浙江工业大学 | Trident: 图结构与TTP序列双路并行，让APT归因跟上威胁情报的更新节奏

原文标题：Trident: Dual-stream APT attribution over heterogeneous threat knowledge graphs
原文作者：Zijun Wang, Saisai Hu, Tiantian Zhu, Wenrui Cheng, Zhengqiu Weng, Haiting Chen, Xiangyang Zheng, Suyu Zhang
原文链接：https://doi.org/10.1016/j.cose.2026.105094
笔记作者：王天宇@安全学术圈
主编：黄诚@安全学术圈

1. 背景介绍

本文介绍的 Trident 发表于 Computers & Security 2026（CCF-B 类期刊），代码仓库见 https://github.com/123wzj/trident 。

APT自动化归因需要整合源源不断发布的CTI中的三类证据：

• IoC（IP、域名、文件哈希等）

• MITRE ATT&CK框架定义的TTPs

• 串联上述证据的关联上下文

但APT自动化归因面临着下文所述的3个挑战

2. 动态威胁环境下归因面临的三大挑战

面向动态威胁环境的自动化归因仍存在以下3个挑战：

C1：非结构化情报解析存在事实偏差，长文本出现语义碎片化

实际场景中，威胁线索往往最早出现在厂商报告、技术博客、事件分析文档中，而非结构化情报共享平台，想要及时摄入这些情报，就需要系统从长篇的非结构化CTI中自动提取IoC实体、关系、TTPs等信息

尽管基于大模型的提取方法具有一定的泛化性，但是事实偏差、角色混淆、跨段落信息丢失等问题依然存在

C2：缺少能同时处理结构化证据和行为证据的统一归因模型

APT归因既依赖IoC实体及其关联关系所提供的结构线索，也依赖TTPs序列反映的威胁行为体的行为线索

现有模型大多只能有效利用其中一类证据：

• 面向结构的模型能够捕捉实体关联和局部拓扑模式，但容易受基础设施复用、共享中继资源的干扰

• 面向行为的模型可以刻画攻击流程，但当不同组织使用相似技术时，判别能力会明显下降，易受假旗行动干扰

C3：针对持续更新的CTI开展归因模型更新

归因所依赖的CTI并非静态数据集，而是不断新增的事件流、基础设施指标和技术组合。

每次更新若执行完全重训练，计算开销会高到难以接受，也会阻碍及时响应威胁。反之，如果仅在新数据上直接微调模型，会有灾难性遗忘的问题

3. Trident 的主要贡献

针对动态威胁场景下自动化归因面临的3个挑战，本文提出了Trident，解决3个挑战的概况如下：

• 针对C1（长篇非结构CTI带来的语义偏移、角色混淆等问题）：本文设计一套基于状态维护和多阶段校验的提取流水线。通过重叠分块、跨窗口记忆、一致性过滤、基于规则的校验，把长篇报告转换为可以并入异构威胁知识图谱(HTKG)的结构化增量子图

• 针对C2（归因系统鲁棒性不够）：为克服单一视图证据带来的不稳定性，本文设计双路(Dual-Stream)归因模型：一个分支使用关系图卷积网络（R-GCN）对威胁知识图中的多关系结构模式建模；另一分支采用 Transformer 对每个攻击事件对应的、经过阶段归一化的 TTP 序列和辅助行为特征进行编码，两个分支在决策层协同融合

• 针对C3（无法很好地适应CTI随时间的增量）：采用基于回放的增量训练机制，在吸收新观测样本的同时，尽可能保留模型对历史 APT 组织的判别能力

4. 核心方法

Trident是一套面向动态威胁情报环境的自动化归因框架，主要由4个紧密耦合的模块组成

多源CTI获取与结构化抽取

CTI获取

CTI数据源：

• 威胁情报平台发布的结构化情报记录：主要采用 AlienVault OTX 等开源平台提供的事件记录与 IOC 字段

• 非结构化威胁报告：聚焦于 MITRE ATT&CK 中 APT 组织对应的公开威胁报告与技术分析，以及谷歌威胁情报发布的公开研究成果。这类报告通常包含更完整的攻击链、工具使用方式、基础设施演化与行为上下文，但以自然语言撰写

