Search
E-mail
RSS

Journal of Cybersecurity >

2026 0

DOI: https://doi.org/10.20172/j.issn.2097-3136.260622

A Critical Review and Paradigm Reconstruction for APT Attack Attribution

  • Lin Xiaoxin 1 ,
  • Zhou Yinghai 1, 2, 3 ,
  • Lu Hui 1, 2, 3 ,
  • Liu Yuan 1, 2, 3 ,
  • Song Jing 4 ,
  • Du Jing 4 ,
  • Tian Zhihong , 1, 2, 3, *
Expand
  • 1. Cyberspace Institute of Advanced Technology, Guangzhou University, Guangzhou 510000, China
  • 2. Guangdong Provincial Key Laboratory of Industrial Control System Security, Guangzhou 510000, China
  • 3. Huangpu Research School of Guangzhou University, Guangzhou 510000, China
  • 4. China Information Technology Security Evaluation Center, Beijing 100085, China

Online published: 2026-06-09

Copyright

Copyright ©2026 Journal of Aeronautical Materials. All rights reserved.
Fold

Abstract

Against the backdrop of great power strategic competition and digital sovereignty contests, cyber attack attribution has evolved from purely technical tracing into a composite decision problem that integrates forensic analysis, intelligence assessment, strategic-intent judgment, and the allocation of state responsibility under international law. In current Advanced Persistent Threat (APT) attribution paradigms, the micro-level technical paradigm faces challenges such as the failure of feature exclusivity, while the macro-level political paradigm struggles with insufficient evidence transparency. Meanwhile, intelligent paradigms like Knowledge Graphs and Large Language Models (LLMs) encounter bottlenecks in cross-domain integration. A critical review of five major research paradigms was conducted, encompassing technical tracing, political attribution, knowledge graphs, LLMs and agents, and uncertainty quantification. The analysis reveals that the core dilemma in existing attribution research lies in a persistent triple fracture—representational, temporal, and causal—between micro-level technical evidence and macro-level strategic context. Based on this, a Techno-Political Fusion attribution framework is proposed. It advocates for entity extraction and semantic alignment through knowledge learning and analytical algorithms tailored for multi-source heterogeneous data, to populate and validate cross-domain techno-political knowledge graphs, and integrates Dempster-Shafer evidence theory with Bayesian networks for conflict resolution and causal inference, ultimately generating confidence-scored attribution rankings and counterfactual explanations. Future research should construct a cross-domain ontology anchored by four dimensions—technology, organization, politics and events—and to establish a "spatiotemporal-causal" alignment mechanism between micro-level technical indicators and macro-level political contexts. Furthermore, refining the serial reasoning pipeline of "probabilistic inference followed by counterfactual validation" will help transition cyberattack attribution from mere correlation matching toward a causal reasoning system that is auditable, interpretable, and capable of uncertainty quantification.

Key words： cyber attack attribution; advanced persistent threat (APT); techno-political fusion; knowledge graph; large language model; uncertainty quantification

Cite this article

Lin Xiaoxin , Zhou Yinghai , Lu Hui , Liu Yuan , Song Jing , Du Jing , Tian Zhihong . A Critical Review and Paradigm Reconstruction for APT Attack Attribution[J]. Journal of Cybersecurity, 2026 . DOI: 10.20172/j.issn.2097-3136.260622

0 引言

随着大国博弈日趋激烈，网络空间，尤其是关键基础设施安全与数字主权的保护，已成为“兵家必争之地”。在此背景下，网络攻击归因（Cyber Attribution）已不再仅仅归属于传统安全工程中的技术溯源问题范畴，而是演化为涵盖技术取证、情报评估、战略意图判断与国际法责任分配的复合型决策问题。特别是在高级持续性威胁（Advanced Persistent Threat, APT）场景中，攻击主体往往具有长期潜伏、跨境协同、工具复用、假旗伪装和战略目标导向等特征，使得归因研究无法继续停留在恶意代码哈希、C2基础设施、IP地址、域名和编译时间戳等静态指标层面。
既有研究主要走出了两条路径。第一条路径以计算机科学和网络安全工程为主，强调从网络流量、恶意样本、攻击基础设施和TTPs（战术、技术和程序）中提取技术证据。另一条路径以国际关系、战略研究和网络空间治理为主，强调国家利益、地缘冲突、产业竞争和威慑策略对网络行动的驱动作用。第一条路径虽然能够提供细粒度、机器可读和可复核的技术线索，但在假旗行动、工具链共享和攻击基础设施租赁化环境中容易陷入“特征相似即主体相同”的归纳陷阱。第二条路径虽然能够解释国家级网络行动的战略动机和宏观背景，但其证据链常受制于情报来源保密、政治立场偏倚和公开归因透明度不足。
因此，网络攻击归因研究的核心矛盾并不是单纯的数据不足或模型精度不足，而是技术证据与战略语境之间长期存在表征断裂、时间断裂和因果断裂（参见“定义3”）。现有的模型往往能够回答“攻击者使用了什么工具”“攻击路径经过哪些基础设施”“攻击行为符合哪些TTPs模式”，但是却难以可靠回答“为何在此时针对该目标发动攻击”“该行为与国家战略目标存在何种因果联系”“候选攻击主体之间如何进行可解释排除”。
基于这一问题，本文对国内外研究情况开展了深度梳理和分析。通过采用“问题与挑战—研究现状分析—未来研究方向”的逻辑框架对当前工作进行了审视。具体来看，现有工作大致包括以下方向：流量与基础设施溯源、TTPs与威胁情报框架、政治归因与战略解释，以及结合知识图谱、大语言模型（LLM）和不确定性量化的智能归因方法。通过对上述研究范式比较视角的审视，发现它们往往在技术或政治单维度上发力，难以兼顾。对此，本文认为，未来高可信归因体系的核心应是一个“技术—政治融合”的统一范式。这个框架主张用跨域知识图谱实现技术实体与宏观政治实体的语义对齐。随后引入LLM与智能体执行深层语义解析与情报结构化组织。最后，融合Dempster-Shafer证据理论（D-S证据理论）、贝叶斯网络及因果推理机制，提供严谨的置信度量化评估与可审计的证据溯源链条。

1 研究设计与文献筛选方法

1.1 文献来源与检索策略

本文构建了跨学科的检索矩阵，覆盖计算机科学、国际关系与实战情报三个维度。文献来源主要分为以下三类：
（1）学术数据库。以 IEEE Xplore、ACM Digital Library、ScienceDirect、中国知网 (CNKI) 为主，并用Google Scholar搜索引擎进行补充，侧重检索网络空间安全与人工智能领域的顶级会议及中英文知名期刊论文，由顶级大学出版社出版的涉及网络归因的政治学/国际法学专著和国际关系、政治学与网络政策领域的权威中英文期刊论文。
（2）预印本库。检索arXiv预印本平台，以获取大模型、知识图谱等前沿技术在归因中应用的最新动态。
（3）业界实战报告。纳入中美等国网络空间官方机构及头部企业发布的APT专项分析报告与年度威胁报告。
检索时间跨度设定为2000年1月至2026年4月。
本文针对外文数据库设计了三组核心检索式，分别对应技术溯源、政治归因及智能驱动三个维度：
技术维度：("APT" OR "advanced persistent threat") AND ("attribution" OR "traceback") AND ("TTPs" OR "malware" )
政治维度：("APT" OR "advanced persistent threat") AND ("attribution" OR "traceback" OR "political attribution") AND ("state-sponsored" OR "geopolitics" )
智能维度：("APT" OR "advanced persistent threat") AND ("attribution" OR "traceback") AND ("knowledge graph" OR "large language model" OR "uncertainty quantification")
在中文数据库检索方面，则是将“APT”、“溯源”、“归因”、“政治归因”、“网络攻击”、“大语言模型”、“知识图谱”等关键词进行排列组合检索。

1.2 文献筛选流程与结果

本文采用“初筛—二筛—三筛—精读纳入”的四阶段筛选流程。具体流程与数据如下：
第一阶段：初筛（去噪）
共检索出英文文献5760篇，中文文献1719篇，合计7479篇。剔除明显无关领域后，剩余英文文献1979篇，中文文献813篇。
第二阶段：二筛（去重与精炼）
对剩余文献进行标题与摘要的深度阅读，进一步剔除内容重复的、关联度较差的与来源质量较低的文献。筛选后，英文文献保留321篇，中文文献保留287篇。
第三阶段：三筛（全文获取与初步评估）
尝试获取上述608篇文献的全文。对于无法获取全文、或经初步阅读发现内容与APT归因核心主题偏差较大的文献予以剔除。筛选后，英文文献保留104篇，中文文献保留82篇。
第四阶段：精读与最终确定
对剩余文献进行全篇精读，并依据下文所述的“筛选依据”标准最终确定纳入分析的文献共计97篇，其中英文文献85篇，中文文献12篇。具体构成如下：
● 国内外计算机、网络安全与人工智能学术数据库文献：59 篇（占比 60.8%）
● 国内外地缘政治网络归因相关文献：23篇（占比 23.7%）
● 预印本：6 篇（占比 6.2%）
● 业界实战报告：9篇（占比 9.3%）

