היריב יכול:

1. ליירט, לשנות או להסיט תקשורת בין שירותים.
2. לפגוע באישורים תקפים או באסימוני OAuth.
3. להריץ קוד שרירותי במכונות פגיעות או בקונטיינרים שהוגדרו באופן שגוי.
4. לבצע תנועה לטרלית, הסלמת הרשאות והתמדה.
5. לנצל אינטגרציות עם מודלי AI, כולל prompt injection וחילוץ של הקשר רגיש.

נסמן $A = {a_1, \dots, a_m}$ כקבוצת הטכניקות הממופות ל-MITRE ATT&CK (MITRE, 2024). אנו מגדירים את פונקציית העלות הגלובלית:

$$ \min_{\pi} \mathbb{E}\left[L_{det}(G) + \lambda L_{resp}(\pi)\right], $$

כאשר $L_{det}$ היא אובדן הזיהוי (למשל, cross-entropy) ו-$L_{resp}$ מייצג עלות תפעולית והשפעה על זמינות, המשויכת למדיניות $\pi$.

המאפיינים הרצויים כוללים:

נכונות חלקית: שום פעולת תגובה אינה מפרה מדיניות קריטית של זמינות או שלמות, המנוסחת כאינוואריאנטים $I$ כך שלכל $\pi$ מתקיים $; I(\pi) = \text{true}$.

שלמות הסתברותית:

$$ P(f(G)=1 \mid \text{ataque}) \geq \theta, $$

עבור סף $\theta$ שהוגדר מראש.

חביון מוגבל:

$$ \Delta t_{det} < 10,\text{s}. $$

הפתרון המדויק של ה-MILP הוא NP-קשה. אנו משתמשים ב-branch-and-bound ובחתכים תקפים, עם סיבוכיות אקספוננציאלית במקרה הגרוע, אולם ביצועים מעשיים מקובלים עבור $|A| < 50$ ומספר פעולות מועמדות מוגבל על ידי מדיניות מסוננת מראש.

4. המתודולוגיה המוצעת

4.1 בנייה אינקרמנטלית של הגרף

קליטת האירועים מתבצעת באופן אינקרמנטלי, עם סיבוכיות אמורטית $O(|S|)$ להוספת קבוצה $S$ של אירועים, בהנחה של גישה $O(1)$ לקודקודים באמצעות hashing. האירועים מנורמלים לפי סכימה משותפת ומועשרים בהקשר (תגיות ענן, זהות, namespace, מודל AI משויך).

4.2 מודל GNN עם קשב

עדכון ה-embeddings מתבצע לפי:

$$ h_v^{(l+1)} = \sigma \left( \sum_{u \in \mathcal{N}(v)} \alpha_{vu}^{(l)} W^{(l)} h_u^{(l)} \right), $$

כאשר מקדמי הקשב הם:

$$ \alpha_{vu}^{(l)} = \frac{\exp(e_{vu})}{\sum_{k \in \mathcal{N}(v)} \exp(e_{vk})}. $$

הסיבוכיות לכל שכבה היא $O(|E|d)$. אנו משלבים embeddings זמניים וקידוד מיקומי כדי ללכוד תלותיות של סדר, תוך שמירה על היתכנות חישובית לזרמים של מיליוני אירועים בשנייה.

4.3 תזמור באמצעות MILP

אנו מנוסחים את הבלימה כ:

$$ \min \sum_i c_i x_i $$

בכפוף ל:

$$ Ax \leq b, \quad x_i \in {0,1}. $$

האילוצים $Ax \leq b$ מקודדים מדיניות פורמלית, כגון הפרדת סמכויות, דרישות זמינות גבוהה ותלויות בין שירותים. אנו מראים כי, אם קבוצת האילוצים עקבית, הפתרון האופטימלי מקיים אינוואריאנטים של אבטחה שהוגדרו מראש בלוגיקה זמנית ליניארית (LTL), אשר האימות שלה מתבצע offline.

5. מימוש

קליטת הנתונים משתמשת ב-Apache Kafka (APACHE, 2024), עם תפוקה שנצפתה של כ-$2{,}3 \times 10^6$ אירועים בשנייה באשכול מבוזר. טלמטריה ברמה נמוכה ב-hosts של Linux נאספת באמצעות eBPF, מה שמפחית overhead ומרחיב את הנראות של קריאות מערכת. אחסון הגרפים מתבצע באמצעות Neo4j בתצורה מבוזרת (NEO4J, 2024).

אימון המודל בוצע על GPUs של NVIDIA A100, תוך שימוש בממטב Adam (KINGMA; BA, 2015). חביון ההסקה הממוצע לכל batch היה נמוך מ-$120$ ms, ובכך עמד בדרישה $\Delta t_{det} < 10$ s גם תחת עומס גבוה. הסקלאביליות אומתה עד לכ- $1{,}2 \times 10^9$ אירועים מצטברים, עם חלוקה אופקית.

