ARCUS: ארכיטקטורה עמידה ומאוחדת הקשרית לזיהוי ובלימה אדפטיבית של איומים בסביבות רב־ענן

1. מבוא

הטרנספורמציה הדיגיטלית המונעת על ידי ארכיטקטורות רב־ענן, קונטיינרים, אורקסטרציה 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 APIs ציבוריים, צינורות DevSecOps, שירותי צד שלישי ופלטפורמות של בינה מלאכותית גנרטיבית. הטרוגניות זו מרחיבה את שטח התקיפה ומציגה תלויות לא ליניאריות בין רכיבים מבוזרים, מה שמקשה על תצפיתיות ועל קורלציה בין אירועים.

אירועים אחרונים מדגימים מורכבות מערכתית זו. הפגיעות Log4Shell (CVE-2021-44228) הראתה כיצד ספריות בשימוש נרחב יכולות להפוך לווקטורים גלובליים להרצת קוד מרחוק. פשרות בשרשרת האספקה, כמו במקרה SolarWinds, מדגימות את הטכניקה T1195 (Supply Chain Compromise) במטריצת MITRE ATT&CK (MITRE, 2024). דוחות של Verizon מצביעים על כך שחלק מרכזי מהפרות האבטחה מערב גורם אנושי או שימוש בפרטי גישה תקפים שנפגעו, לעיתים קרובות בהקשר לטכניקה T1078 (Valid Accounts) (VERIZON, 2024). בשנת 2025 מתווספים איומים ספציפיים למודלי שפה גדולים (LLMs), כולל prompt injection, זליגת הקשר (context exfiltration) וניצול לרעה של תוספים, מה שמרחיב את היקף הסיכונים (OWASP, 2024).

פתרונות מסורתיים של SIEM, IDS ו‑IPS, כגון Snort (ROESCH, 1999), וכן פלטפורמות מודרניות של XDR ו‑CNAPP, אף שהם יעילים בתרחישים מסוימים, מבוססים לעיתים קרובות על חתימות, כללים היוריסטיים או קורלציות מוגדרות מראש. מנגנונים כאלה מציגים מגבלות מבניות: שיעור גבוה של אזעקות שווא (false positives), קושי בקורלציה בין תחומים, והיעדר ערבויות פורמליות לגבי פעולות בלימה אוטומטיות. גישות המבוססות אך ורק על אנומליה מתמודדות עם בעיית “העולם הפתוח”, שבה השונות הלגיטימית של המערכת פוגעת בחוסן המודלים (SOMMER; PAXSON, 2010).

לפיכך אנו מנסחים את שאלות המחקר הבאות:

RQ1: כיצד ניתן למדל באופן פורמלי אינטראקציות רב־ענניות כך שיילכדו תלויות זמניות והקשריות הרלוונטיות לזיהוי איומים מתקדמים, כולל התקפות המכוונות לעומסי עבודה של בינה מלאכותית?

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

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

תרומותינו הן:

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

C2: הצעת מנגנון זיהוי המבוסס על Graph Attention Networks (VELICKOVIC et al., 2018) עם הסקה בייסיאנית הקשרית ו‑embeddings דינמיים.

C3: ניסוח הבלימה כבעיית תכנות שלם מעורב (MILP) עם אילוצים הניתנים 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 בינה מלאכותית וזהויות שירות). אירוע ממודל כטופל:

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

שבו $s, t \in V$ מייצגים ישויות מקור ויעד, $\tau \in \mathbb{R}^+$ הוא חותמת זמן, ו‑$\alpha \in \mathbb{R}^p$ הוא וקטור של תכונות נצפות (לדוגמה, סוג API, מרחב שמות Kubernetes, hash של תמונה, embedding של prompt).

המערכת מיוצגת באמצעות גרף זמני הסתברותי:

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

שבו $T: E \rightarrow \mathbb{R}^+$ מקשר זמן לקשתות ו‑$\mathbb{P}$ מגדיר התפלגות על דפוסי התנהגות המותנים בהקשר. הזיהוי מנוסח כבעיית הסקה:

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

שבה $G_t$ הוא תת־הגרף המושר על ידי אירועים עד לזמן $t$.

2.2 עבודות קשורות

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

ארכיטקטורות המבוססות על קשב גלובלי, כגון Transformers (VASWANI et al., 2017), מציגות סיבוכיות זמן $O(n^2)$ ברצפים ארוכים, דבר המניע שימוש בייצוגים מבניים מבוססי גרפים כדי להפחית עלות חישובית בסביבות בעלות קרדינליות גבוהה של אירועים.

בהקשר הנורמטיבי, NIST SP 800-61r2 (NIST, 2012) ו‑NIST Cybersecurity Framework 2.0 (NIST, 2024) קובעים הנחיות לתגובה לאירועי אבטחה, בעוד ISO/IEC 27001:2022 (ISO, 2022) מגדיר דרישות למערכות ניהול אבטחת מידע. עם זאת, מסגרות אלו אינן מפרטות מנגנונים פורמליים לאופטימיזציה אוטומטית של תגובות. בסביבות cloud-native, פלטפורמות CNAPP משלבות CSPM, CWPP ו‑CIEM, אך בדרך כלל חסרה בהן פורמליזציה מתמטית של ערבויות הבלימה.