1.3 文献质量评价与多维筛选依据

鉴于APT归因研究兼具“硬核技术工程”与“宏观地缘战略”的双重属性，本文在文献筛选中的质量评价取决于该文献在特定知识领域内是否提供了特定时间段具有代表性并经得起推敲的观点。
在权威性与经典性方面，本文侧重于考察文献的来源与理论能力。对于计算机与安全领域的文献，主要依据IEEE、ACM等知名会议及旗舰期刊的同行评议门槛，确保方法论的严谨性；对于国际政治与战略类专著，则重点考量其由顶级大学出版社出版所带来的学术沉淀与宏观视野，以此作为研究的理论底座。此外，本文还纳入了国内高水平文献，考量其“本土化解释力”与“战略互补性”，以填补单一西方视角的盲区。
在时效性与实战性方面，针对大模型与智能体安全等极速演进的领域，本文引入了arXiv预印本，评价重点在技术预见性与思想原创性，以捕捉超越传统出版周期的最新研究动态。同时，对于业界威胁情报与政府公告，评价标准在于“情报颗粒度”与“实证厚度”，优先选取披露了具体IoC特征与完整攻击链路的报告，以确保微观技术证据链的客观真实。
通过上述多维度的交叉验证，本文有效平衡了学术严谨性、技术前沿性与实战客观性。

2 问题与挑战

定义1　技术归因
Definition 1：Technical Attribution
以可机器采集、可形式化复核的技术证据(恶意代码特征、网络流量、攻击基础设施、TTPs序列、主机行为痕迹等)为依据，通过模式匹配、聚类，图分析或机器学习等方法，将攻击事件关联至特定工具链，攻击组织代号（如APT28、Lazarus）或行为画像的归因过程。其判定逻辑以相关性与同源性为核心，所得结论可在技术社区内被独立复核，但通常止于“组织代号”层级，不直接指向国家责任主体。
定义2　政治归因
Definition 2：Political Attribution
以国家战略意图，地缘冲突、产业竞争、外交关系等宏观语境为先验，结合（部分公开的）技术证据与机密情报，由国家机构或具备国家背景的安全厂商作出的，将攻击事件指向特定主权国家或国家支持的行为体的归因过程。其判定逻辑以“动机—能力—机会”三要素的战略合理性为核心，结论具有外交、法律与威慑效力，但底层证据链通常无法完全公开，可证伪性受限。
二者并非互斥，而构成归因证据链的两个层级：技术归因提供“行为—组织”的同源性映射，政治归因完成“组织—国家"的责任归属。本文所论“技术—政治融合”，即指在统一框架下整合二者的证据形式、推理逻辑与置信表达。

2.1 攻击对象从“流量源”转向“战略主体”

早期网络攻击归因研究主要围绕DoS/DDoS攻击、IP欺骗和匿名通信展开。Savage等人提出的概率包标记（PPM）[1]、Dean等人的代数包标记（APM）[2]、Snoeren等人的SPIE系统[3]，均试图通过路由器标记、路径重构或报文摘要存储实现攻击路径追踪。Sommer和Paxson[4]、Wang等人[5]进一步关注跳板机、匿名网络和网络流水印场景下的流量关联问题。Gu等人[6]提出的BotHunter则从网络边界流量模式中识别受控主机。
这类研究的重要贡献在于建立了网络层溯源的基础模型，但其适用边界同样清晰：它们处理的是“机器位置”与“通信路径”的问题，而APT归因关注的是“组织身份”、“行为动机”和“战略意图”。当攻击者使用僵尸网络、代理链、云基础设施、被攻陷合法服务器或匿名通信网络时，路径重构所得结果往往只指向中间节点。技术上可追踪的节点并不等同于法律和战略意义上的责任主体。
更重要的是，早期归因技术隐含了一个强假设，即攻击路径可观测、路由节点可信、网络拓扑可重构。在真实APT场景中，攻击者具备主动干预证据空间的能力。攻击路径、工具痕迹和基础设施都可能成为伪装对象。由此可见，攻击对象已经从“匿名流量源”转向“具备战略意图的对抗主体”，归因任务也从路径识别升级为跨域因果解释。

2.2 技术特征的排他性假设持续失效

Mandiant发布APT1报告[7]后，APT归因研究逐步转向基于TTPs、攻击基础设施、恶意代码家族和威胁情报的综合分析。Caltagirone等人提出的钻石模型[8]通过攻击者、受害者、基础设施和能力四个顶点组织入侵事件；MITRE ATT&CK框架[9]以战术、技术和过程为核心建立攻击行为知识库；Bianco的痛苦金字塔[10]强调TTPs较哈希、IP和域名具有更高防御价值。这些框架推动归因研究从离散指标匹配走向行为模式分析。
但是TTPs范式有效性的前提是攻击特征具有相对稳定性和区分度。这一前提在现代APT环境中持续受到破坏。首先，攻击工具商品化和共享化导致技术指纹的排他性被严重削弱。如Cobalt Strike等商业或开源渗透工具被多个组织使用，LotL（离地生活攻击）战术进一步使攻击行为嵌入合法系统管理工具之中。不同攻击主体在特征空间中出现高度重叠，传统聚类算法难以保证类间距离显著大于类内距离。
其次，“假旗行动”进一步促使技术特征转化为攻击者操纵归因结论的手段。在2018年平昌冬奥会遭受的Olympic Destroyer事件中，攻击者在恶意代码中植入与其他组织相关的特征[11]，说明静态指纹可被有意识地伪造。此类行为在机器学习意义上构成特征空间混淆攻击，即攻击者通过使样本接近目标APT簇中心，诱导分类器或人工分析师产生错误归因。这一现象的深层根源在于，当前技术归因框架的数学基础局限于模式匹配与相关性分析，而非因果推断。Schölkopf等人[12]指出，缺乏因果结构先验的深度学习模型无法构建从前提至结论的因果推理链条，亦难以在干预和分布偏移下保持鲁棒性。当攻击者通过假旗行动对特征空间进行主动干预时，基于相关性的模型必然产生系统性偏差，这本质上是Simpson悖论[13]在网络安全领域的具体表现，即攻击者蓄意制造的伪相关可轻易覆盖真实因果信号。
因此，基于“特征重合度”建立的同源判断面临系统性脆弱。技术证据仍是归因的必要基础，但单纯依赖特征相似性无法完成主体排除、动机解释和法律责任判断。
不过在此需要强调，上述批判并非否定技术溯源的根本价值。在攻击事件的初始响应、应急取证、同源组织关联以及低对抗强度的网络犯罪溯源等场景中，基于TTPs、恶意代码同源性和基础设施关联的技术范式，仍是目前工程实践中最成熟、最可靠的操作性方法。其提供的可复核证据链，是高可信归因体系不可或缺的“证据底座”。本文所指出的“失效”，特指在APT对抗场景下，当攻击者具备主动假旗、工具复用和战略伪装能力时，技术特征作为“排他性”归因依据的充分性受到挑战，而非否认其在构建“相关性”证据链中的必要性。

2.3 政治归因存在透明度危机与信任赤字

随着国家级网络行动日益频繁，公开归因（Public Attribution）和点名指控（Name and Shame）成为网络空间治理的重要工具。学界对此形成了几种相互关联的观察视角。Rid和Buchanan[14]将网络攻击归因属性界定为兼具科学、艺术和政治过程的混合体。Lin[15]侧重实战功能，强调公开归因在战略威慑和外交施压中的功能。Egloff[16]揭示一种隐蔽路径，即国家主体常借助商业威胁情报公司的技术报告，为外交指控、制裁和舆论动员提供非官方支撑。Maurer[17]将视野提升至秩序层面，指出公开归因是塑造国际网络秩序和同盟结构的战略工具。
政治归因的解释力强于纯技术归因，尤其适合分析国家利益、地缘冲突、产业政策和军事行动对网络攻击的驱动作用。但其核心缺陷在于可验证性不足。国家机构常以保护情报来源和手段为由，无法公开完整技术证据链。公开报告的结论可能具有政策效力，却难以满足学术意义上的可复核性与可证伪性。
同时，政治归因容易受到发布机构立场、国家利益和国际关系结构影响。威胁情报机构可能具有官方背景或受官方影响，发布情报具有倾向性，如对地缘竞争对手进行高频曝光，对盟友或自身阵营相关活动保持沉默。这种选择性披露的做法，一方面削弱了归因结论的客观性，同时也加剧了国际网络空间中的信任赤字。

2.4 跨域融合面临表征、时间和因果三重断裂

定义3　技术—政治归因的三重断裂
Definition 3: The Triple Fracture of Techno-Political Attribution
在APT归因中，技术域$ T $与政治域$ P $之间存在的系统性鸿沟，可在以下三个维度上被刻画：
（1）表征断裂（Representational Fracture）：指$ T $与$ P $中的实体、关系与属性分布于异构、不可对齐的语义空间，难以在同一形式化框架（如统一本体、统一嵌入空间）下进行联合表示与计算。
（2）时间断裂（Temporal Fracture）：指$ T $中事件的观测粒度（毫秒至小时级）与$ P $中事件的演化粒度（日级至年级）存在数量级差异，且二者之间的因果传导存在时滞、阶段映射与非线性触发关系，使简单时间窗口对齐失效。
（3）因果断裂（Causal Fracture）：指现有方法仅能在$ T $与$ P $之间建立相关性关联（如统计共现、嵌入相似），无法建立可干预、可反事实检验、可审计的因果链，从而无法回答“为何是此主体在此时针对此目标”的反事实问题。
技术路线和政治路线各自揭示了归因问题的一部分，如表1所示。但二者长期平行发展，如表2所示，形成了跨域融合难题。
表 1 当前网络攻击归因的核心挑战

