.png){kind=icon}
返回
L2DAPT – LLMs and Linux: decoding advanced persistent threats
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08129-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
日益增加的网络攻击复杂性和频率，尤其是高级持续性威胁（APTs），揭示了现有安全机制的显著局限性。随着对手利用人工智能（AI）和大量资源，其战术变得更加有组织和强大，能够持续规避传统检测手段。为解决这一关键安全缺口，我们提出了一种新颖的基于机器学习（ML）的高保真威胁检测框架。该任务面临高容量、高速度的Linux系统遥测数据的挑战，这需要高性能计算（HPC）基础设施固有的实时处理和大规模并行化。该解决方案利用一系列学习算法，包括随机森林（RF）、前馈神经网络（FNN）和卷积神经网络（CNN），以准确检测和预测复杂的恶意活动，包括零日漏洞利用。我们系统的关键创新在于集成大型语言模型（LLM）作为后检测分析模块。LLM不执行分类，而是专门用于为机器学习模型已高置信度识别出的威胁生成详细的、人类可读的描述和上下文解释，需要大量分布式计算资源来生成已识别威胁的详细且人类可读的描述。这种协同作用为防御者提供了制定有效反制措施所需的上下文理解。我们通过在模拟高级多阶段攻击而生成的自定义数据集上验证了我们的方法。结果表明该框架具有卓越的有效性，实现了97%的精确度和99%的召回率，从而为现代网络防御调查提供了一个稳健且富有洞察力的解决方案。
Keyword:
Advanced persistent threat (APT)
Large language model (LLM)
Linux systems
Tactics techniques and procedures (TTPs)
MITRE
Artificial intelligence (AI)
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Harnessing the Advanced Capabilities of LLM for Adaptive Intrusion Detection Systems利用LLM的高级功能实现自适应入侵检测系统
PREAI
分享收藏Detecting APT Using Machine Learning: Comparative Performance Analysis With Proposed Model使用机器学习检测APT：与所提出模型的比较性能分析，在
PREAI
分享收藏分享收藏
A Novel Framework for Detecting Anomalies in Network Security using LLM and Deep Learning一种基于LLM和深度学习检测网络安全异常的新型框架
PREAI
分享收藏Early Detection of the Advanced Persistent Threat Attack Using Performance Analysis of Deep Learning.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容