ترجمه فارسی مقاله یک بررسی جامع از انتساب تهدید مداوم پیشرفته: طبقه بندی ، روشها ، چالش ها و مشکلات تحقیقاتی باز

چکیده

Advanced Persistent Threat (APT) attribution is a critical challenge in cybersecurity and implies the process of accurately identifying the perpetrators behind sophisticated cyber attacks. It can significantly enhance defense mechanisms and inform strategic responses. With the growing prominence of artificial intelligence (AI) and machine learning (ML) techniques, researchers are increasingly focused on developing automated solutions to link cyber threats to responsible actors, moving away from traditional manual methods. Previous literature on automated threat attribution lacks a systematic review of automated methods and relevant artifacts that can aid in the attribution process. To address these gaps and provide context on the current state of threat attribution, we present a comprehensive survey of automated APT attribution. The presented survey starts with understanding the dispersed artifacts and provides a comprehensive taxonomy of the artifacts that aid in attribution. We comprehensively review and present the classification of the available attribution datasets and current automated APT attribution methods. Further, we raise critical comments on current literature methods, discuss challenges in automated attribution, and direct toward open research problems. This survey reveals significant opportunities for future research in APT attribution to address current gaps and challenges. By identifying strengths and limitations in current practices, this survey provides a foundation for future research and development in automated, reliable, and actionable APT attribution methods.

چکیده به فارسی (ترجمه ماشینی)

انتساب پیشرفته تهدید مداوم (APT) یک چالش مهم در امنیت سایبری است و دلالت بر فرایند شناسایی دقیق عاملان پشت حملات سایبری پیچیده دارد.این می تواند مکانیسم های دفاعی را به میزان قابل توجهی تقویت کرده و پاسخ های استراتژیک را آگاه سازد.محققان با توجه به برجستگی روزافزون هوش مصنوعی (AI) و یادگیری ماشین (ML) ، به طور فزاینده ای بر تدوین راه حل های خودکار برای پیوند تهدیدات سایبری به بازیگران مسئول ، دور می شوند و از روش های سنتی دستی دور می شوند.ادبیات قبلی در مورد انتساب تهدید خودکار فاقد بررسی سیستماتیک روشهای خودکار و مصنوعات مربوطه است که می تواند در فرآیند انتساب کمک کند.برای پرداختن به این شکاف ها و ارائه زمینه ای در مورد وضعیت فعلی انتساب تهدید ، ما یک بررسی جامع از انتساب خودکار APT ارائه می دهیم.نظرسنجی ارائه شده با درک آثار باستانی پراکنده آغاز می شود و یک طبقه بندی جامع از آثار باستانی که به انتساب کمک می کنند ، ارائه می دهد.ما به طور جامع طبقه بندی مجموعه داده های انتساب موجود و روشهای انتساب خودکار فعلی را مرور و ارائه می دهیم.علاوه بر این ، ما نظرات انتقادی را در مورد روش های ادبیات فعلی مطرح می کنیم ، در مورد چالش های مربوط به انتساب خودکار و مستقیم به سمت مشکلات تحقیقاتی باز بحث می کنیم.این نظرسنجی فرصت های مهمی را برای تحقیقات آینده در انتساب مناسب نشان می دهد تا شکاف ها و چالش های فعلی را برطرف کند.این نظرسنجی با شناسایی نقاط قوت و محدودیت در شیوه های فعلی ، پایه ای برای تحقیقات و توسعه آینده در روشهای انتساب خودکار ، قابل اعتماد و عملی فراهم می کند.