3. מודל האיום ופורמליזציית הבעיה

אנו מאמצים מודל יריב בהשראת Dolev-Yao (DOLEV; YAO, 1983), המורחב לסביבות רב־ענן עם זהות פדרטיבית ו‑APIs חשופים. היריב יכול:

1. ליירט, לשנות או לנתב מחדש תקשורת בין שירותים.
2. לפגוע בפרטי גישה תקפים או בטוקני OAuth.
3. להריץ קוד שרירותי במופעים פגיעים או בקונטיינרים שהוגדרו באופן שגוי.
4. לבצע תנועה לטרלית, הסלמת הרשאות והתמדה.
5. לנצל אינטגרציות עם מודלי בינה מלאכותית, כולל prompt injection וזליגת הקשר רגיש.

יהי $A = {a_1, \dots, a_m}$ קבוצת 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 $L_{det}$ הוא הפסד הזיהוי (לדוגמה, אנטרופיה צולבת) ו‑$L_{resp}$ מייצג עלות תפעולית והשפעה על זמינות הקשורות למדיניות $\pi$.

התכונות הרצויות כוללות:

נכונות חלקית: שום פעולת תגובה אינה מפרה מדיניות קריטית של זמינות או שלמות, המנוסחות כאינווריאנטים $I$ כך ש‑$\forall \pi, ; I(\pi) = \text{true}$.

שלמות הסתברותית:

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

עבור סף $\theta$ שהוגדר מראש.

זמן השהיה מוגבל:

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

הפתרון המדויק של MILP הוא NP‑קשה. אנו משתמשים ב‑branch-and-bound ובחתכים תקפים (valid cuts), עם סיבוכיות אקספוננציאלית במקרה הגרוע, אך ביצועים מעשיים סבירים עבור $|A| < 50$ ומספר פעולות מועמדות המוגבל על ידי מדיניות שסוננה מראש.

4. מתודולוגיה מוצעת

4.1 בנייה אינקרמנטלית של הגרף

קליטת האירועים מתבצעת באופן אינקרמנטלי, עם סיבוכיות אמורטית $O(|S|)$ להכנסת 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 תלותי סדר, תוך שמירה על ישימות חישובית עבור זרמים של מיליוני אירועים לשנייה.

4.3 אורקסטרציה באמצעות MILP

אנו מנסחים את פעולת הבלימה כך:

$$ \min \sum_i c_i x_i $$

בכפוף ל:

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

האילוצים $Ax \leq b$ מקודדים מדיניות פורמלית, כגון הפרדת תפקידים, דרישות לזמינות גבוהה ותלויות בין שירותים. אנו מדגימים כי אם קבוצת האילוצים עקבית, הפתרון האופטימלי מקיים אינבריאנטים של אבטחה שהוגדרו מראש בלוגיקה טמפורלית לינארית (LTL), אשר אימותם מתבצע off-line.

5. מימוש

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

אימון המודל בוצע על גבי GPUs מסוג NVIDIA A100, תוך שימוש באופטימייזר Adam (KINGMA; BA, 2015). זמן ההשהיה הממוצע לאינפרנס לכל אצווה היה נמוך מ־$120$ ms, ועומד בדרישה $\Delta t_{det} < 10$ s גם תחת עומס גבוה. הסקלביליות 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 הכוללים לוגים של Kubernetes ו‑APIs של ענן. המדדים כוללים AUC-ROC, F1-score, שיעור חיוביים אמיתיים (TPR) ושיעור חיוביים שגויים (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־זנבי של Student הצביע על $p < 0{,}01$ בהשוואה ל‑baselines, דבר המצביע על הבדל מובהק סטטיסטית. נצפתה ירידה עקבית בשיעור החיוביים השגויים, גורם קריטי עבור סביבות SOC בקנה מידה גדול.

7. דיון

מידול באמצעות גרפים זמניים הסתברותיים מאפשר לכידת סיבתיות משוערת ותלויות מבניות בין זהויות, workloads ושירותי AI. האינטגרציה עם MILP מספקת הבטחת נכונות חלקית תחת אילוצים מפורשים, ובכך מצמצמת 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 באינפרנס ההסתברותי. למרות זאת, הארכיטקטורה מדגימה ישימות מעשית בתרחישים בקנה מידה גבוה.

8. מסקנות ועבודה עתידית

ARCUS מדגים כי אינטגרציה בין מידול פורמלי, GNNs ואופטימיזציה הניתנת לאימות מייצרת שיפורים מדידים בדיוק, חוסן והשהיה בסביבות רב‑ענן מודרניות. הפורמליזציה המפורשת של אינבריאנטים ואילוצים מבדילה את הגישה מפתרונות היוריסטיים גרידא.

כעבודה עתידית, אנו מציעים לחקור למידה פדרטיבית מאובטחת בין ארגונים מרובים, שילוב מנגנוני קריפטוגרפיה פוסט‑קוונטית להגנה על טלמטריה בין‑דומיינית 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/.