抽取工作流

抽取过程中聚焦的实体类型可见表1，这也是HTKG(异构威胁知识图谱)中的节点和属性，节点实体包含事件、IP、域名、URL、ASN自治域、文件、CVE编号、技术、战术，各个节点中又有对应的属性

对于结构化威胁情报和非结构化威胁情报，系统有不同的抽取工作流

对于结构化威胁情报

系统直接从现有字段中提取事件标签、IOC 指标与 ATT&CK 技术，并进一步通过别名映射、字段归一化与 ATT&CK 对齐，减少不同来源的命名不一致问题

对于非结构化威胁情报

可以分为这几步：

• 数据预处理：

• 将不同格式的CTI报告统一转换为Markdown

• 使用重叠分块策略(即前一个Chunk的结尾内容会同时出现在下一个Chunk的开头)进行分块，避免一次性将长文档输入大模型造成语义偏移、上下文溢出等问题

• 使用正则表达式预识别IOC（防止大模型幻觉，以及避免大模型在长文档中寻找分散的IoC实体的性能和效率问题）

• 同时通过实体寄存器以及滚动摘要维护分块状态记忆

实体寄存器（Entity Register）跨分块累积已识别实体及其局部上下文；滚动摘要 (Rolling Summary) 是一段由 3–5 句话构成的事实摘要，不新增任何原文没有的信息，它会被注入每个文本分块的提示词中，在被切分的报告上维持共指消解与叙事连贯性

• 基于大模型的提取(实体寄存器以及滚动摘要维护分块状态记忆)

• 双分支提取：系统为 IOC 与 TTP 两条路径分别构建思维链提示词（CoT Prompt），引导大语言模型执行抽取：IOC 路径识别 IP、域名、URL、哈希、CVE 等候选实体并校验其安全角色；TTP 路径提取有明确依据的攻击技术，并映射到 MITRE ATT&CK 体系

• 对抗性校验：校验提取出的候选实体以及TTPs，这里是独立于上一步的大模型调用，作用就是抬杠，想尽办法挑候选实体的毛病，最后输出接受ACCEPT/拒绝REJECT，以下情况会被拒绝：

• 防御者、研究人员的行为，而非攻击者行为

• 只是通用漏洞概念、定义描述，不是本次攻击真实发生的行为

• 受害者资产被错误标记成攻击者 C2

• 报告本身的素材、CDN 域名、参考文献 URL 等文档内容，不是攻击 IOC

• 校验器无法证伪为攻击者证据的候选会被剔除，剩余实体与 TTP 序列输出为统一的 JSON 记录

• 外部知识丰富节点与属性：通过公开情报丰富实体属性，比如对于 CVE 实体，从 NVD 记录中获取漏洞编号与年份信息，并按年份做归一化。除了属性增强，还起到了验证大模型是否幻觉出不存在的IoC，不存在的IoC在这一步无法在外部知识源中得到验证