Table 1 The core challenges of current cyber attack attribution

挑战维度 具体表现 对既有研究的冲击 对未来模型的要求
攻击主体复杂化 APT组织具备长期潜伏、工具复用、跨境协同能力 路径溯源难以指向真实责任主体 从机器定位转向组织身份与战略意图推断
技术证据可操纵 假旗、代码复用、基础设施劫持、LotL战术普遍存在 静态特征和聚类模型易被误导 引入证据可信度评估与对抗鲁棒机制
政治证据不透明 公开归因常缺少完整底层证据链 归因结论难以独立复核 建立可审计、可追溯的证据链
跨域表征困难 技术变量与政治变量抽象层级差异巨大 图嵌入和机器学习模型难以统一表达 构建跨域本体与异构图推理框架
因果机制不足 多数模型停留在相关性匹配 难以解释“为何此时、为何此目标、为何该主体” 融合因果图、贝叶斯网络和反事实推理
一是表征断裂。恶意代码n-gram、C2通信模式、漏洞利用链等技术变量，与双边关系紧张度、产业竞争指数、制裁事件和军事冲突等政治变量，处于非对齐的语义空间与异构的特征分布中。这一断裂不仅源于数据源的非结构化特性，如现有开源情报抽取面临定制化差异、异构消冗困难与语义对齐不足等问题导致了底层证据空间本身即不完备[18]，更受制于算法的表达能力。TransE[19]等图嵌入方法适合处理同质实体之间的关系平移，但面对“恶意代码家族—国际制裁事件—国家产业政策”这类跨越物理、信息、认知域的异构实体时，其表示学习能力明显受限，难以捕捉深层的语义关联。究其原因，以TransE和异构图注意力机制（HAN）[20]为代表的现有图嵌入算法，在设计时均以同质或弱异构信息网络为假设前提，并未考虑技术实体与政治实体之间的跨域对齐问题。这一设计缺陷在3.3节将进一步展开。
表 2 技术归因与政治归因对比

Table 2 Comparison of Technical Attribution and Political Attribution

维度 技术归因 政治归因
归因主体 安全厂商、学术机构、
CERT		 国家机构、政府背景智库
证据类型 代码、流量、基础设
施、TTPs		 战略意图、地缘事件、
机密情报
判定逻辑 同源性 / 相关性 动机—能力—机会 /
战略合理性
输出粒度 攻击组织代号（APTxx） 主权国家或国家代理人
可证伪性 高（可复核） 低（情报来源保密）
效力定位 取证与防御 外交、制裁、威慑
主要失效模式 假旗、工具复用 选择性曝光、政治偏倚
二是时间断裂。网络攻击事件的观测粒度可低至小时级甚至毫秒级，而地缘政治事件通常以天、周、月为单位演化。Hutchins等人的“网络杀伤链（Cyber Kill Chain）”模型[21]表明，高级攻击具有侦察、武器化、投递、利用、安装、命令控制和目标达成等阶段。宏观事件对微观攻击行为的影响往往具有时滞、阶段映射和非线性传导关系，如存在“战略潜伏期”与“非同步触发机制”，即攻击者可能在政治事件发生前数月即完成“武器化”，或在事件平息后才触发载荷。这种跨尺度的时序非线性，使得基于固定时间窗口的简单匹配极易产生虚假相关。
三是因果断裂。Kostyuk与Zhukov[22]、Valeriano和Maness[23]等研究发现地缘冲突与网络攻击之间存在统计相关，GDELT[24]等数据库可将全球事件转化为结构化事件张量。然而，相关性发现尚未转化为可计算、可解释、可审计的因果模型。APT归因需要回答“哪些宏观条件提高了某主体实施攻击的概率”“哪些证据支持排除其他主体”“哪些线索可能由假旗行动造成”。这些问题要求模型具备因果推断能力，而非仅进行相似性匹配。

3 研究现状分析

3.1 技术归因范式：工程可操作性强，战略解释存在局限

技术归因范式的优势在于证据可采集、流程可自动化、结论可复核。在早期研究中，应对网络层路径追踪问题，包括PPM[1]、APM[2]、SPIE[3]等方法就能处理。随后，BotHunter[6]等系统扩展至应用层进行恶意行为关联。随着APT攻击成为主流，钻石模型[8]和ATT&CK框架[9]将孤立零散的指标组织成结构化的行为模式，分析重心开始从单个IoC转向攻击链和TTPs组合。
从方法论上看，这一范式体现了工程理性，即通过分解攻击事件、提取技术特征、聚合行为模式来缩小候选主体范围。其优势在于微观证据强、自动化潜力高、适合安全运营中心（SOC）和威胁情报平台落地。然而，其局限在于解释层级主要停留在“战术执行层”。钻石模型能够组织“攻击者—受害者—基础设施—能力”之间的关系，但缺少从关系图推出主体责任的因果规则。ATT&CK能够描述攻击者“如何行动”，但无法充分解释“为何行动”。
该范式的关键争议集中在TTPs是否具备稳定归因价值。支持者认为，TTPs位于痛苦金字塔上层，攻击者改变成本高[10]；批判者则强调，现代APT组织通过共享工具、模仿战术和使用公开框架持续降低TTPs的区分度。更为根本的是，攻击工具生态的标准化与“最优策略”的同质化，导致不同主体在行为空间上天然趋同。严格来说，TTPs可用于生成候选主体排序，但难以独立承担最终归因责任。不仅在行为层面，即便下沉至更基础的静态特征层面，Kida与Olukoya[25]关于国家级威胁实体归因也表明攻击者通过代码克隆、流量伪装与基础设施劫持实施的假旗行动，可轻易诱发基于单一静态特征匹配系统的归因错觉，瓦解传统“特征重合度即同源度”的线性逻辑，使技术归因面临极高的误报风险[26]。为解决高层威胁情报与底层审计事件间的语义鸿沟，近期研究试图通过双编码器架构将CTI文本与溯源子图联合训练[27]，实现由情报驱动的威胁搜索。该类方法虽提升了跨模态匹配的精度，但本质仍局限于技术范式内部的特征对齐深化，未能触及“攻击者是谁”这一归因核心问题。综上可见，技术溯源范式的合理位置是提供证据底座，而非完成战略意图判断。该范式的局限主要体现为因果断裂，能描述行为模式却无法支撑反事实推断。

3.2 政治归因范式：战略解释力强，证据透明度不足

政治归因范式强调网络攻击嵌入国家战略竞争和国际关系结构。公开归因是政治归因的一种典型呈现形式，特指国家或代理机构主动披露归因结论以达成外交或威慑目的的行为;而政治归因外延更广，亦包含未公开的内部情报判断。Clarke和Knake[28]将网络空间视为第五维战场，Rid[29]指出多数国家级网络行动围绕情报窃取、系统渗透和认知塑造展开。Buchanan[30]强调国家级APT行动受母国战略边界制约。Healey[31]提出国家责任谱系，将国家介入程度划分为多个层级。Schmitt主编的《塔林手册》[32]及其2.0版本[33]则从国际法角度讨论网络行动责任和交战规则。与西方学者侧重“国家责任谱系”相比，国内学者沈逸[34][35]、鲁传颖[36]等人则从数字疆域主权的视角指出，大国在网络空间的博弈本质是对数字疆域控制权的争夺，主权国家存在将主权向数字空间延伸的内生驱动力，这从法理与战略层面解释了国家级网络行动持续升级的深层动因。沈逸等[37]进一步分析，网络空间已演变为大国战略竞争的核心场域，数字技术重构了冲突的形态，使得网络行动与实体地缘危机呈现出深度的同频共振。这一判断揭示了宏观政治冲突与微观网络攻击之间并非孤立事件，而是同一战略博弈在不同空间维度的映射。
与技术范式相比，政治归因能够解释攻击行为的宏观动因。Lindsay[38]关于大国技术竞争与网络间谍活动的分析，CrowdStrike[39]、Mandiant[40]关于半导体、航空航天、人工智能研发机构遭受定向攻击的年度报告，以及我国跟国防军工紧密关联的西北工业大学遭境外长期网络攻击的案例[41]，均说明国家产业战略和关键技术竞争会显著影响攻击目标选择。
然而，战略动机虽能划定攻击的嫌疑范围，却无法直接锁定具体的实施主体。因为在实操层面，动机与行为之间往往存在复杂的传导机制。Harknett等人[42]的研究提供了一种观察角度，即网络空间开启了一种新的权力政治维度。其核心不在于通过破坏性攻击引发即时的物理危机，而在于通过长期的、阈值以下的累积性行动，如大规模网络间谍与数据窃取，在不触发武装冲突的情况下，持续调整国家间的力量平衡。这既解释了为何国家级APT以情报窃取为首要目标而非物理破坏，也说明战略动机虽可解释攻击类型选择，却难以在同类间谍行动中精确区分实施主体。Farrell和Newman[43]的“武器化相互依赖”理论则从结构化层面切入，指出全球网络的“中心—边缘”拓扑结构赋予关键节点国以“卡脖子”与“全景监狱”效应，使其能够将互联网转化为地缘政治胁迫工具。但问题在于，这一结构性优势因可被盟友、承包商等多主体共享，导致难以直接锁定攻击实施者。在实证层面，Kostyuk与Zhukov[22]关于俄乌冲突的统计分析展现了网络攻击时间点与地面军事调动和外交谈判存在相关关系，360数字安全集团发布的《2025全球高级持续性威胁（APT）研究报告》[44]亦从全球态势层面佐证了这一趋势，数据显示在地缘政治摩擦加剧的区域，针对关键基础设施和高科技产业的网络间谍活动与破坏性攻击呈现显著正相关。但需要指出，这类统计相关性更多揭示了宏观趋势而非微观因果，战略动机可解释“为何此时攻击此类目标”，却难以回答“为何是此主体而非彼主体”。
但政治归因范式面临两个关键问题。第一，宏观解释往往停留在事后叙事和统计相关层面。即便发现地缘冲突与攻击频率正相关，也无法直接证明某一具体攻击事件由某一国家主体实施。第二，政治归因结论常缺少可公开验证的底层技术证据链。其核心困境在于“情报来源与方法的保密性”与“学术归因的可复核性”之间的天然冲突。其解释力依赖战略语境，可信度则依赖情报机构和发布方声誉。更深层地看，公开威胁情报并非单纯的事实报告，其本质上既是对网络攻击行为的溯源陈述，更是塑造国际话语与设置安全议程的战略工具。这使得任何试图融合此类情报信息的智能归因系统，都必须内建一种“政治性—可靠性”评估机制。该机制不仅需要依据发布机构的历史准确性对情报源给予置信折损，更应解析其公开归因背后的战略意图，从而辨识可能存在的系统性选择偏倚，避免被政策宣示所裹挟。这一困境的根源在于，威胁情报发布方与其母国战略利益往往深度绑定，导致公开归因报告普遍存在“选择性曝光”倾向[45]，更倾向于指控地缘政治对手，而对盟友的网络活动保持沉默。若缺少形式化证据链与不确定性量化，政治归因容易从学术分析滑向政策宣示。因此，政治归因适合提供先验背景和候选主体权重，但其结论需要与技术证据、证据源信誉度和因果推理机制耦合。

