Adversarix/aegis-labs

# AEGIS Labs AEGIS Labs 是开源研究项目的聚集地，这些项目衍生自我们在 [Adversarix](https://adversarix.com)（一个围绕实时威胁知识图谱构建的自主威胁情报与响应平台）所从事的商业工作。 Adversarix 持续摄取威胁情报，针对组织的真实基础设施拓扑模拟对抗性行为，识别检测差距，并无需等待人工发起即可合成优先级建议。这里的文档和项目记录了该平台背后的方法（包括模拟模型、测量框架和威胁建模方法），以供公众参考、引用和重用。 ## 出版物 ### 防御多态化攻击链：自主对抗模拟如何弥补检测差距 **2026年7月 · 版本 2.1** [→ 下载 PDF](./polymorphic-attack-chains/Adversarix_Polymorphic_Attack_Chains_Whitepaper.pdf) 现代威胁行为者不再遵循单一的杀伤链。他们掌握多种技术储备，并根据您的检测栈拦截到的内容在它们之间进行轮换。本文探讨了 Adversarix 平台如何通过构建在实时威胁知识图谱之上的六代理自主 pipeline 来应对多态化攻击链，该 pipeline 运行五种不同的对抗模拟策略和蒙特卡洛概率建模，以刻画完整的对抗选项空间，而不仅仅是单一的代表性路径。它还详细介绍了平台的程序级保真度（参数化为指定行为者程序的子技术执行模块），并演示了从披露到建议的端到端关键 CVE 响应，全程耗时不到 90 秒。 **核心发现：** - 将从威胁指标摄取到可操作建议的平均时间从分析师所需的 4-8 小时缩短至 90 秒以内 - 与手动模拟工作流相比，将模拟攻击路径覆盖率提高了 300% 以上 - 边界邮件服务器上的关键 RCE CVE 在所有多态化杀伤链变体中，将蒙特卡洛攻击活动的成功概率提升了 34% - 程序情报提取在结构化事件响应报告上的验证结果达到 F1 > 0.89，为子技术粒度的模拟奠定了基础 **主题：** 多态化杀伤链分类法 · 五策略模拟框架 · 蒙特卡洛概率建模 · 程序级保真度与行为者模拟 · 检测差距分析 · 人在回路的治理 ### 智能体身份枢纽：在违规模拟中建模凭据携带的横向移动 **2026年7月 · 版本 1.1** [→ 下载 PDF](./agentic-identity-pivots/Adversarix_Agentic_Identity_Pivots_Whitepaper.pdf) 随着企业资产逐渐智能化，自主代理持有凭据、调用工具并通过 MCP 服务器获取能力，共享凭据的枢纽转移成为了主要的横向移动攻击面。大多数威胁模型仅将凭据滥用表示为一种技术标签，无法表达违规实际传播的范围。本文描述了 Adversarix 如何在威胁知识图谱中引入代理-凭据-工具拓扑，并让蒙特卡洛违规模拟*遍历*该拓扑，从而使智能体横向移动成为违规概率中一个真实的、量化的指标。 **核心发现：** - 枢纽转移的成功概率受凭据*姿态*而非技术标签控制：静态共享密钥的得分为 0.90，委派衰减 token 的得分为 0.20，4.5 倍的差距是仅基于技术的模型所无法体现的 - 统一的异构遍历允许单条攻击路径交织技术步骤和凭据枢纽转移，并通过它们所实现的技术对枢纽转移应用检测 - 结构性回归锁定确保模型是纯粹可加的：没有身份拓扑的资产将精确重现先前的违规概率 **主题：** 智能体 AI 威胁建模 · 凭据姿态先验 · MCP/工具可达性 · 异构图遍历 · 有界路径爆炸 · 回归锁定的风险评分 ### 测量 TTP 提取：从威胁报告中提取 ATT&CK 技术的可复现评估框架 **2026年7月 · 版本 1.1** [→ 下载 PDF](./ttp-extraction-eval/Adversarix_TTP_Extraction_Eval_Whitepaper.pdf) 从非结构化威胁报告中提取 MITRE ATT&CK 技术是核心 pipeline 的基础，且众所周知难以准确测量。本文描述了一个旨在实现可复现且客观真实的评估框架：真值自动从公开的 CISA 建议表中提取（无需人工标注）、对父子技术匹配给予部分分数、为纯文本上限提供实质拆分，并将非确定性运行下的 F1 分数报告为一个范围。在三个不同来源的语料库中，分别在文档和句子级别测量了准确性。 **核心发现：** - 在 163 个自动生成的真值技术上实现了 0.84-0.92 的 F1 分数，精确度为 0.92-0.94，证明提取器极少会产生技术 ID 的幻觉 - 父匹配部分分数解决了精确匹配评分会进行双重惩罚的系统性跨语料库粒度不匹配问题 - 近乎为零的威胁模型覆盖率差异被报告为真实结果：约 84% 的引用技术已存在于行为者和活动级别的信号中 **主题：** ATT&CK 技术提取 · 零标注语料库构建 · 父子部分分数评分 · TRAM 与 AnnoCTR 句子级基准测试 · 非确定性与多次运行评估 · 下游覆盖率测量 ### 经验性检测后验：闭合从 SIEM 触发到违规概率的环路 **2026年7月 · 版本 1.1** [→ 下载 PDF](./detection-posteriors/Adversarix_Empirical_Detection_Posteriors_Whitepaper.pdf) 违规模拟通常将检测建模为一种假设：如果存在针对某种技术的规则，则该技术就被“覆盖”。但一条已部署却从未触发的规则并不构成覆盖。本文描述了 Adversarix 如何将生产环境的 SIEM 遥测数据反馈到蒙特卡洛违规模拟中，作为基于技术的*经验性检测后验*：一种拟合真实触发证据的 Beta 分布，它取代了全局检测常数，在覆盖虚幻的地方提高违规概率，并在规则正常触发的地方降低违规概率。 **核心发现：** - 一种“盲目部署”的技术（存在规则但缺少必需的日志源，导致其无法触发）会被驱动至*低于*中性先验的水平，从而纠正虚幻的覆盖 - 检测*不确定性*会传播：模拟在每次迭代中对后验进行采样，因此具有三次触发记录的技术被认为比具有三千次触发记录的技术确定性更低 - 字节一致的回退机制确保没有 SIEM 遥测数据的组织在违规概率上不会看到变化，因此该机制是纯粹可加的 **主题：** 经验贝叶斯检测建模 · SIEM 触发遥测 · 带有计数降权的 Beta 后验拟合 · 蒙特卡洛模拟中的不确定性传播 · 检测姿态反馈循环 · 回归锁定的风险评分 ## 代码与工具 ### ttp-benchmark — TTP 提取基准测试 [→ 浏览代码](./ttp-benchmark/) 一个模型无关的测试框架，用于测量不同 LLM 从威胁情报报告中提取 MITRE ATT&CK 技术的效果——这是为威胁知识图谱提供数据的摄取步骤。它附带了一个包含 20 份报告的手工标注种子语料库（121 个标准答案标签），通过严格的和父级别的 F1 进行评分，并提供针对每个报告的遗漏/幻觉深入分析，还可以通过单个 `config.yaml` 条目比较任何具有 OpenAI 兼容端点的提供商。它与上述的《测量 TTP 提取》白皮书相关，但在方法论上有所不同：该论文针对自动提取的 CISA 真值评估平台的提取器，而此工具则在带有自身评分规则的手工标注种子语料库上比较后端 LLM。 ## 关于 Adversarix Adversarix 是一个以威胁知识图谱为中心的自主网络安全威胁情报与响应平台。它持续摄取威胁情报，针对实时基础设施拓扑模拟对抗性行为，识别检测差距，并无需等待人工发起即可合成优先级建议。 [adversarix.com](https://adversarix.com) · [contact@adversarix.com](mailto:contact@adversarix.com) ## 引用 如果您引用了这项研究，请引用相关论文： ``` Galappatti, K. (2026). . AEGIS Labs, Adversarix, Inc. https://github.com/Adversarix/aegis-labs ``` ## 许可证 © 2026 Adversarix, Inc. 通过 AEGIS Labs 发布的**代码**采用双重许可，您可以选择适用 [Apache License, Version 2.0](./LICENSE-APACHE) 或 [MIT License](./LICENSE-MIT). 除非您明确声明，否则有意提交以包含在此代码库中的任何贡献均应按上述方式进行双重许可，且无需任何附加条款或条件。 **白皮书** 发布用于公开参考和引用。全部或部分复制需注明出处。不对 Adversarix 平台软件或其实现授予任何权利。 研究中引用的第三方语料库（TRAM，Apache 2.0；AnnoCTR，CC-BY-SA-4.0）仍受其各自许可证的约束。MITRE ATT&CK 是 The MITRE Corporation 的商标。

标签：威胁建模, 威胁情报, 开发者工具, 攻击模拟, 逆向工具, 驱动签名利用