ThreatGraph GNN
ThreatGraph — هوش تهدید مبتنی بر گراف — تحلیل IOC در گراف تهدید با GraphSAGE/GAT، پیشبینی یال، همبستگی کمپین و نگاشت ATT&CK.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: امنیت سایبری · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
IOCها جداگانه بررسی میشدند و رابطه دامنه–بدافزار–کمپین ساعتها همبستگی دستی میخواست.
ورود IOC → تفکیک موجودیت → استنتاج GNN → همسایهها و کمپین با توضیح زیرگراف در زیر ۳۰۰ ms.
- Macro F1 گره ≥ ۰.۸۵
- ROC-AUC ≥ ۰.۹۰
- Hits@10 ≥ ۰.۸۵
- < ۳۰۰ ms pipeline CPU
«یک دامنه مشکوک ۱۲ نوع همسایه را نشان داد — کمپین پشت IOC تکی پیدا شد.»
مستندات عمومی
چه میکند؟
ThreatGraph GNN یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به ThreatGraph GNN ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
بانک، بیمه و فینتک
کاهش ریسک تقلب، فیشینگ و نفوذ در کانالهای دیجیتال و تسریع triage SOC. کشف رابطه پنهان بین دامنه، IP، هش و CVE در SOC و MSSP.
نفت، گاز و انرژی
پایش تهدید IT/OT، اولویتبندی آسیبپذیری و پاسخ حادثه در تأسیسات حیاتی.
مخابرات و مراکز داده
طبقهبندی ترافیک، شکار تهدید و کاهش alert fatigue در شبکه بزرگ.
دولت و زیرساخت حیاتی
همبستگی IOC، پوشش MITRE و گزارشدهی برای تیمهای SOC ملی و سازمانی.
بهداشت و درمان
محافظت از داده بیمار، ایمیل و endpoint بدون افشای PII در دمو عمومی.
خردهفروشی و تجارت الکترونیک
تشخیص کمپین فیشینگ، بدافزار و سوءاستفاده از وب/اپلیکیشن فروش.
برای مهندس: Pipeline و معماری
IOC ingest → entity resolution → graph lookup → GraphSAGE/GAT → link prediction → ATT&CK → subgraph explain
معماری مرجع: IOC ingest → entity resolution → graph lookup → GraphSAGE/GAT → link prediction → ATT&CK → subgraph explain. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- scikit-learn
- LightGBM / PyTorch
- FastAPI
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Node Macro F1 | malicious vs benign | ≥ 0.85 |
| Link MRR | domain–malware | ≥ 0.70 |
| Hits@10 | predicted links | ≥ 0.85 |
| Unseen node F1 | held-out | ≥ 0.75 |
سوالات پرتکرار
ThreatGraph GNN چه مسئلهای را حل میکند؟
ThreatGraph GNN برای «embedding گراف تهدید با GNN برای موجودیت و یال حمله» است. تحلیل IOC در گراف تهدید با GraphSAGE/GAT، پیشبینی یال، همبستگی کمپین و نگاشت ATT&CK. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی ThreatGraph GNN چیست؟
ورودی: گراف دارایی، هشدار و رابطه. خروجی قابل نقلقول: بردار گره/زیرگراف. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی ThreatGraph GNN جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: گراف ناقص که رابطه حیاتی ندارد. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.