3.3 知识图谱范式：异构关联能力突出，跨域本体明显不足

知识图谱通过信息抽取、融合与推理[46]，将碎片化的安全数据转化为结构化知识网络，契合威胁情报分析的内在需求，已成为APT情报整合的主流技术路径。网络安全知识图谱（CKG）即在此背景下，试图将漏洞、恶意软件、攻击模式、组织、基础设施和情报报告组织为机器可推理的结构化知识。Syed等人提出统一网络安全本体UCO[48]，整合了STIX、CybOX等标准；Mavroeidis和Bromander[49]进一步讨论威胁情报评估模型，指出本体表达能力和推理支持不足。iACE [50]、ThreatRaptor[51]、TIMiner[52]、BERT-BiLSTM-MHA-CRF[53]、CTINEXUS[54]等研究，以及TTPDrill[55]对威胁动作的自动提取、Piplai等人[56]基于开源情报的知识图谱构建与推理探索，共同推进了从非结构化报告中抽取IoCs、TTPs和实体关系的自动化能力。Ren等人[57]则在技术域知识图谱构建上取得显著进展，成功构建了包含海量恶意代码与TTPs的网络安全知识图谱，为攻击行为的结构化关联提供了大规模数据基础。Ma等人[58]提出APT-KG2QA框架利用技术域知识图谱生成结构化指令数据以增强大语言模型对攻击链的理解，进一步验证了知识图谱作为技术归因底座的价值。
与传统技术溯源相比，知识图谱的优势在于能够表达多源证据之间的关联结构。CyGraph[59]通过融合网络拓扑、漏洞和威胁情报预测攻击路径；还有学者将异构图用于网络攻击检测，如Bilot等人[60]将APT检测转化为异构溯源图上的节点分类问题；异构信息网络（HIN）和元路径分析在恶意软件检测中展现出较强能力[61]。
然而，现有CKG多为“技术域知识图谱”。其本体类型集中于恶意软件、漏洞、攻击模式、工具、基础设施和受害资产，很少纳入“国家利益”“外交摩擦”“产业政策”“制裁强度”“军事冲突”等宏观政治实体。这不仅是实体类型的缺失，更是“确定性技术逻辑”与“模糊性政治语义”之间的本体映射难题。该缺陷限制了CKG在意图归因中的能力，尽管其能够关联攻击行为与已知组织，却难以将攻击行为嵌入战略动机网络。
但图表征学习并非万能，其数学基础存在几个关键约束。以TransE[19]为例，它将关系建模为实体嵌入间的平移，适合同质知识图谱中的链接预测。但当实体类型跨越代码样本、国家行为体、外交事件和产业竞争变量时，平移假设难以保留复杂语义。异构图注意力机制虽可处理多类型节点，但在APT场景中，微观技术节点通常呈现高频密集分布，而宏观政治节点则呈现低频稀疏特征。这种跨域数据的极度不平衡，导致模型训练时容易偏向高频次的技术语义，政治语义相应被弱化。此外，多层消息传递还可能出现过平滑现象，使宏观节点嵌入趋于同质化。
知识图谱范式的关键贡献在于结构化承载多源证据；其关键瓶颈在于跨域本体和因果推理能力不足。该范式所暴露的是表征断裂的核心症结，即跨域本体缺位导致$ \mathrm{T} $与$ \mathrm{P} $实体无法共嵌入。未来CKG需要从“技术情报关联图”升级为“技术—政治—时间—因果”融合图。

3.4 LLM与智能体范式：语义解析能力强，可信边界清晰

在大模型引发范式革命之前，学术界与工业界主要依赖流水线式的深度学习模型进行威胁情报抽取，如基于双向长短期记忆网络与条件随机场的BiLSTM-CRF等经典架构，在命名实体识别和关系抽取任务上进行了大量探索[63]。尽管基于Transformer、LSTM、CNN等架构的神经网络在命名实体识别和关系抽取基准数据集上取得了较高准确率[64][65][66]，这些监督学习范式下的模型仍存在底层逻辑缺陷。它们将文本视为孤立的token序列进行概率匹配，对长距离依赖、隐含语义和跨句关系捕捉能力有限[67]，在面对复杂深层威胁时表现出适应性不足[68]。LLM的出现改变了这一技术路线。基于Transformer的大模型通过大规模预训练获得了更强的上下文理解、少样本抽取和开放式推理能力[69]。CTINexus[54]表明，LLM可通过提示工程从冗长威胁报告中提取TTPs；CyberSOIE-LLM[70]证明LLM适合半开放式安全信息抽取；马等人[71]提出的LLM框架可通过提示工程与搜索引擎集成，在少样本下有效抽取攻击者、恶意软件等实体关系；SentinelLabs[72]的研究显示LLM可识别恶意行为、工具和受影响系统等安全实体。
LLM在网络安全领域展现出强大的语义理解与上下文感知能力。具体到威胁情报的归因场景中，它能够从非结构化的原始报告中提取关键的威胁主体、技术实体、攻击手法以及时效性特征，将非结构化的文本转化为结构化的知识表示，并辅助构建知识图谱[73]。如果进一步将LLM封装为智能体（Agent），再结合思维链（CoT）[74]、ReAct[75]、PentestGPT[76]、CurriculumPT[77]等机制，那么系统就能获得一定的工具调用能力、任务规划能力和多步推理能力。
但LLM/Agent范式的可信边界同样明确。除了“Lost in the Middle”研究提出了长文本处理中段信息容易被忽略问题外，Ji等人指出大模型存在事实幻觉[79]，CTIBench[80]显示通用LLM在APT专业情报抽取中容易因领域知识不足而出错。这些缺陷在CTI任务中可能导致攻击链错配或因果错置。针对多模态表征断裂与幻觉问题，陈等提出了M2A-TTP框[81]，通过跨模态证据关联与结构化检索增强生成（S-RAG）机制进行了针对性优化。
安全Agent在实际部署中还面临执行鸿沟与审计困难的问题。在执行层面，Liu等[82]发现，如果安全智能体不具备直接的浏览器交互能力，其在漏洞触发和复现任务中的表现会显著低于具备这种能力的系统。换句话说，脱离环境交互的纯分析能力是有天花板的。在审计层面，ATAG[83]、AI增强SOC[84]等研究展示了自动攻击链重构和告警分流的潜力，通常表现为不透明的机制，未能充分说明其决策框架[85]。LLM生成的CoT虽有解释表象，但本质仍是概率性文本生成，缺乏逻辑上的必然性和法律意义上的可证伪性。近期研究指出，大模型的思维链在面对训练分布之外的数据时会迅速失效，表明它本质上是一种精巧的模式匹配，而不是真正可泛化的逻辑推理[86]。还有一个安全风险是，在APT对抗场景下，攻击者可能利用“语义对抗样本”诱导模型产生系统性偏见，提示注入、数据投毒和多模态对抗攻击[87]等一系列手段都在表明，LLM系统在开放情报环境中容易被攻击者操纵。
因此，LLM适合作为语义解析和情报组织引擎，Agent适合执行受控任务规划；二者不能独立承担国家级APT归因的最终判断。更合理的方向是将LLM嵌入知识图谱、符号规则和概率推理框架中，使其生成过程受到结构化知识和不确定性约束。