通过第2、3步，保证了抽取出的实体的正确性，避免了大模型编造不存在的IoC和TTPs实体

这步的产出：多源的CTI最终被归一化为事件级结构化表示

异构威胁知识图谱的构建与动态更新

异构威胁知识图谱构建

经上一步最后的多源CTI归一化为事件级结构化表示，本文将得到的威胁实体及其关系表征为异构威胁知识图谱（HTKG）

形式化定义为有向属性图：

其中为异构节点集合，为有向边集合，为关系类型集合，为节点属性与特征空间

节点空间

分为四大类型：

• 核心事件(EVENT)：作为图谱中心，承载事件标识和组织标签

• 基础设施：IP、URL、域名、ASN

• 文件和漏洞证据:FILE与CVE表征

• 战术行为：ATT&CK战术和技术

关系建模

可以分为2类：

• 事件与其他节点之间的直接关联：事件使用什么基础设施，使用什么文件载荷、利用什么CVE，使用什么ATT&CK技术

• 节点间的上下文关联：比如IP和域名之间通过DNS解析

根据这2大类分类，又可以细分出6种不同的有向边，如表2所示

图谱不仅捕捉单个事件内的直接证据，还挖掘潜在的跨实体、跨报告关联，形成统一的异构语义空间，作为事件级 APT 归因的结构化证据基底

动态HTKG更新机制

为了防止每次面对新的威胁情报都需要重构知识图谱，导致开销与知识图谱挂钩而非新增数据规模挂钩，本文提出的Trident使用增量图谱更新策略，即新增威胁事件时，保留知识图谱的已有结构，仅对新增事件关联的局部子结构进行扩展与修正

当新采集的数据到来时，已有 HTKG 在当前图谱结构上做局部演化。设时刻t的图谱为，则更新后的图谱定义为：

对增量事件的要求：同时拥有IoC相关证据和TTPs证据才能算作有效

系统增量接入新增事件所关联的实体和边，包括 ATT&CK 技术、战术、IP、域名、URL、ASN、文件以及 CVE 编号。对每一个实体，利用归一化键（CTI获取中得到的，字段归一化与ATT&CK对齐） 匹配图谱中已存在的节点：匹配成功则复用该节点，并补充缺失属性；之前未出现过的实体，则作为新节点实例插入图谱

若对应的事件证据、上下文关联边不存在，则新增表2中定义的边实例

更新过程

论文中对算法的简要描述：更新过程分为两个阶段，首先导入 TTP 信息，确定有效事件集合（即带有 TTP 的事件）；随后仅将结构证据关联到该集合内的事件上。算法 1 中设有最后的清理步骤，用于移除合并后不存在任何 IOC 或 TTP 边的孤立事件节点，保证更新后的图谱不存在无连接的孤立事件；这类孤立节点一般不会出现，该步骤只是用来兜底，防范更新后仍残留孤立节点的情况

在算法1中：

1. 初始化为空(line 1)

2. 对于增量TTPs记录信息,这是一个由事件e，APT组织标签y，战术T组成的三元组，将e与标签y并入有效事件集合(line 2-3)

3. 随后对于TTPs记录中的技术t，添加e与t、t与对应战术的关系边(line 4-5)

4. 将结构证据x关联到有效事件集合内的事件上，若节点存在则复用，否则新建，随后添加节点间的上下文关联，以及事件e与结构证据x节点的关联（line 8-13）

5. 针对FILE节点更新相似度关系(line 14)

6. 针对无IoC边关系、无TTPs边关系的孤立节点做移除操作

7. 完成图的增量更新

双路APT归因框架(Dual-Stream APT Attribution Framework)

Motivation：APT 攻击活动通常暴露出两类互补的证据：一类是以基础设施与实体关联为核心的结构证据，例如共享 IP、域名、恶意软件家族、利用的漏洞；另一类是 TTP 在攻击各阶段的组合与战术阶段组织所反映的行为证据。仅建模其中单一视图，都容易受基础设施复用、公共中继资源、局部行为不全的干扰

设v为攻击事件节点，其关联的 TTP 序列为，y为 APT 组织的标签空间。两个分支分别通过图结构编码器与序列编码器生成事件级表示：

随后这两种表示被映射到y上的后验分布p，并在决策层融合

图结构编码器

使用关系图卷积R-GCN

图结构分支对每个攻击事件关联的结构证据建模。对于给定事件，我们构建连接事件节点与其关联实体（包括 IP 地址、域名、URL、ASN、文件、CVE 编号）的异构局部图。该分支聚焦于事件关联实体之间的关系，旨在捕捉与归因相关的结构信号，例如 IP 与 ASN 的归属关系、攻击事件与文件的关联、局部连通模式等。

