面向物联网网络中零日威胁的混合 LLM 增强式入侵检测
密码学与安全
2025-12-29 v1 人工智能
机器学习
摘要
本文提出一种新颖的入侵检测方法，通过集成基于签名的传统方法与 GPT-2 大语言模型（LLM）的上下文理解能力。随着网络威胁日益复杂，尤其是在以物联网（IoT）为特点的数据分布、异构且资源受限的环境中，构建动态和适应性的入侵检测系统（IDS）的需求日益紧迫。虽然传统方法在检测已知威胁方面仍然有效，但常常无法识别新型和不断演变的攻击模式。相比之下，GPT-2 在处理非结构化数据和识别复杂语义关系方面表现出色，因而非常适合发现细微的零日攻击向量。我们提出一种混合 IDS 框架，将基于签名的技术的稳健性与 GPT-2 驱动的语义分析的适应性相结合。针对代表性入侵数据集进行的实验评估表明，本模型将检测准确率提升 6.3%，将误报率降低 9.0%，并保持近实时响应。这些结果确认了语言模型集成构建智能、可扩展且适用于现代连接环境的韧性网络安全防御的潜力。
引用
@article{arxiv.2507.07413,
title = {Hybrid LLM-Enhanced Intrusion Detection for Zero-Day Threats in IoT Networks},
author = {Mohammad F. Al-Hammouri and Yazan Otoum and Rasha Atwa and Amiya Nayak},
journal= {arXiv preprint arXiv:2507.07413},
year = {2025}
}
备注
6 pages, IEEE conference