面向IoT防御的文本到SQL：查询与分类IoT威胁的综合框架
计算与语言
2024-06-26 v1
摘要
认识到自然语言数据库接口的潜力，先前研究强调开发文本到SQL系统的重要性。尽管在该领域取得了显著进展，但现有研究集中于从文本查询生成SQL语句。更广泛的挑战在于推断返回数据中的新信息。在我们的研究中，我们对这一差距提出了两个主要贡献。首先，我们引入了一个新的互联网-of-Things(IoT)文本到SQL数据集，包含10,985个文本-SQL对和239,398行网络流量活动。该数据集包含先前文本到SQL数据集中受限的额外查询类型，尤其是与时间相关的查询。该数据集来自智能建筑的IoT生态系统，探索传感器读取和网络流量数据。其次，该数据集允许进行两阶段处理，其中从生成的SQL返回的数据(网络流量)可被分类为恶意或非恶意。我们的结果表明，联合训练以查询和推断有关返回数据的信息可提高整体文本到SQL性能，几乎匹配 substantially 更大的模型。我们还展示了当前大型语言模型(如GPT3.5)在推断返回数据的新信息方面存在困难，因此该数据集为将复杂的领域特定推理集成到LLM中提供了新的测试平台。
引用
@article{arxiv.2406.17574,
title = {Beyond Text-to-SQL for IoT Defense: A Comprehensive Framework for Querying and Classifying IoT Threats},
author = {Ryan Pavlich and Nima Ebadi and Richard Tarbell and Billy Linares and Adrian Tan and Rachael Humphreys and Jayanta Kumar Das and Rambod Ghandiparsi and Hannah Haley and Jerris George and Rocky Slavin and Kim-Kwang Raymond Choo and Glenn Dietrich and Anthony Rios},
journal= {arXiv preprint arXiv:2406.17574},
year = {2024}
}