为建模这些多关系依赖，我们采用关系图卷积网络（R-GCN）。它通过为不同关系类型学习独立的变换参数，在异构图上实现感知关系的消息传递，因此特别适合捕捉攻击事件与其关联威胁实体之间的细粒度结构交互；这也与此前基于图的 APT 归因研究结论一致，即关系传播对于挖掘潜在结构证据有效。

我们选择 R-GCN 而非单关系编码器（GCN/GAT/GraphSAGE）或注意力密集的 HGT，原因在于：其面向关系的传播机制匹配我们 14 种关系的异构模式，同时基分解可以控制参数量；该选择也得到了消融实验的实证支持。

设为节点v在第l层的表示。R-GCN 的更新规则定义为：

其中表示节点v在关系r下的邻居，是对应关系的变换矩阵，是自环权重矩阵，是归一化因子，是非线性激活函数。

为避免 HTKG 中 14 种关系导致参数量线性增长，我们采用基分解：每个都表示为少量共享基矩阵的线性组合，并搭配关系专属系数。经过L层传播后，取事件节点的最终隐状态作为图分支表示。

本质上，该分支对攻击事件周围的结构依赖模式建模，而非行为演化过程，从而以图谱拓扑与事件关联实体关系为归因提供补充证据，与序列分支形成互补

TTPs行为序列编码器

使用Transformer

对于每个攻击事件v，其关联的 TTP 序列记为，其中每个代表从 CTI 中提取并映射到 ATT&CK 的技术项。我们将事件提取出的 ATT&CK 技术集合，按照 14 个 ATT&CK 企业战术阶段（从侦察到影响）的顺序序列化，同一战术下的技术按技术 ID 固定确定性排序。这种序列化方式得到稳定的事件级表示，不受 CTI 报告中提及顺序的影响（报告通常按主题组织），同时注入了粗粒度的战术阶段先验。

不同 APT 组织可能使用相似技术，但侧重的战术阶段、技术组合方式存在差异；区分信号主要来自技术组合与战术阶段覆盖度。随后每个技术被映射为可学习的技术嵌入，并在序列化序列中加入位置编码。

为编码这类行为模式，我们采用基于 Transformer 的序列编码器。与 LSTM 这类循环编码器（逐步处理技术、偏向严格局部顺序）相比，Transformer 通过自注意力建模整个序列中技术间的依赖关系，因此更适合捕捉攻击行为的阶段结构、长程交互与复杂技术组合模式；消融实验也验证 Transformer 表现优于 LSTM。经过多层自注意力与前馈变换后，最终隐状态聚合为事件级行为表示。该分支旨在捕捉技术选择、战术阶段覆盖、技术组合模式中反映的行为规律，从而提供与图结构信号互补的归因证据

基于回放的双路增量自适应

每次阶段性 HTKG 更新后，双路归因模型以增量方式更新，而非在全量历史语料上从头训练。因此Trident采用基于回放的增量自适应策略：以第阶段学到的参数初始化第t阶段模型，同时联合使用新增样本与少量回放的历史样本进行优化。该设计与基于回放的持续学习方法一致

设第 t 阶段的新样本集为 ，回放缓冲区为 。

若  表示上一阶段得到的模型参数，则阶段 t 以  作为初始参数。对每一批新数据 ，同时从回放缓冲区采样一批历史样本 ，并优化如下损失函数：

式中， 为交叉熵损失； 用于平衡模型对新增证据的适配能力与对已有知识的保留能力。本文默认取 

回放机制在两个分支之间同步执行，同时保持分支感知。图分支复用当前及历史异构威胁知识图谱（HTKG）中以事件为中心的子图，保留模型对基础设施关系与实体连通性的区分能力；序列分支则在相同监督信号下，基于新观测到的 TTP 序列与回放的历史 TTP 序列开展联合训练