3.5 不确定性量化范式：可解释性强，跨域因果结构仍待完善

APT归因天然处于不完全信息和对抗性欺骗环境中，因此任何归因结论都应附带置信度、证据链和冲突解释。Skopik与Pahi[92]、Kida与Olukoya[25]指出，假旗行动、代码克隆、流量伪装和基础设施劫持会造成静态痕迹信任危机。Gerwen等人[93]强调威胁情报存在未知的未知、数据异质和证据冲突。Xiao等人[94]指出当前APT归因未能融合属性、文本和拓扑等多模态特征。Wagner等人[95]关于威胁情报标准碎片化的研究说明，STIX、OpenIOC等多种标准并存会降低跨平台互操作性。
D-S证据理论适合处理先验不足和多源冲突。Duan等人提出MLDSJ方法[96]，从威胁报告中融合攻击模式、文本语义和图拓扑特征，并使用Dempster组合规则进行APT归因。Qian等人[97]通过改进D-S理论解决多源安全数据融合冲突。该范式的优势在于能够表达“不确定”“未知”和“冲突”状态，适合应对多情报源不一致场景。但经典D-S理论在高冲突证据下可能出现Zadeh悖论，APT假旗行动恰恰可能制造这种高冲突证据环境。因此，D-S方法需要引入证据折扣机制，结合证据源信誉度、冲突预处理和领域约束规则修正基本概率赋值。
贝叶斯网络（BN）则以有向图表达变量依赖，并输出可解释后验概率。Chockalingam等人[98]指出BN在网络安全领域主要用于处理恶意内部威胁问题；Wang等人的FAIR-BN[99]提升了长尾分布下风险估计能力；Wei等人[100]利用BN修正统计回归偏差，并在美国网络安全与基础设施安全局（CISA）已知被利用漏洞目录验证中取得较高准确率。BN的优势在于结构透明、推理路径可追溯、适合表达条件依赖和符合先验假设的因果链条。其局限在于，BN的图结构本质上表达概率依赖，若要表征真实因果，必须依赖专家先验知识的强约束。在跨域归因中，“地缘冲突强度—攻击目标选择—攻击概率”的因果结构难以从纯数据中自动习得，导致数据驱动的因果发现极其困难。
因此，不确定性量化的未来方向应从单一概率模型转向“证据融合—因果推理—反事实检验”的混合框架。在这个框架下，D-S理论负责处理多源平行证据的冲突与融合，BN负责在已知结构下进行动态因果推断与反事实分析，知识图谱负责结构约束，LLM负责语义抽取和上下文补全。其中，D-S与贝叶斯方法在因果断裂修复上潜力最大，但需结构先验注入。
上述各范式对比如表3所示。
表 3 主要研究范式的比较分析

Table 3 A comparative analysis of the main research paradigms

研究范式代表方法/文献核心优势核心局限适合承担的角色
流量与路径溯源PPM[1]、APM[2]、SPIE[3]网络层证据清晰，算法可复核只能定位路径或中间节点，
难以识别真实主体		基础取证与路径证据
TTPs与威胁
情报		钻石模型[8]、ATT&CK[9]、
痛苦金字塔[10]		可组织攻击行为模式，
工程落地性强		工具复用和假旗行动削
弱特征排他性		候选主体生成与行为画像
政治归因Rid & Buchanan[14]、Lin[15]、
Egloff[16]		能解释国家动机、战略目标和公开归因逻辑证据链透明度不足，
易受政治立场影响		宏观先验与动机解释
知识图谱UCO[48]、CyGraph[59]、HIN[61][62]可融合异构实体与关系宏观政治本体不足，跨域嵌入困难结构化知识底座
LLM/AgentCTINexus[54]、CyberSOIE-LLM[70]、PentestGPT[76]长文本解析和开放语义
理解能力强		幻觉、投毒、长文本衰减和
黑盒推理		情报抽取与辅助分析
D-S/贝叶斯推理MLDSJ[96]、FAIR-BN[99]可表达冲突、不确定性和
后验概率		高冲突证据处理与因果图
学习仍不足		置信度量化与可审计推理

4 未来研究方向

如图1所示，本文提出一种“技术—政治融合”归因框架。输入层融合开源情报、恶意样本及地缘政治事件等多源数据；处理层设计面向多源异构数据的知识学习与分析算法进行实体抽取与语义对齐，填充至以T、O、P、E四类锚点为核心的跨域知识图谱；推理层依次执行基于D-S证据理论的冲突消解、动态贝叶斯网络的后验概率推断及反事实鲁棒性检验；输出层生成候选攻击主体排序与置信度区间、可审计证据链及反事实解释，为决策提供可解释支持。以下从知识图谱构建、跨尺度级联推理及可解释决策支持三个方向展开。
图 1 “技术—政治融合”归因的逻辑框架

Fig.1 The logical framework of Techno-Political Fusion attribution

4.1 面向政技融合的知识图谱构建

（1）面向多源异构数据的知识学习与分析
为构建“技术—政治”跨域知识图谱，首先需对多源异构威胁情报进行实体与关系抽取。针对政技融合场景中数据形态多样、信息密度不均、属性隐蔽等问题，设计三种方法：
①基于大语言模型的威胁情报文本解析。统一处理短文本与长文本（如扫描类PDF）。短文本通过结构化提示模板引导LLM抽取实体与关系；长文本经OCR转换后，利用LLM长上下文能力完成全文档实体发现、共指消解与关系抽取。
②基于LLM与网络搜索的隐式属性补全。针对实体核心属性（尤其是政治锚点、组织锚点）隐式缺失问题，构造搜索关键词调用搜索引擎API，由LLM摘要归纳，补全如“受国家支持”等关系。
③基于LLM与沙箱分析的恶意指标行为关联。 提取情报中的哈希值、IP等恶意指标，获取多沙箱动态行为报告，由LLM解析行为特征，形成“静态属性—动态行为—威胁实体”全链路关联。
上述方法输出覆盖技术、组织、政治、事件四类锚点的候选实体与关系，为后续基于跨域知识本体的规范存储与推理提供输入。
（2）“技术—政治”跨域知识本体
传统STIX、CybOX和UCO等网络安全本体难以表达国家利益等宏观变量，因此必须建立包含四类核心锚点的最小核心实体集合：
① 技术锚点（T-Node）。主要以ATT&CK中的TTPs ID和恶意代码家族名称或稳定行为指纹作为不可变的技术事实节点；
② 组织锚点（O-Node）。以威胁情报提供商命名的APT组织代号作为行为体节点；
③ 政治锚点（P-Node）。以国家主体和重大产业政策作为宏观语境节点；
④ 事件锚点（E-Node）。以GDELT数据库中的CAMEO编码事件作为时间戳节点。
其中，T-Node与O-Node的关联构成技术归因底座，O-Node与P-Node的关联构成政治归因假设，二者通过E-Node进行时空对齐。在此基础上，定义五类核心关系，将政治学概念转化为可计算节点属性：
① T-O关系。包括“使用”、“归属于”等；
② O-P关系。包括“受国家支持”、“服务于战略目标”等；
③ T-E关系。如“发生于”（攻击动作对应时间窗口）；
④ P-E关系。包括“触发”、“前置”、“滞后”（宏观事件与攻击阶段的时滞映射）；
⑤ E-E关系，即“时序先后”（用于构建因果链）。

4.2 政技融合视角下的跨尺度对齐与级联概率推理

如图1推理层所示，归因结论的生成并非单一模型的输出，而是依赖基于“D‑S 证据理论”与“贝叶斯网络/因果图”的概率推断与反事实检验的串行协同计算。未来研究需重点解决多源异构证据在融合过程中的冲突消解与因果量化问题。本小节从以下三个方面阐述该机制。
（1）基于D‑S证据理论的冲突处理
在第一阶段，进行基于D-S证据理论的冲突消解。针对政技融合场景下的知识图谱数据，不同信源之间可能存在高冲突甚至矛盾。为此，利用D-S证据理论构建基本概率分配函数，量化每一证据对候选假设的基本支持程度。该模块的核心任务是量化并处理证据间的冲突程度，通过计算证据间的冲突系数识别不可靠信源，对高冲突信源进行折扣处理，从而为后续推理提供经过清洗的、高质量的结构化证据输入。经过这一阶段，多源异构证据被融合为一致化的证据框架，有效避免了因证据矛盾导致的推理偏差。
（2）基于贝叶斯网络/因果图的因果推断
在第二阶段，进行基于贝叶斯网络的因果推断。将D‑S处理后的证据作为先验输入，结合“动机—能力—机会”模型构建动态贝叶斯网络。网络中节点对应于技术锚点（TTPs、恶意代码家族）、组织锚点（APT 代号）、政治锚点（国家主体、重大政策事件）等，边表示因果依赖关系。不同于传统的确定性规则匹配，这种处理方式能够根据证据强度的变化，实时计算候选攻击主体的后验概率，实现从“证据”到“归因假设”的概率化映射。具体而言，利用贝叶斯推理公式，在给定观测证据下更新各假设的后验概率分布，从而量化每个候选攻击主体的相对可能性。这一过程充分融合了技术行为指纹与政治语境变量，避免了单一维度归因的片面性。
（3）基于反事实检验的鲁棒性分析
在第三阶段，进行基于反事实分析的鲁棒性检验。支撑输出层的“反事实解释”功能，在推理过程中引入反事实分析机制。即通过模拟“若排除某关键政治/技术证据，归因概率如何变化”，以识别对结论起决定性作用的关键证据链。例如移除某一关键技术证据（即某一TTPs不再成立）或假设某一政治事件未发生（如某项产业政策未颁布），并据此重新计算贝叶斯网络的后验概率，进而定量评估各证据对结论的边际贡献。从而验证推理结果的鲁棒性，判断结论是否对个别证据过度敏感，也为最终生成的置信度区间提供了数学支撑。

