一种基于 LLM 且符合伦理的内部威胁合成与检测方法
密码学与安全
2026-01-27 v2 人工智能
计算与语言
计算机与社会
摘要
由于识别其技术和行为要素的复杂性，内部威胁正成为一个日益严重的组织问题。大量研究致力于从技术、心理学和教育学的角度研究内部威胁。然而，该领域的研究通常依赖于静态且访问受限的数据集，这限制了自适应检测模型的发展。本研究引入了一种新颖且符合伦理的方法，该方法使用大语言模型（LLM）Claude Sonnet 3.7 动态合成 syslog 消息，其中部分消息包含内部威胁场景的指标。这些消息反映了真实世界的数据分布，具有高度不平衡性（1% 的内部威胁）。Sonnet 3.7 和 GPT-4o 均对这些 syslog 进行了内部威胁分析，并通过包括准确率、精确率、召回率、F1、特异性、FAR、MCC 和 ROC AUC 在内的统计指标评估了它们的性能。Sonnet 3.7 在几乎所有指标上均持续优于 GPT-4o，特别是在减少误报和提高检测准确率方面。结果展现了 LLM 在合成数据集生成和内部威胁检测中的应用前景。
引用
@article{arxiv.2509.06920,
title = {An Ethically Grounded LLM-Based Approach to Insider Threat Synthesis and Detection},
author = {Haywood Gelman and John D. Hastings and David Kenley},
journal= {arXiv preprint arXiv:2509.06920},
year = {2026}
}
备注
6 pages, 5 figures, 5 tables