决策融合机制

在双路框架中，图分支与序列分支从两个互补视角刻画攻击事件：IOC 相关的结构关系与基于 TTP 的行为模式。由于两类证据的来源与表征方式不同，我们不在特征层拼接，而是让每个分支独立做出预测，再通过融合两者的输出得分得到最终归因结果。

每个分支首先通过各自的分类器，输出 APT 组织标签空间上的独立后验分布。为避免人工固定融合权重，我们将分支b在事件v上的置信度定义为后验分布的归一化熵的补值，即：

其中分母是标签空间上均匀分布的熵。在推理时针对每个事件独立计算，因此融合权重是样本专属的，而非对整个测试集固定；越高，说明预测分布越集中、判定越明确。

基于上述置信度，图分支的动态融合权重定义为：

记两个分支的后验分别为与，则最终融合后验为：

最终预测标签通过选取融合预测得分最高的类别得到。这种置信度感知的决策融合，在保留每个分支独立预测能力的同时，根据样本专属的不确定性自适应调整两者的贡献。由此，最终预测更多由对当前样本置信度更高的分支决定，提升了归因的可靠性。

5. 实验评估

本文一共提出了4个研究问题：

• RQ1：Trident 在实际开销约束下，长上下文 CTI 结构化抽取效果如何？

• RQ2：Trident 的 APT 归因效果，以及对超参的敏感性？

• RQ3：持续新增 CTI 情报时，模型能否保持性能、降低更新开销、缓解灾难性遗忘？

• RQ4：Trident整套框架进行APT归因的计算效率如何？

数据集

数据源和统计数据

为降低开源威胁情报标签噪声，仅保留满足下面至少一条的 APT 标签：

1. 在 MITRE ATT&CK 知识库明确收录；

2. 至少两家独立安全厂商公开技术报告交叉验证

过滤后得到1424 份 CTI 报告，覆盖 15 个 APT 组织(Actor)，横跨 14 个 ATT&CK 战术阶段，用于 HTKG 构建、归因训练、增量学习评估（具体数据见表3）

划分比例：7 Train：1 Val：2 Test；测试集中出现的 IP、域名等基础设施实体同样允许出现在训练图谱，符合传导式 (transductive) 真实场景：分析师会利用全部历史观测到的基础设施来分析新事

实现细节

基于 PyTorch2.1，R-GCN 使用 PyTorch-Geometric。优化器 AdamW，学习率，权重衰减，batch_size=32，最多 100 轮，基于验证集 Macro-F1 早停（patience=15）

默认超参：表征维度；R-GCN/Transformer 层数；R-GCN 基分解；Transformer 头数 = 4；dropout=0.2；回放损失系数。

为消除随机初始化、数据打乱带来方差，每组结果采用不同随机种子、分层划分多次运行取均值；所有基线完全相同协议，保证结果可对比

评估指标

1. CTI 抽取任务：Precision 精确率、Recall 召回率、F1 分数

2. APT 归因分类任务

• Accuracy（准确率）

• Balanced Accuracy（平衡准确率，B-Acc）：每一类召回率取平均，专门应对类别不平衡 APT 数据集

• Macro-F1：各类别 F1 无权重平均，同样侧重类别均衡性能

3. 增量学习任务：额外报告在旧阶段测试集 (Test-Old)、合并后整体测试集 (Test-All) 的Acc，分别衡量对历史 APT 的记忆保留能力、对新增情报的适配能力。

4. 效率分析：记录总训练耗时、单样本平均推理时延

CTI抽取模块评估(RQ1)

为了回答RQ1，在 45 份真实开源威胁情报（CTI）报告上对 CTI 抽取模块开展评估，每个 APT 组织收集 3 份报告。该系统统一抽取六类实体：TTP、IP、域名（Domain）、URL、文件（File）以及 CVE 漏洞

