論文の概要: AutoBnB-RAG: Enhancing Multi-Agent Incident Response with Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2508.13118v1
• Date: Mon, 18 Aug 2025 17:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.512047
• Title: AutoBnB-RAG: Enhancing Multi-Agent Incident Response with Retrieval-Augmented Generation
• Title（参考訳）: AutoBnB-RAG:Retrieval-Augmented Generationによるマルチエージェントインシデント応答の強化
• Authors: Zefang Liu, Arman Anwar,
• Abstract要約: AutoBnB-RAGは、検索拡張生成(RAG)をマルチエージェントインシデント応答シミュレーションに組み込んだAutoBnBフレームワークの拡張である。 Backdoors & Breaches (B&B) テーブルトップゲーム環境上に構築されたAutoBnB-RAGは、エージェントが検索クエリを発行し、共同調査中に外部証拠を組み込むことを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incident response (IR) requires fast, coordinated, and well-informed decision-making to contain and mitigate cyber threats. While large language models (LLMs) have shown promise as autonomous agents in simulated IR settings, their reasoning is often limited by a lack of access to external knowledge. In this work, we present AutoBnB-RAG, an extension of the AutoBnB framework that incorporates retrieval-augmented generation (RAG) into multi-agent incident response simulations. Built on the Backdoors & Breaches (B&B) tabletop game environment, AutoBnB-RAG enables agents to issue retrieval queries and incorporate external evidence during collaborative investigations. We introduce two retrieval settings: one grounded in curated technical documentation (RAG-Wiki), and another using narrative-style incident reports (RAG-News). We evaluate performance across eight team structures, including newly introduced argumentative configurations designed to promote critical reasoning. To validate practical utility, we also simulate real-world cyber incidents based on public breach reports, demonstrating AutoBnB-RAG's ability to reconstruct complex multi-stage attacks. Our results show that retrieval augmentation improves decision quality and success rates across diverse organizational models. This work demonstrates the value of integrating retrieval mechanisms into LLM-based multi-agent systems for cybersecurity decision-making.
• Abstract（参考訳）: インシデント対応(IR)は、サイバー脅威を封じ込め、緩和するために、迅速で協調的で、情報に富んだ意思決定を必要とする。 大規模言語モデル(LLM)は、IR設定をシミュレートした自律エージェントとして期待されているが、その推論は外部知識へのアクセスの欠如によって制限されることが多い。 本稿では,検索拡張生成(RAG)をマルチエージェントインシデント応答シミュレーションに組み込んだAutoBnBフレームワークの拡張であるAutoBnB-RAGを提案する。 Backdoors & Breaches (B&B) テーブルトップゲーム環境上に構築されたAutoBnB-RAGは、エージェントが検索クエリを発行し、共同調査中に外部証拠を組み込むことを可能にする。 本稿では,キュレートされた技術ドキュメント(RAG-Wiki)と,物語型インシデントレポート(RAG-News)の2つの検索設定を紹介する。 批判的推論を促進するために新たに導入された議論的構成を含む8つのチーム構造のパフォーマンスを評価した。 実用性を検証するため,公的な漏洩報告に基づく実世界のサイバーインシデントをシミュレートし,AutoBnB-RAGの複雑なマルチステージ攻撃を再構築する能力を示す。 以上の結果から,検索の強化により,多様な組織モデルにおける意思決定の質や成功率が向上することが示唆された。 本研究は,LLMに基づくサイバーセキュリティ意思決定のためのマルチエージェントシステムに検索機構を統合することの価値を実証する。

関連論文リスト

• Reasoning RAG via System 1 or System 2: A Survey on Reasoning Agentic Retrieval-Augmented Generation for Industry Challenges [6.615766570234612]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルの知識制限を克服する強力なフレームワークとして登場した。 これらの課題に対処するため、フィールドは推論エージェントRAG(Reasoning Agentic RAG)へと移行した。
  論文  参考訳（メタデータ） (2025-06-12T07:01:56Z)
• AURA: A Multi-Agent Intelligence Framework for Knowledge-Enhanced Cyber Threat Attribution [3.6586145148601594]
  AURA(Attribution Using Retrieval-Augmented Agents)は、APT属性の自動化と解釈のための知識強化フレームワークである。 AURAはTactics, Techniques, and procedures (TTPs)、Indicators of Compromise (IoCs)、マルウェアの詳細、敵対ツール、時間情報など様々な脅威データを取り込みます。
  論文  参考訳（メタデータ） (2025-06-11T21:00:51Z)
• MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [43.66966457772646]
  MA-RAGは、タスク認識推論でRAGパイプラインの各ステージに取り組むために、特別なAIエージェントの協力的なセットを編成する。 我々の設計では、モデルが微調整されることなく、情報の流れをきめ細かな制御が可能である。 このモジュラーおよび推論駆動アーキテクチャにより、MA-RAGは堅牢で解釈可能な結果を提供できる。
  論文  参考訳（メタデータ） (2025-05-26T15:05:18Z)
• Multi-Agent Collaboration in Incident Response with Large Language Models [0.0]
  インシデント対応(IR)はサイバーセキュリティの重要な側面であり、サイバー攻撃を効果的に対処するために、迅速な意思決定と協調的な努力が必要である。 大きな言語モデル(LLM)をインテリジェントエージェントとして活用することは、IRシナリオにおけるコラボレーションと効率を高めるための新しいアプローチを提供する。 本稿では,Backdoors & Breaches フレームワークを用いた LLM ベースのマルチエージェントコラボレーションの適用について検討する。
  論文  参考訳（メタデータ） (2024-12-01T03:12:26Z)
• Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [69.01029651113386]
  Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。 コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。 Embodied-RAGがRAGをロボット領域に効果的にブリッジし、250以上の説明とナビゲーションクエリをうまく処理できることを実証する。
  論文  参考訳（メタデータ） (2024-09-26T21:44:11Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。