4.3 可解释归因的决策支持

图1输出层是将概率化推理转化为战略博弈能力的关键环节。该层主要包含以下模块。
（1）候选攻击主体排序与置信度区间
避免绝对化的单一结论，提供基于贝叶斯后验概率计算的候选列表（例如：APT31: 85%，APT28: 10%），并标注高/中/低（High/Medium/Low）置信度区间，从而为决策者保留必要的战略模糊空间。
（2）关键证据链可视化
展示从底层技术锚点（T-Node）到顶层政治锚点（P-Node）的完整推理路径。提供可审计的证据链，使决策者确信归因结论并非黑箱猜测，而是建立在技术与情报关联基础之上。
（3）基于反事实解释的战略研判
构成连接技术分析与战略决策的桥梁，提供动态的假设推演能力。例如，计算“若排除某一特定政治动机节点，归因概率将降至5%”的情景，判断攻击行为的真实意图究竟是地缘政治博弈还是单纯的经济利益驱动。具体而言，若移除政治因素后后验概率显著下降，则表明该攻击具有强烈的地缘政治属性，而非黑客炫技行为。该结论直接指导应对策略的选择：是采取外交层面的强硬反制，还是仅进行技术层面的防御加固。由此，能够辅助决策者精准制定差异化应对策略。
通过上述设计，框架将微观取证结果映射为宏观博弈筹码，实现了从技术归因到战略威慑的闭环。在此基础上，如图1右侧所示，进一步引入基于反馈校验的自主进化机制。当新的攻击样本出现或地缘政治局势发生变化时，该机制能够动态更新知识图谱中的实体与关系、自适应调整贝叶斯网络的先验概率与条件概率参数，并利用归因结果的真实反馈（True/False）对LLM的实体抽取与关系抽取准确率进行迭代优化。通过这种持续的自我修正与知识演进，整个框架在归因准确性、环境适应性和决策鲁棒性方面获得系统性提升，从而在动态对抗中保持长期有效的归因能力。

5 结束语

当前，网络攻击归因研究已经从早期网络层路径追踪，发展为现在融合了技术取证、威胁情报、战略分析和不确定性推理的复杂研究领域。现有文献表明，单一技术范式难以应对APT组织的工具复用、假旗行动和战略操纵；单一政治范式虽能解释宏观动因，但在证据透明度和可复核性方面存在明显不足；知识图谱、LLM和Agent提升了情报结构化与语义理解能力，但其当前形态仍受限于跨域本体缺失、黑盒推理、幻觉风险和对抗脆弱性；D-S证据理论和贝叶斯网络提供了不确定性量化与可解释推理基础，但尚需与跨域知识图谱和因果结构学习深度结合。
因此，未来网络攻击归因的关键方向是建立“技术—政治融合”的智能归因体系。该体系应以跨域知识图谱作为结构化底座，将微观技术证据与宏观地缘政治变量统一表示；以LLM作为语义解析与辅助推理工具，但通过本体规则、图结构和概率模型约束其输出；以D-S证据理论进行冲突消解、动态贝叶斯网络实现后验概率推断、反事实检验开展鲁棒性分析，共同构成置信度量化与逻辑审计框架，实现从多源证据到主体判断、从行为描述到意图解释、从相关性匹配到因果归因的范式升级。
这一体系的深层价值将超越学术方法本身，为国家在网络空间面对是否公开点名、施加制裁或采取对等反制等高博弈烈度的战略决策时，提供一整套具备法理可辩护性与技术可复核性的情报决策支撑。归因研究的最终目标并非产生看似确定的单点结论，而是形成可审计、可解释、可量化不确定性的决策支持体系。对于国家级APT场景，可信归因应同时回答四个问题：证据显示攻击者做了什么，哪些主体具备相应能力和动机，哪些证据支持或削弱特定候选主体，结论在何种置信边界内成立。只有将技术取证、政治语境、结构化知识和概率因果推理系统耦合，网络攻击归因才能从经验判断走向可计算、可验证和可治理的科学框架。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
Savage S, Wetherall D, Karlin A, et al. Practical network support for IP traceback[J]. SIGCOMM Computer Communication Review., 2000, 30 (4): 295- 306.

DOI

2
Dean D, Thompson M, HU Y C. An algebraic approach to IP traceback[J]. ACM Transactions on Information and System Security （TISSEC）, 2002, 5 (2): 119- 137.

DOI

3
Snoeren A C, Partridge C, Sanchez L A, et al. Single-packet IP traceback[J]. IEEE/ACM Transactions on Networking, 2002, 10 (6): 721- 734.

DOI

4
Sommer R, Paxson V. Exploiting independent state for network intrusion detection[C]// Proceedings of the 21st Annual Computer Security Applications Conference. Washington, DC: IEEE Computer Society, 2005: 413-424.

5
Wang X Y, Chen S P, Jajodia S. Network flow watermarking attack on low-latency anonymous communication systems[C]// Proceedings of the 2007 IEEE Symposium on Security and Privacy (SP '07). Washington, DC: IEEE Computer Society, 2007: 116-130.

6
Gu G F, Porras P, Yegneswaran V, et al. BotHunter: Detecting Malware Infection Through IDS-Driven Dialog Correlation[C]// Proceedings of the 16th USENIX Security Symposium. Berkeley, CA: USENIX Association, 2007: 167-182.

7
MANDIANT. APT1: Exposing one of China’s cyber espionage units[R]. Alexandria, VA: Mandiant, 2013.

8
Caltagirone S, Pendergast A, Betz C. The Diamond Model of Intrusion Analysis[EB/OL]. (2013-07) [2026-04-020]. DOI: 10.13140/RG.2.2.31143.56481.

9
Strom B E, Applebaum A D, Miller D P, et al. MITRE ATT&CK: Design and Philosophy[R]. The MITRE Corporation, 2018.

10
Bianco D. The pyramid of pain[EB/OL]. (2013-03-18)[2026-03-31]. https://detect-respond.blogspot.com/2013/03/the-pyramid-of-pain.html

11
Baram G, Lin H. Navigating uncertainty in cyber conflict: incorporating false flags in the attribution process of offensive cyber operations[J]. Information, Communication & Society, 2025, 28(6): 1-17. DOI: 10.1080/1369118X.2025.2604662.

12
Schölkopf B, Locatello F, Bauer S, et al. Towards causal representation learning[J]. Proceedings of the IEEE, 2021, 109 (5): 612- 634.

DOI

13
Simpson E H. The interpretation of interaction in contingency tables[J]. Journal of the Royal Statistical Society: Series B （Methodological）, 1951, 13 (2): 238- 241.

DOI

14
Rid T, Buchanan B. Attributing cyber attacks[J]. Journal of Strategic Studies, 2015, 38 (1-2): 4- 37.

DOI

15
Lin H. Attribution of malicious cyber incidents: From soup to nuts[R]. Hoover Institution, Stanford University, 2016.

16
Egloff F J. Public attribution of cyber intrusions[J]. Journal of Cybersecurity, 2020, 6 (1): tyaa012.

DOI

17
Maurer T. Cyber Mercenaries: The State, Hackers, and Power[M]. Cambridge: Cambridge University Press, 2018.

18
李沁东, 陈兴蜀, 唐文佚. 开源威胁情报生产与应用综述[J]. 网络空间安全科学学报, 2023, 1 (1): 59- 80.

Li Q D, Chen X S, Tang W Y. A Survey of Open-Source Threat Intelligence Production and Application[J]. Journal of Cybersecurity, 2023, 1 (1): 59- 80.

19
Bordes A, Usunier N, Garcia-Duran A, et al. Translating embeddings for modeling multi-relational data[C]//Advances in Neural Information Processing Systems (NIPS). 2013: 2787-2795.

20
Wang X, Ji H Y, Shi C, et al. Heterogeneous Graph Attention Network[C]// Proceedings of the 2019 World Wide Web Conference (WWW '19). New York: ACM, 2019.

21
Hutchins E M, Cloppert M J, Amin R M. Intelligence-driven computer network defense informed by analysis of adversary campaigns and intrusion kill chains[J]. Leading Issues in Information Warfare & Security Research, 2011, 1 (1): 80- 106.

22
Kostyuk N, Zhukov Y M. Invisible digital front: Can cyber attacks shape battlefield events?[J]. Journal of Conflict Resolution, 2019, 63 (2): 317- 347.