对比方法中，分为2类：

• 外部大模型（通过API）

• 开源本地抽取模型

评估指标除了Precision、Recall、F1，还加入了调用API时的成本开销(Cost)及消耗的Token

为了计算评估指标，首先需要对CTI进行标注得到真值，这里的CTI从15个APT 组织(Actor)中各抽取3份，共45份， 由3个人分别独立人工标注，区分出区分攻击者相关证据、分析师评论文本、良性系统组件、防御工具、第三方引用内容和示例文本

同时为了消除标注者的个人偏差，一条实体只有被至少两名标注人员独立确认时，才保留在真值集中；仅单人标注出来的条目直接舍弃

实验结果见表5，可以看到：

• 大模型在抽取CTI任务中表现显著优于本地的抽取模型（原因在于CTI中的IoC实体具有语义，同一个IP，Domain可能是受害者也可能是其他，不是简单的正则匹配字符串任务）

• 国模性能稍弱于GPT/Gemini，但是成本优势明显

为了量化基于大模型的CTI抽取中无依据抽取(简单理解为大模型产生幻觉抽取到不存在的实体)，本文基于GPT-5.4开展组件层面的消融实验

共有以下2个变体：

• 关闭对抗校验模块

• 关闭自一致性投票(同一份 CTI 报告、同一个抽取 prompt，调高 temperature，让同一个 LLM 独立跑 N 次（论文里是 3 次），得到 3 组抽取出来的 TTP 集合； 对结果做多数投票：多次输出里反复出现的 TTP 保留，只在某一次里偶然冒出来的 TTP（大概率是幻觉、不稳定输出）直接丢掉)

共有4个指标评估结果：

• Entities：实体数量

• Unsupported TTP%：无支撑TTP率，指抽取得到的 ATT&CK 技术，在原始报告中找不到对应的技术编号、技术名称或行为描述作为依据的占比

• Unmatched IOC%：不匹配IOC率，指抽取得到的 IOC，其归一化后的 IP、域名、URL、文件哈希或 CVE 编号无法在原始报告文本中匹配到的占比

• Unsupported extraction%：无依据抽取率，所有抽取实体里缺少原文支撑的总体占比

• 关闭对抗校验后，不匹配IOC率、无依据抽取率明显上涨，说明对抗校验对于支撑证据薄弱的IOC实体与误报的过滤作用有效

• 关闭投票机制后，无支撑TTP率明显上涨，投票机制能够降低单次大模型推理带来的不稳定、缺少原文依据的 TTP 预测结果

• 完整pipeline取得了最低的无依据抽取率，证明对抗校验与自一致性投票可以协同降低幻觉的风险

归因效果与对超参的敏感性(RQ2)

组件分析与消融

为了回答RQ2，本文从2个维度开展评估：

• 不同模型范式之间的对比

• 核心组件消融分析

评估指标使用准确率Acc，平衡准确率B-Acc以及Macro-F1

对比基线可分为三类：

• 启发式(Heuristic)方法

• IoC重叠相似度：代表传统基于规则、基于特征重叠的归因思路，刻画仅依靠底层 IOC 证据所能达到的性能上限，在 IOC 层面计算待测攻击事件与已知 APT 组织之间的重合程度来完成归因，比对内容包含域名、IP、文件哈希以及其他基础设施线索

• 单模态(图结构)方法

• GraphSAGE（基于邻域聚合）

• R-GCN（基于感知关系的图卷积）

• HGT（基于异构图注意力机制）

• 单模态(序列)方法：为了证明仅依靠单一模态的归因性能上限

• LSTM

• Transformer

• 多模态方法：Trident的两种情况的消融，同时用来分析每一类证据单独的贡献，以及二者结合带来的协同增益

• 早融合：在双路APT归因框架中，在分类前直接进行特征拼接，用于验证仅引入多模态输入是否足以带来性能提升

• Trident

对表7的分析：

• 启发式方法的表现最差，仅依靠新威胁事件与已有APT组织的重合程度来归因的性能远远不够，易受到基础设施复用，TTPs重叠、或者是假旗行动等干扰

• 单模态方法中，R-GCN的表现最佳，同时基于图结构的方法效果优于基于序列的方法，表明异构关系结构能够更好地捕捉不同APT组织在基础设施布局、样本关联、局部连接模式上的差异

• 对比多模态方法，Trident性能提升并不是主要因为引入了多模态输入，而是得益于对结构证据与行为证据之间互补性更有效的协同建模；说明了浅层的表征无法充分挖掘2类证据的深层互补关联

针对TTPs序列化的敏感性实验

为探究序列分支是否依赖基于 ATT&CK 阶段的标准序列化方式，本文在保持 Transformer TTP 编码器、输入特征、数据集划分完全一致的前提下，对比三组变体

1. ATT&CK 阶段顺序（默认方案）：先按照 ATT&CK 战术阶段对技术排序，同一阶段内部再按照固定的技术编号排序

2. 技术随机顺序：每个攻击事件对应的技术集合保持不变，但输入顺序随机打乱

3. 无序技术集合：去掉位置编码，使编码器对相同技术的不同排列不敏感

由于威胁情报报告通常按照主题组织内容，并且预处理阶段会对技术去重、整理为事件级集合，因此报告原文里的提及顺序不作为可靠的对照基准。

如表 8 所示，ATT&CK 阶段顺序在全部三项指标上效果最优。相比随机排序方案，无序技术集合变体的性能更接近阶段有序方案；在不使用Transformer位置编码的情况下，它依然保留了大部分性能。而随机打乱顺序会造成性能大幅下跌。

上述结果说明：基于战术阶段的序列化可以作为稳定可复现的战术先验信息；同时，该分支的区分信号并不仅仅来自人为指定的顺序，也来源于技术组合以及战术阶段覆盖情况本身

与已有代表性方法的对比

本节主要对比了TRAIL(2025)方法,同样使用知识图谱完成APT归因任务的建模，但该方法面向仅包含 IOC 的 TRAIL 知识图谱（TKG）而设计，该图谱基于网络层指标（IP、域名、URL、ASN）构建，并借助被动 DNS 与 ASN 查询信息进行扩充，在面对本文构造的数据集时，无法利用文件、CVE等实体，导致输入子图稀疏，造成性能下降，对比结果见表9

作者还提及了几个方法，但受限于未开源方法代码和数据集，所以未进行忠实复现，暴露出问题：该研究领域目前缺少统一的公开基准数据集

对超参的敏感性分析

主要验证表征维度d和网络深度(R-GCN层数与Transformer层数共享该超参)

1. 在两种表征维度下，随着网络深度 L 从 2 增加到 4，模型性能都呈现明显的先上升后下降趋势，在  时取得最优结果。这说明深度为 2 时模型能力不足，无法充分捕捉该任务所需的、结构证据与行为证据之间的互补依赖关系；而当深度取 4 时，则会开始出现优化不稳定、过平滑或者噪声累积的问题

2. 将表征维度从  提升至  时，在全部三项评价指标、所有深度设置下性能均稳定提升。这说明归因任务能够受益于更大的隐空间，该隐空间可以同时对异质图结构和分阶段行为证据进行编码

增量学习评估(RQ3)

为回答研究问题 RQ3，本文设计了基于时间划分的增量更新实验。按照时间戳将攻击事件样本划分为历史阶段与新增阶段，两个阶段的标签空间保持一致，均为 15 个 APT 组织。模型先在历史阶段的数据上完成训练；当新增阶段数据到来后，对模型执行一次更新，以此模拟威胁情报持续流入场景下周期性的模型维护流程。该实验设置旨在检验：在更新开销可控的前提下，模型能否学习新出现的威胁模式，同时保留对已经见过的 APT 组织的判别能力

