CANAL——网络活动新闻警报语言模型：经验方法对比昂贵的大语言模型
密码学与安全
2024-05-14 v1 人工智能
计算与语言
摘要
在当今网络攻击已成常态的数字环境中，跨不同领域检测网络攻击和威胁至关重要。我们的研究提出了一种新的网络威胁建模经验框架，该框架擅长从新闻文章中解析和分类网络相关信息，从而增强市场利益相关者的实时警惕性。该框架的核心是一个经过微调的 BERT 模型，我们称之为 CANAL——网络活动新闻警报语言模型，它利用一种由随机森林驱动的新型银标数据标注方法，专门用于网络分类。我们将 CANAL 与更大、更昂贵的大语言模型 (LLM)（包括 GPT-4、LLaMA 和 Zephyr）进行了基准测试，突出了它们在网络新闻分类中的零样本到少样本学习能力。CANAL 在准确性和成本效益方面均优于所有其他 LLM 对应模型，展示了卓越的性能。此外，我们引入了网络信号发现模块，这是一个战略组件，旨在高效地从新闻文章中检测新兴的网络信号。CANAL 和网络信号发现模块共同使我们的框架能够为需要敏捷响应网络情报的企业提供强大且经济高效的解决方案。
引用
@article{arxiv.2405.06772,
title = {CANAL -- Cyber Activity News Alerting Language Model: Empirical Approach vs. Expensive LLM},
author = {Urjitkumar Patel and Fang-Chun Yeh and Chinmay Gondhalekar},
journal= {arXiv preprint arXiv:2405.06772},
year = {2024}
}
备注
Published in 2024 IEEE 3rd International Conference on AI in Cybersecurity (ICAIC), Conference Date: 07-09 February 2024