DOI

23
Valeriano B, Maness R C. Cyber War versus Cyber Realities: Cyber Conflict in the International System[M]. Oxford: Oxford University Press, 2015.

24
Leetaru K, Schrodt P A. GDELT: Global data on events, location, and tone, 1979-2012[C]//ISA Annual Convention, 2013.

25
Kida M, Olukoya O. Nation-State Threat Actor Attribution Using Fuzzy Hashing[J]. IEEE Access, 2022, 11, 1148- 1165.

DOI

26
Rani N, Saha B, Shukla S K. A comprehensive survey of automated Advanced Persistent Threat attribution: Taxonomy, methods, challenges and open research problems[J]. Journal of Information Security and Applications, 2025, 92 (C): 104076.

27
邓钰洋, 朱尧虎. 基于时间感知跨模态对齐的APT狩猎方法[J]. 网络空间安全科学学报, 2026, 4 (2): 29- 49.

DOI

Deng Y Y, Zhu Y H. Temporal-aware cross-modal alignment method for APT hunting[J]. Journal of Cybersecurity, 2026, 4 (2): 29- 49.

DOI

28
Clarke R A, Knake R K. Cyber War: The Next Threat to National Security and What to Do About It[M]. New York: HarperCollins, 2010.

29
Rid T. Cyber War Will Not Take Place[M]. Oxford: Oxford University Press, 2013.

30
Buchanan B. The Hacker and the State: Cyber Attacks and the New Normal of Geopolitics[M]. Cambridge: Harvard University Press, 2020.

31
Healey J. The spectrum of national responsibility for cyberattacks[J]. Brown Journal of World Affairs, 2011, 18 (1): 57- 70.

32
Schmitt M N. Tallinn Manual on the International Law Applicable to Cyber Warfare[M]. Cambridge: Cambridge University Press, 2013.

33
Schmitt M N. Tallinn Manual 2.0 on the International Law Applicable to Cyber Operations[M]. 2nd ed. Cambridge: Cambridge University Press, 2017.

34
沈逸. 全球网络空间治理原则之争与中国的战略选择[J]. 外交评论（外交学院学报）, 2015, 32 (2): 65- 79.

DOI

Shen Y. The debate on the principles of global cyberspace governance and China's strategic choice[J]. Foreign Affairs Review, 2015, 32 (2): 65- 79.

DOI

35
沈逸. 为全球网络空间治理良性变革贡献中国方案[J]. 人民论坛·学术前沿, 2020 (2): 36- 42.

DOI

Shen Y. Contributing the China Program to the Virtuous Transformation of Global Cyberspace Governance[J]. People's Tribune·Academic Frontier, 2020 (2): 36- 42.

DOI

36
鲁传颖. 网络空间安全困境及治理机制构建[J]. 现代国际关系, 2018 (11): 49- 55+66+68.

Lu C Y. The security dilemma in cyberspace and the construction of governance mechanisms[J]. Contemporary International Relations, 2018 (11): 49- 55+66+68.

37
胡冯彬, 沈逸. 数字时代的新地缘政治博弈与冲突协调[M]. 北京: 时事出版社, 2024.

Hu F B, Shen Y. New Geopolitical Game and Conflict Coordination in the Digital Age[M]. Beijing: Current Affairs Press, 2024. (in Chinese)

38
Lindsay J R. The impact of China on cybersecurity: Fiction and friction[J]. International Security, 2015, 39 (3): 7- 47.

DOI

39
CROWDSTRIKE. 2023 Global Threat Report[R]. Austin: CrowdStrike, 2023.

40
MANDIANT. M-Trends 2023: Special Report[R]. Milpitas: Mandiant, 2023.

41
国家计算机病毒应急处理中心, 360公司. 西北工业大学遭美国NSA网络攻击事件调查报告(之一)[R/OL]. (2022-09-05) [2026-04-05]. https://www.cverc.org.cn/head/zhaiyao/news20220905-NPU.htm.

National Computer Virus Emergency Response Center, 360. Investigation report on the cyber attack against Northwestern Polytechnical University by the U. S. NSA (Part 1)[R/OL]. (2022-09-05)[2026-04-05]. https://www.cverc.org.cn/head/zhaiyao/news20220905-NPU.htm. (in Chinese)

42
Harknett R J, Smeets M. Cyber campaigns and strategic outcomes[J]. Journal of Strategic Studies, 2022, 45 (4): 534- 567.

DOI

43
Farrell H, Newman A. Weaponized Interdependence: How Global Economic Networks Shape Coercion and Surveillance[J]. International Security, 2019, 44 (1): 42- 79.

DOI

44
360数字安全集团. 2025全球高级持续性威胁(APT)研究报告[R]. 2026.

Digital Security Group. 2025 Global Advanced Persistent Threat (APT) Research Report[R]. 2026. (in Chinese)

45
陈慧慧, 胡光俊. 美国构建“中国网络威胁”叙事的认知塑造机制研究与事件分析[J]. 中国信息安全, 2026 (3): 51- 57.

Chen H H, Hu G J. Research on the cognitive shaping mechanism and event analysis of the U. S. constructing the "China cyber threat" narrative[J]. China Information Security, 2026 (3): 51- 57.

46
徐增林, 盛泳潘, 贺丽荣, 等. 知识图谱技术综述[J]. 电子科技大学学报, 2016 (4): 589- 606.

Xu Z L, Sheng Y P, He L R, et al. A survey of knowledge graph technology[J]. Journal of University of Electronic Science and Technology of China, 2016 (4): 589- 606.

47
刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53 (3): 582- 600.

Liu Q, Li Y, Duan H, et al. A survey of knowledge graph construction techniques[J]. Journal of Computer Research and Development, 2016, 53 (3): 582- 600.

48
Syed Z, Padia A, Finin T, et al. UCO: A Unified Cybersecurity Ontology[C]. AAAI Workshop, 2016.

49
Mavroeidis V, Bromander S. Cyber Threat Intelligence Model: An Evaluation of Taxonomies, Sharing Standards, and Ontologies within Cyber Threat Intelligence[C]// 2017 European Intelligence and Security Informatics Conference (EISIC). Athens, Greece: IEEE, 2017: 91-98.

50
Liao X J, Yuan K, Wang X F, et al. Acing the IOC game: Toward automatic discovery and analysis of CTI[C]. ACM CCS, 2016.

51
Gao P, Shao F, Liu X Y, et al. A System for Efficiently Hunting for Cyber Threats in Computer Systems Using Threat Intelligence[C]// 2021 IEEE 37th International Conference on Data Engineering (ICDE). Chania, Greece: IEEE, 2021: 2381-2384.

52
Zhao J, Yan Q B, Li J X, et al. TIMiner: Automatically Extracting and Analyzing Categorized Cyber Threat Intelligence from Social Data[J]. Computers & Security, 2020.

53
许智双, 张昆, 范俊超, 等. 基于本体的网络安全知识图谱构建方法[J]. 信息网络安全, 2025, 25 (3): 451- 466.

DOI

Xu Z S, Zhang K, Fan J C, et al. A method for constructing a cybersecurity knowledge graph based on ontology[J]. Information Network Security, 2025, 25 (3): 451- 466.

DOI

54
Cheng Y T, Bajaber O, Tsegais A S, et al. CTINEXUS: Automatic Cyber Threat Intelligence Knowledge Graph Construction Using Large Language Models[C]// Proceedings of the 2025 IEEE European Symposium on Security and Privacy (EuroS&P). Piscataway: IEEE, 2025.

55
Husari G, Al-Shaer E, Rahman M, et al. TTPDrill: Automatic and accurate extraction of threat actions from unstructured text of CTI sources[C]//Proceedings of the 33rd Annual Computer Security Applications Conference (ACSAC). 2017: 103-115.

56
Piplai A, Mittal S, Joshi A, et al. Creating Cybersecurity Knowledge Graphs From Malware After Action Reports[J]. IEEE Access, 2020, 8, 211691- 211703.

DOI

57
Ren Y T, Xiao Y J, Zhou Y H, et al. CSKG4APT: A cybersecurity knowledge graph for advanced persistent threat organization attribution[J]. IEEE Transactions on Knowledge and Data Engineering, 2022, 35 (6): 5695- 5709.

DOI

58
Ma B Q, Zhou Y H, Wu S, et al. APT-KG2QA: An intelligent fine-tuning strategy for large language models utilizing the APT knowledge graph[J]. IEEE Internet of Things Journal, 2025, 12 (18): 38493- 38508.

DOI

59
Noel S, Harley E, Tam K H, et al. CyGraph: Graph-based analytics and visualization for cybersecurity[M] // GUDIVADA V N, RAGHAVAN V V, GOVINDARAJU V, et al. , eds. Handbook of statistics. Vol. 35. Amsterdam: Elsevier, 2016: 117-167. DOI: 10.1016/bs.host.2016.07.001.

60
Bilot T, Madhoun N E, Agha K A, et al. Graph neural networks for intrusion detection: a survey[J]. IEEE Access, 2023, 11, 49114- 49139.

DOI

61
Sun Y Z, Han J W. Mining heterogeneous information networks: A structural analysis approach[J]. ACM SIGKDD, 2013, 14 (2): 20- 28.

DOI

62
Hou S F, Ye Y F, Song Y Q, et al. HinDroid: An intelligent android malware detection system based on structured heterogeneous information network[C]// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, 2017, p. 1507-1516.