为了系统评估不同的更新策略，本文设置了5种对比方案：

• Base：仅在历史数据上训练，后续不再更新，作为在历史数据上归因的性能上限

• Fine-tune Only：只用新增数据集继续微调

• EWC：依靠参数正则约束缓解遗忘

• Replay：增量训练时，将回放的历史样本和新阶段样本混合训练(即本文实际使用的增量学习策略)

• Full Finetune：在历史与新增数据的全部并集上重新训练，当所有数据都可获取时，它是一个性能上限参考

使用四项评价指标：历史阶段测试集上的准确率（Test-Old）、更新后合并测试集上的准确率（Test-All）、合并测试集上的平衡准确率，以及训练耗时。Test-Old 用于衡量模型对历史知识的保留能力；Test-All 和平衡准确率刻画模型对更新后整体数据分布的适配能力；训练耗时则反映单次更新的计算开销。综合这四项指标，可以体现知识保留、新分布适配、计算效率三者之间的权衡关系

• 回放方案取得了最优效果，在历史知识的判别准确率(Test-Old)上略高于Base基线，在Test-All和B-Acc(All)上略低于全量数据微调，同时耗时成本显著低于全量数据微调

• 仅用新增数据集进行微调(朴素微调)会造成灾难性遗忘的后果，使用EWC约束遗忘环节性能下降虽然有一定的效果，但无法在保留历史判别能力方面，效果仍显著弱于回放方案

• 全量数据更新并没有带来显著的性能提升

训练与推理效率(RQ4)

为回答研究问题 RQ4，我们对所提双路归因模型的计算效率开展评估。

训练时间指完成模型优化所需要的时长；推理时间指对单个测试样本完成预测的平均耗时。

通过这两项指标，量化图结构证据与行为证据建模带来的计算开销

如表 11 所示，图分支的开销高于 TTP 分支，原因是它需要在以事件为中心的局部子图上执行感知关系的消息传递

6. 复现进展

暂时无法推进，原论文给出的代码仓库并不完整，缺少数据集链接以及自行处理原始数据的完整脚本，同时图节点的键映射也存在一定的问题，目前已经在GitHub上提了issue，等待作者回复后继续推进复现工作

7. 总结与展望

Trident 把长篇 CTI 的抽取、异构威胁知识图谱的增量维护、图结构与 TTP 序列的双路归因串成了一条完整的流水线。在包含 1424 份报告、15 个 APT 组织的数据集上，它的 Accuracy 和 Balanced Accuracy 分别比同样基于知识图谱的 TRAIL 高出 12.16 和 15.61 个百分点；增量更新时采用回放策略，效果接近全量重训，耗时则只随新增数据量增长。

未来工作主要围绕四个方向拓展：

1. 当前数据集只包含拥有充足英文公开威胁情报的 APT 组织，才能保证可靠打标与分层评估。后续需要扩大组织覆盖范围，针对公开报告稀少、标签不一致的 APT，开展更广泛的数据采集和严谨的标签校验。

2. 当前 HTKG 使用固定的节点、关系类型本体。后续可以研究模式演进机制，新增实体类别、关系类型时，不需要对整个框架从零重建。

3. 抽取流水线还可以进一步增强：增加更严格的跨段落约束、跨报告实体对齐、不确定性标注，以此降低上游环节错误。

4. 增量学习场景需要突破本文单步、标签集合固定的更新设定，拓展至多阶段时序更新、新类别扩展，以及长期回放缓冲区管理研究。

欢迎阅读原论文并访问代码仓库：https://github.com/123wzj/trident

作者团队介绍

• 论文团队来自浙江工业大学，通讯作者之一为朱添田，所在团队的研究方向为网络空间安全，涉及网络安全、系统安全、移动安全等。合作单位包括 Pace University、温州理工学院、温州职业技术学院。Zijun Wang 与 Saisai Hu 为共同第一作者。