.png){kind=icon}
返回
Multi-agent Collaborative Framework with Few-Shot CoT for Threat Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3058-8_36.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为应对数据稀缺、动态威胁和实时检测等复杂企业网络中的挑战，本文提出了一种集成Few-Shot Chain-of-Thought（CoT）推理的多智能体协作框架，用于内部威胁检测。该框架协调专业智能体——管理者、行为分析师、搜索者和反思者——以执行端到端的日志分析、异常检测和规则优化。通过结合Few-Shot学习与显式CoT推理，系统从有限样本中生成可解释的检测规则，并通过多智能体反馈动态优化。在CERT-IT r4.2数据集上的评估表明，本方法优于传统机器学习、深度学习及零样本/少样本LLM基线，在各类攻击场景中实现8-12%的更高准确率和6-23%的F1分数提升。值得注意的是，该框架达到92%的规则可解释性，并在1-2次迭代内收敛至稳定规则，较静态方法减少30-45%的误报/漏报。结果表明，集成多智能体协作与Few-Shot CoT推理对可扩展、自适应且可解释的内部威胁检测具有显著效果。
Keyword:
Multi-Agent Systems
Few-Shot Learning
Chain-of-Thought
Threat Detection
Cybersecurity
Anomaly Detection
期刊
K
IF:
0
论文数:
35
被引数:
0
机构
引用论文
A survey of large language models for cyber threat detection☆网络威胁检测的大型语言模型综述 ☆.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Toward Resilient Modern Power Systems: From Single-Domain to Cross-Domain Resilience EnhancementPROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏A survey on LLM-based multi-agent systems: workflow, infrastructure, and challenges基于LLM的多智能体系统调查：工作流程、基础设施和挑战VicinagearthOAAI
VicinagearthIF0
OAAI分享收藏
查看更多内容