通过LLM分析量化网络攻击者的损失厌恶
密码学与安全
2025-08-20 v1 人工智能
摘要
从经验数据中理解和量化人类认知偏差长期以来一直是一个巨大的挑战，尤其是在网络安全领域，因为对未知对手的防御至关重要。传统的网络防御策略主要关注加固防御，而一些方法则试图通过将其映射到认知漏洞来预判攻击者的策略，但在动态解释进行中的攻击时不足之处。鉴于这一差距，IARPA的ReSCIND计划旨在推断、防御甚至利用攻击者的认知特征。在本文中，我们提出了一种新方法，利用大语言模型（LLM）从黑客行为中提取可量化的损失厌恶认知偏差见解。我们的数据来自一项实验，邀请黑客攻击一个受控演示网络。我们使用LLM处理黑客生成的笔记，用于细分各种动作并将动作与黑客使用的预定义持久性机制相关联。通过将这些机制的实现与各种操作触发器相关联，我们的分析为损失厌恶在黑客决策中如何表现提供了新见解。结果表明，LLM能够有效地解构和解释细微的行为模式，从而为通过基于实时行为分析的网络防御策略提供了变革性方法。
引用
@article{arxiv.2508.13240,
title = {Quantifying Loss Aversion in Cyber Adversaries via LLM Analysis},
author = {Soham Hans and Nikolos Gurney and Stacy Marsella and Sofia Hirschmann},
journal= {arXiv preprint arXiv:2508.13240},
year = {2025}
}