MM-AttacKG：基于大语言模型的攻击图构建的多模态方法
密码学与安全
2025-06-23 v1 计算机与社会
摘要
网络威胁情报（CTI）解析旨在从海量数据中提取关键威胁信息，将其转化为可操作的情报，从而提升威胁检测与防御效率，包括攻击图构建、情报融合与指标提取。其中，攻击图构建（AGC）是实现对威胁事件从CTI报告中潜在攻击路径进行可视化和理解的关键技术。现有方法主要仅基于文本数据构建攻击图，以揭示攻击行为序列中实体之间的逻辑威胁关系，但通常忽视视觉模态中蕴含的特定威胁信息，这些信息保留了来自多模态CTI报告中的关键威胁细节。因此，我们通过分析视觉信息来增强攻击图构建的有效性，具体方法是采用多模态大语言模型（MLLM）。我们提出了一种新型框架MM-AttacKG，能够有效从威胁图像中提取关键信息并整合到攻击图构建中，从而提升攻击图的全面性和准确性。该框架首先采用威胁图像解析模块，通过MLLM从图像中提取关键威胁信息并生成描述；随后构建针对图像解析的迭代问答流水线，以细化对威胁图像的理解；最后通过MLLM实现攻击图与图像答案之间的内容级集成，完成威胁信息的增强。实验结果表明，MM-AttacKG能够准确识别威胁图像中的关键信息，并显著提升多模态攻击图构建的质量，有效解决了现有方法在利用图像-based威胁信息方面的不足。
引用
@article{arxiv.2506.16968,
title = {MM-AttacKG: A Multimodal Approach to Attack Graph Construction with Large Language Models},
author = {Yongheng Zhang and Xinyun Zhao and Yunshan Ma and Haokai Ma and Yingxiao Guan and Guozheng Yang and Yuliang Lu and Xiang Wang},
journal= {arXiv preprint arXiv:2506.16968},
year = {2025}
}