主动检测威胁：基于 LLM 的新方法
密码学与安全
2026-01-15 v1 人工智能
摘要
企业安全面临来自高级恶意软件的日益升级的威胁， compounded by expanding digital operations。本文首次系统评估大语言模型（LLM）用于从非结构化基于网络的威胁情报来源中主动识别威胁指示器（IOCs），区别于被动的恶意软件检测方法。我们开发了一个自动化系统，从 15 个基于网络的威胁报告来源中抓取 IOCs，以评估六个 LLM 模型（Gemini、Qwen 和 Llama 变体）。我们对 479 个网页包含 2,658 个 IOCs（711 个 IPv4 地址、502 个 IPv6 地址、1,445 个域名）的评估结果显示，显著的性能差异。Gemini 1.5 Pro 在恶意 IOC 识别中实现 0.958 的精确率和 0.788 的特异度，同时在实际威胁检测上实现完美的召回率（1.0）。
引用
@article{arxiv.2601.09029,
title = {Proactively Detecting Threats: A Novel Approach Using LLMs},
author = {Aniesh Chawla and Udbhav Prasad},
journal= {arXiv preprint arXiv:2601.09029},
year = {2026}
}
备注
2025 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC)