BARTPredict：以 LLM 驱动的网络威胁预测赋能物联网安全
密码学与安全
2025-01-06 v1 人工智能
摘要
物联网技术融入各个领域带来了运营上的进步，但也引入了新的网络安全威胁漏洞，近期针对物联网设备的大规模网络攻击就证明了这一点。入侵检测系统通常是反应式的，由网络中观察到的特定模式或异常触发。为了应对这一挑战，本工作提出了一种主动方法来预期并先发制人地缓解恶意活动，旨在在潜在损害发生之前予以阻止。本文提出了一种由预训练大型语言模型赋能的创新型入侵预测框架。该框架包含两个 LLM：一个用于预测网络流量的微调双向自回归 Transformer 模型，以及一个用于评估预测流量的微调基于 Transformer 的双向编码器表示模型。通过利用 BART 的双向能力，该框架随后从这些预测中识别出恶意数据包。使用 CICIoT2023 物联网攻击数据集进行评估，我们的框架展示了预测性能的显著提升，达到了 98% 的总体准确率，为物联网网络面临的网络安全挑战提供了强有力的应对。
引用
@article{arxiv.2501.01664,
title = {BARTPredict: Empowering IoT Security with LLM-Driven Cyber Threat Prediction},
author = {Alaeddine Diaf and Abdelaziz Amara Korba and Nour Elislem Karabadji and Yacine Ghamri-Doudane},
journal= {arXiv preprint arXiv:2501.01664},
year = {2025}
}