63
Abu-salih B. Domain-specific Knowledge Graphs: A survey[J]. Journal of Network and Computer Applications, 2021, 185, 103076.

DOI

64
He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2016: 770-778.

65
Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook, NY: Curran Associates Inc. , 2017: 6000-6010.

66
Mnih V, Kavukcuoglu K, Silver D, et al. Human-level control through deep reinforcement learning[J]. Nature, 2015, 518 (7540): 529- 533.

DOI

67
Gholami Y. Large Language Models （LLMs） for Cybersecurity: A Systematic Review[J]. World Journal of Advanced Engineering Technology and Sciences, 2024, 13 (01): 057- 069.

DOI

68
Chen Y R, Cui M J, Wang D, et al. A Survey of Large Language Models for Cyber Threat Detection[J]. Computers & Security, 2024, 145, 104016.

DOI

69
Jaffal N O, Alkhanafseh M, Mohaisen D. Large Language Models in Cybersecurity: A Survey of Applications, Vulnerabilities, and Defense Techniques[J]. AI, 2025, 6 (9): 216.

DOI

70
Liu X Z, Ding Z Y. CyberSOIE-LLM: Cybersecurity Semi-Open Information Extraction with Large Language Models[C]//2025 IEEE 24th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom). Guiyang: IEEE, 2025: 1435-1442.

71
马冰琦, 周盈海, 王梓宇, 等. 一种基于大语言模型的威胁情报信息抽取方法[J]. 网络空间安全科学学报, 2024, 2 (2): 36- 46.

DOI

Ma B Q, Zhou Y H, Wang Z Y, et al. A LLMs-based method for threat intelligence information extraction[J]. Journal of Cybersecurity, 2024, 2 (2): 36- 46.

DOI

72
SENTINELONE LABS. From Narrative to Knowledge Graph: LLM-Driven Information Extraction in Cyber Threat Intelligence [EB/OL]. [2026-04-19]. https://www.sentinelone.com/labs/from-narrative-to-knowledge-graph-llm-driven-information-extraction-in-cyber-threat-intelligence/.

73
Hu Y L, Zou F T, Han J J, et al. LLM-TIKG: Threat intelligence knowledge graph construction utilizing large language model[J]. Computers & Security, 2024, 145, 103999.

DOI

74
Wei J, Wang X Z, Schuurmans D, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models[C]// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook, NY: Curran Associates Inc. , 2022: 24824-24837.

75
Yao S Y, Zhao J, Yu D, et al. ReAct: Synergizing reasoning and acting in language models[C]//International Conference on Learning Representations (ICLR). 2023.

76
Deng G L, Liu Y, Mayoral-Vilches V, et al. PentestGPT: An LLM-empowered automated penetration testing tool[C]// Proceedings of the 33rd USENIX Conference on Security Symposium. Philadelphia: USENIX Association, 2024: 847-864.

77
Wu X Y, Tian Y Z, Chen Y W, et al. CurriculumPT: LLM-Based multi-agent autonomous penetration testing with curriculum-guided task scheduling[J]. Applied Sciences, 2025, 15 (16): 9096.

DOI

78
Liu N F, Lin K, Hewitt J, et al. Lost in the middle: How language models use long contexts[J]. Transactions of the Association for Computational Linguistics （TACL）, 2024, 12, 157- 173.

DOI

79
Ji Z W, Lee N, Frieske R, et al. Survey of hallucination in natural language generation[J]. ACM Computing Surveys, 2023, 55 (12): 1- 38.

80
Alam M T, Bhusal D, Nguyen L, et al. CTIBench: A benchmark for evaluating LLMs in cyber threat intelligence[C] // Advances in Neural Information Processing Systems. Vol. 37. [S. l. ]: Curran Associates, Inc. , 2024: 50805-50825.

81
陈晨, 李云春, 夏铭远, 等. LLM驱动的威胁情报知识图谱自动构建方法[J]. 网络空间安全科学学报, 2025, 3 (6): 112- 122.

DOI

Chen C, Li Y C, Xia M Y, et al. Automated threat intelligence knowledge graph construction using LLM[J]. Journal of Cybersecurity, 2025, 3 (6): 112- 122.

DOI

82
Liu B, Zhao Y J, Xu G A, et al. LLM Agents for Automated Web Vulnerability Reproduction: Are We There Yet? [EB/OL]. (2025-10-16) [2026-04-19]. https://arxiv.org/abs/2510.14700.

83
Gandhi P A, Shukla A, Tayouri D, et al. ATAG: AI-Agent Application Threat Assessment with Attack Graphs[EB/OL]. (2025-06-03) [2026-04-19]. https://arxiv.org/abs/2506.02859.

84
Srinivas S, Kirk B, Zendejas J, et al. AI-Augmented SOC: A Survey of LLMs and Agents for Security Automation[J]. Journal of Cybersecurity and Privacy, 2025, 5 (4): 95.

DOI

85
Safavi S, Abdulnabi M, Rana M E, et al. From black box to trustworthy AI: a secure framework for explainable cybersecurity decision-making[C]//Proceedings of 2025 International Conference on Advancements in Smart, Secure and Intelligent Computing (ASSIC). Bhubaneswar, India: IEEE, 2025: 1-4.

86
Zhao C S, Tan Z, Ma P C, et al. Is chain-of-thought reasoning of LLMs a mirage? A data distribution lens[C]//Proceedings of the First Workshop on Foundations of Reasoning in Language Models (FoRLM 2025). 2025.

87
Clairoux-Trepanier V, Beauchamp I M, Ruellan E, et al. The Use of Large Language Models (LLM) for Cyber Threat Intelligence (CTI) in Cybercrime Forums[EB/OL]. (2024-10-01) [2026-04-19]. https://arxiv.org/abs/2408.03354.

88
Shafee S, Bessani A, Ferreira P M. False Alarms, Real Damage: Adversarial Attacks Using LLM-based Models on Text-based Cyber Threat Intelligence Systems[J]. Future Generation Computer Systems, 2026, 108603. DOI: https://doi.org/10.1016/j.future.2026.108603.

89
Meng Y Q, Tang L X, Yu F Y, et al. Uncovering Vulnerabilities of LLM-Assisted Cyber Threat Intelligence[EB/OL]. (2025-09-30)[2026-04-19]. https://arxiv.org/abs/2509.23573.

90
Brodt O, Feldman E, Schneier B, et al. The Promptware Kill Chain: How Prompt Injections Gradually Evolved Into a Multistep Malware Delivery Mechanism[EB/OL]. (2026-01-01)[2026-04-19]. https://arxiv.org/abs/2601.09625.

91
Luo Z X, Fan Y H, Lin H Y, et al. Auditing Cascading Risks in Multi-Agent Systems via Semantic-Geometric Co-evolution[EB/OL]. (2026-03-04)[2026-04-19]. https://arxiv.org/abs/2603.13325.

92
Skopik F, Pahi T. Under false flag: using technical artifacts for cyber attack attribution[J]. Cybersecur, 2020, 3 (1): 8.

DOI

93
Gerwen S V, Constantino J, Roothaert R, et al. To know what you do not know: Challenges for explainable AI for security and threat intelligence[M]//Sipola T, Alatalo J, Wolfmayr M, et al. (Eds.). Artificial Intelligence for Security. Cham: Springer, 2024: 55-83. DOI: 10.1007/978-3-031-57452-8_4.

94
Xiao N, Lang B, Wang T, et al. APT-MMF: An advanced persistent threat actor attribution method based on multimodal and multilevel feature fusion[J]. Computers & Security, 2024, 144, 103960.

DOI

95
Wagner T D, Mahbu B K, Palomar E, et al. Cyber threat intelligence sharing: Survey and research directions[J]. Computers & Security, 2019, 87, 101589.

DOI

96
Duan L X, Wen M, Xiong Y. MLDSJ: a multi-level feature joint attribution method for APT group based on threat intelligence[J]. EURASIP Journal on Information Security, 2026, 2026, 2.

DOI

97
Qian F, Lu G S, Li L C, et al. Construction of a Network Security Compliance Check and Situational Correlation Model Based on Multi-Source Data Fusion[C]//2025 10th International Conference on Cyber Security and Information Engineering (ICCSIE). Xining, China: IEEE, 2025: 198-205.

98
Chockalingam S, Pieters W, Teixeira A, et al. Bayesian Network Models in Cyber Security: A Systematic Review[C]// Lipmaa H, Mitrokotsa A, Matulevicius R, eds. Secure IT Systems: NordSec 2017. Lecture Notes in Computer Science. Cham: Springer, 2017, 10674: 105-122.

99
Wang J L, Neil M, Fenton N. A Bayesian network approach for cybersecurity risk assessment implementing and extending the FAIR model[J]. Computers & Security, 2020, 89 (C): 101659.

DOI

100
Wei X Y, Dong Y D. A hybrid approach combining Bayesian networks and logistic regression for enhancing risk assessment[J]. Scientific Reports, 2025, 15, 26802.

DOI

Options
Outlines

/

〈 〉

Website Copyright © Editorial Office of Journal of Cybersecurity.
Tel: 010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
Powered by Beijing Magtech Co. Ltd,.

京ICP备16032046号-20