論文の概要: Revolutionizing Cyber Threat Detection with Large Language Models
- arxiv url: http://arxiv.org/abs/2306.14263v1
- Date: Sun, 25 Jun 2023 15:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 15:52:51.927646
- Title: Revolutionizing Cyber Threat Detection with Large Language Models
- Title(参考訳): 大規模言語モデルによるサイバー脅威検出の革命
- Authors: Mohamed Amine Ferrag, Mthandazo Ndhlovu, Norbert Tihanyi, Lucas C.
Cordeiro, Merouane Debbah, Thierry Lestable
- Abstract要約: 本稿では,サイバーセキュリティ脅威検出のための事前訓練型言語モデルであるSecurityLLMを初めて紹介する。
このモデルはSecurityBERTとFalconLLMの2つの重要な生成要素を中心に記述されている。
私たちのSecurityLLMモデルでは、14種類の攻撃を98%の精度で特定できます。
- 参考スコア(独自算出の注目度): 1.009810782568186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural Language Processing (NLP) domain is experiencing a revolution due to
the capabilities of Pre-trained Large Language Models ( LLMs), fueled by
ground-breaking Transformers architecture, resulting into unprecedented
advancements. Their exceptional aptitude for assessing probability
distributions of text sequences is the primary catalyst for outstanding
improvement of both the precision and efficiency of NLP models. This paper
introduces for the first time SecurityLLM, a pre-trained language model
designed for cybersecurity threats detection. The SecurityLLM model is
articulated around two key generative elements: SecurityBERT and FalconLLM.
SecurityBERT operates as a cyber threat detection mechanism, while FalconLLM is
an incident response and recovery system. To the best of our knowledge,
SecurityBERT represents the inaugural application of BERT in cyber threat
detection. Despite the unique nature of the input data and features, such as
the reduced significance of syntactic structures in content classification, the
suitability of BERT for this duty demonstrates unexpected potential, thanks to
our pioneering study. We reveal that a simple classification model, created
from scratch, and consolidated with LLMs, exceeds the performance of
established traditional Machine Learning (ML) and Deep Learning (DL) methods in
cyber threat detection, like Convolutional Neural Networks (CNN) or Recurrent
Neural Networks (RNN). The experimental analysis, conducted using a collected
cybersecurity dataset, proves that our SecurityLLM model can identify fourteen
(14) different types of attacks with an overall accuracy of 98%
- Abstract(参考訳): 自然言語処理(nlp)ドメインは、革新的なトランスフォーマーアーキテクチャによって推進され、前例のない進歩を遂げた、事前訓練された大規模言語モデル(llm)の能力によって、革命を経験した。
テキスト列の確率分布を評価するための例外的適性は、NLPモデルの精度と効率を両立させる主要な触媒である。
本稿では,サイバーセキュリティ脅威検出のための事前訓練型言語モデルであるSecurityLLMを初めて紹介する。
SecurityLLMモデルはSecurityBERTとFalconLLMの2つの重要な生成要素を中心に記述されている。
セキュリティBERTはサイバー脅威検出機構として機能し、FalconLLMはインシデント応答とリカバリシステムである。
我々の知る限り、SecurityBERTはサイバー脅威検出におけるBERTの初歩的な応用である。
コンテンツ分類における構文構造の重要性の低下など,入力データや特徴の独特な性質にもかかわらず,この任務に対するbertの適合性は,先駆的な研究により予期せぬ可能性を示している。
我々は,従来の機械学習(ML)手法とディープラーニング(DL)手法を,スクラッチから生成し,LLMと統合した単純な分類モデルが,畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNN)のようなサイバー脅威検出におけるパフォーマンスを上回ることを明らかにした。
我々のSecurityLLMモデルが14種類の14種類の攻撃を98%の精度で識別できることを実証した、収集されたサイバーセキュリティデータセットを用いて行われた実験分析。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳(メタデータ) (2024-04-15T06:01:48Z) - Give and Take: Federated Transfer Learning for Industrial IoT Network
Intrusion Detection [3.7498611358320733]
IIoTネットワーク侵入検出のためのフェデレートトランスファーラーニング(FTL)手法を提案する。
本研究の一環として,FTLの実行の中心となる組み合わせ型ニューラルネットワークを提案する。
結果は、IIoTクライアントとサーバの両方のイテレーション間のFTLセットアップのパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-10-11T10:11:54Z) - Semantic Communication Enabling Robust Edge Intelligence for
Time-Critical IoT Applications [87.05763097471487]
本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。
本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
論文 参考訳(メタデータ) (2022-11-24T20:13:17Z) - Intrusion Detection in Internet of Things using Convolutional Neural
Networks [4.718295605140562]
CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。
データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。
実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
論文 参考訳(メタデータ) (2022-11-18T07:27:07Z) - Zero Day Threat Detection Using Graph and Flow Based Security Telemetry [3.3029515721630855]
Zero Day Threats (ZDT) は、悪意あるアクターが情報技術(IT)ネットワークやインフラを攻撃・利用するための新しい手法である。
本稿では,ゼロデイ脅威検出に対するディープラーニングに基づくアプローチを導入し,リアルタイムに脅威を一般化し,スケールし,効果的に識別する。
論文 参考訳(メタデータ) (2022-05-04T19:30:48Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Semi-supervised Variational Temporal Convolutional Network for IoT
Communication Multi-anomaly Detection [3.3659034873495632]
モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。
これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。
本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
論文 参考訳(メタデータ) (2021-04-05T08:51:24Z) - Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。
提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。
また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
論文 参考訳(メタデータ) (2021-01-30T07:21:44Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳(メタデータ) (2020-10-22T12:32:29Z) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳(メタデータ) (2020-01-20T16:17:36Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。