大语言模型是少样本生成器：提出混合提示算法生成 Webshell 逃逸样本
密码学与安全
2024-06-06 v2 人工智能
摘要
网络攻击的频繁发生使得 Webshell 攻击与防御逐渐成为网络安全领域的研究热点。然而，公开基准数据集的缺乏以及 Webshell 逃逸样本生成对人工定义规则的过度依赖，减缓了 Webshell 逃逸样本生成和基于人工智能（AI）的 Webshell 检测相关研究的进展。为解决 Webshell 样本逃逸能力弱、缺乏具有复杂恶意特征的 Webshell 数据集等不足，并促进 Webshell 检测的发展，我们借助大语言模型提出了用于 Webshell 逃逸样本生成的混合提示算法。作为一种专门为 Webshell 样本生成而开发的提示算法，混合提示算法不仅结合了包括思维链、思维树在内的多种提示思想，还融合了 Webshell 层次模块和少样本示例等多种组件，以促进 LLM 学习和推理 Webshell 逃逸策略。实验结果表明，混合提示算法可以与多个具有出色代码推理能力的 LLM 协同工作，生成具有高逃逸率（使用 GPT-4 模型在 VirusTotal 检测引擎上为 88.61%）和高存活率（使用 GPT-4 模型为 54.98%）的高质量 Webshell 样本。
引用
@article{arxiv.2402.07408,
title = {Large Language Models are Few-shot Generators: Proposing Hybrid Prompt Algorithm To Generate Webshell Escape Samples},
author = {Mingrui Ma and Lansheng Han and Chunjie Zhou},
journal= {arXiv preprint arXiv:2402.07408},
year = {2024}
}
备注
21 pages, 17 figures