从少量样本学习：一种高质量恶意代码生成的新方法
密码学与安全
2025-08-26 v1 人工智能
摘要
入侵检测系统（IDS）在网络安全防御中发挥着关键作用。然而，IDS 在训练检测模型方面面临一个显著挑战，即缺乏足够标记的恶意样本。为解决这些问题，本文引入一种新型半监督框架 GANGRL-LLM，将生成对抗网络（GANs）与大语言模型（LLMs）集成，以增强在少样本学习场景中的恶意代码生成和SQL注入（SQLi）检测能力。具体而言，我们的框架采用协同训练范式：(1) GAN-based 判别器通过与生成样本和有限真实样本的对抗学习提高恶意模式识别能力；(2) LLM-based 生成器利用来自判别器的奖励信号 refined 恶意代码合成质量。实验结果表明，即使在有限标记样本数量下，我们的训练框架在增强恶意代码生成和检测能力方面非常有效。这种双重增强能力为开发能够抵御不断演变的网络威胁的自适应防御系统提供了有前景的解决方案。
引用
@article{arxiv.2508.18148,
title = {Learning from Few Samples: A Novel Approach for High-Quality Malcode Generation},
author = {Haijian Ma and Daizong Liu and Xiaowen Cai and Pan Zhou and Yulai Xie},
journal= {arXiv preprint arXiv:2508.18148},
year = {2025}
}
备注
18pages,5 figures,emnlp