6. הערכה ניסויית

השתמשנו במערכי הנתונים UNSW-NB15 (UNSW, 2015) ו-CIC-IDS2017 (CIC, 2017), בתוספת תרחישים סינתטיים רב-ענניים עם לוגים של Kubernetes ו-API-ים בענן. המדדים כוללים AUC-ROC, F1-score, שיעור החיוביים האמיתיים (TPR) ושיעור השליליים השגויים (FPR).

מדד	ARCUS	Baseline GCN	IDS מבוסס חתימות
AUC-ROC	$0{,}982 \pm 0{,}004$	$0{,}951$	$0{,}887$
F1-score	$0{,}964 \pm 0{,}006$	$0{,}921$	$0{,}854$
TPR	$97{,}8%$	$93{,}2%$	$88{,}5%$
FPR	$1{,}9%$	$3{,}8%$	$6{,}4%$

מבחן t דו-צדדי של Student הצביע על $p < 0{,}01$ בהשוואה לבסelines, דבר המרמז על הבדל מובהק סטטיסטית. נצפתה הפחתה עקבית ב-false positives, גורם קריטי עבור סביבות SOC בקנה מידה גדול.

7. דיון

המודל באמצעות גרפים זמניים הסתברותיים מאפשר ללכוד סיבתיות מקורבת ותלותיות מבניות בין זהויות, workloads ושירותי AI. השילוב עם MILP מספק ערבות לנכונות חלקית תחת אילוצים מפורשים, ובכך מפחית סיכונים של תגובות אוטומטיות אגרסיביות מדי.

המגבלות כוללות עלות חישובית ראשונית של האימון (כ-18 שעות) ותלות באיכות ובשלמות הלוגים. סביבות עם טלמטריה מקוטעת עלולות לפגוע בהסקה ההסתברותית. אף על פי כן, הארכיטקטורה מדגימה היתכנות מעשית בתרחישים בקנה מידה גדול.

8. סיכום ועבודת עתיד

ARCUS מדגימה כי השילוב בין מודלינג פורמלי, GNNs ואופטימיזציה ניתנת לאימות מייצר רווחים מדידים בדיוק, בחוסן ובחביון בסביבות רב-ענניות עכשוויות. הפורמליזציה המפורשת של אינוואריאנטים ואילוצים מבדילה את הגישה מפתרונות היוריסטיים גרידא.

ככיווני מחקר עתידיים, אנו מציעים לבחון למידה מאוחדת מאובטחת בין כמה ארגונים, שילוב מנגנוני קריפטוגרפיה פוסט-קוונטית להגנת טלמטריה בין-תחומית ואימות אוטומטי של מדיניות באמצעות LTL ו-model checking אינקרמנטלי.

References

APACHE SOFTWARE FOUNDATION. Apache Kafka Documentation. 2024. Available at: https://kafka.apache.org/documentation/.

CIC. CIC-IDS2017 Dataset. 2017. Available at: https://www.unb.ca/cic/datasets/ids-2017.html.

DOLEV, D.; YAO, A. C. On the security of public key protocols. IEEE Transactions on Information Theory, v. 29, n. 2, p. 198–208, 1983. Available at: https://ieeexplore.ieee.org/document/1056650.

ISO. ISO/IEC 27001:2022 Information security management systems — Requirements. 2022. Available at: https://www.iso.org/standard/27001.

KINGMA, D.; BA, J. Adam: A Method for Stochastic Optimization. ICLR, 2015. Available at: https://arxiv.org/abs/1412.6980.

KIPF, T.; WELLING, M. Semi-Supervised Classification with Graph Convolutional Networks. ICLR, 2017. Available at: https://arxiv.org/abs/1609.02907.

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

NEO4J. Neo4j Documentation. 2024. Available at: https://neo4j.com/docs/.

NIST. Computer Security Incident Handling Guide (SP 800-61r2). 2012. Available at: https://csrc.nist.gov/publications/detail/sp/800-61/rev-2/final.

NIST. Cybersecurity Framework 2.0. 2024. Available at: https://www.nist.gov/cyberframework.

OWASP. OWASP Top 10 for Large Language Model Applications. 2024. Available at: https://owasp.org/www-project-top-10-for-large-language-model-applications/.

ROESCH, M. Snort: Lightweight intrusion detection for networks. In: USENIX LISA. 1999. Available at: https://www.usenix.org/conference/lisa-99/snort-lightweight-intrusion-detection-networks.

SOMMER, R.; PAXSON, V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection. IEEE Symposium on Security and Privacy, 2010. Available at: https://ieeexplore.ieee.org/document/5504793.

UNSW. UNSW-NB15 Dataset. 2015. Available at: https://research.unsw.edu.au/projects/unsw-nb15-dataset.

VASWANI, A. et al. Attention Is All You Need. NeurIPS, 2017. Available at: https://arxiv.org/abs/1706.03762.

VELICKOVIC, P. et al. Graph Attention Networks. ICLR, 2018. Available at: https://arxiv.org/abs/1710.10903.

VERIZON. Data Breach Investigations Report 2024. 2024. Available at: https://www.verizon.com/business/resources/reports/dbir/.