論文の概要: TRACE: Timely Retrieval and Alignment for Cybersecurity Knowledge Graph Construction and Expansion
- arxiv url: http://arxiv.org/abs/2602.11211v1
- Date: Wed, 11 Feb 2026 06:54:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.450617
- Title: TRACE: Timely Retrieval and Alignment for Cybersecurity Knowledge Graph Construction and Expansion
- Title（参考訳）: TRACE:サイバーセキュリティ知識グラフの構築と拡張のためのタイムリーな検索とアライメント
- Authors: Zijing Xu, Ziwei Ning, Tiancheng Hu, Jianwei Zhuge, Yangyang Wang, Jiahao Cao, Mingwei Xu,
- Abstract要約: TRACEは構造化および非構造化のサイバーセキュリティデータソースを統合するために設計されたフレームワークである。
TRACEは、24の構造化データベースと、APTレポート、論文、修理通知を含む3つの非構造化データのカテゴリからの知識を統合する。
- 参考スコア（独自算出の注目度）: 22.605362022279497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid evolution of cyber threats has highlighted significant gaps in security knowledge integration. Cybersecurity Knowledge Graphs (CKGs) relying on structured data inherently exhibit hysteresis, as the timely incorporation of rapidly evolving unstructured data remains limited, potentially leading to the omission of critical insights for risk analysis. To address these limitations, we introduce TRACE, a framework designed to integrate structured and unstructured cybersecurity data sources. TRACE integrates knowledge from 24 structured databases and 3 categories of unstructured data, including APT reports, papers, and repair notices. Leveraging Large Language Models (LLMs), TRACE facilitates efficient entity extraction and alignment, enabling continuous updates to the CKG. Evaluations demonstrate that TRACE achieves a 1.8x increase in node coverage compared to existing CKGs. TRACE attains the precision of 86.08%, the recall of 76.92%, and the F1 score of 81.24% in entity extraction, surpassing the best-known LLM-based baselines by 7.8%. Furthermore, our entity alignment methods effectively harmonize entities with existing knowledge structures, enhancing the integrity and utility of the CKG. With TRACE, threat hunters and attack analysts gain real-time, holistic insights into vulnerabilities, attack methods, and defense technologies.
- Abstract（参考訳）: サイバー脅威の急速な進化は、セキュリティ知識の統合における大きなギャップを浮き彫りにした。
構造化データに依存するサイバーセキュリティ知識グラフ(CKG)は、急速に進化する未構造化データのタイムリーな取り込みが制限されているため、本質的にヒステリシスを示す。
これらの制限に対処するために,構造化および非構造化のサイバーセキュリティデータソースを統合するためのフレームワークであるTRACEを紹介する。
TRACEは、24の構造化データベースと、APTレポート、論文、修理通知を含む3つの非構造化データのカテゴリからの知識を統合する。
LLM(Large Language Models)を利用することで、TRACEは効率的なエンティティ抽出とアライメントを促進し、CKGの継続的な更新を可能にする。
評価の結果、TRACEは既存のCKGに比べて1.8倍のノードカバレッジを達成している。
TRACEは86.08%の精度、76.92%のリコール、F1スコア81.24%のエンティティ抽出を達成し、LLMベースのベースラインを7.8%上回る。
さらに,エンティティアライメント手法は既存の知識構造と効果的に調和し,CKGの完全性と有用性を向上する。
TRACEでは、脅威ハンターとアタックアナリストが、脆弱性、攻撃方法、防衛技術に関する総合的な洞察をリアルタイムで得る。
関連論文リスト
- Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。
我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
論文 参考訳（メタデータ） (2026-01-30T13:12:12Z) - Task-Agnostic Learnable Weighted-Knowledge Base Scheme for Robust Semantic Communications [52.36313868773825]
本稿では,手堅い画像伝送のためのタスク非依存学習型重み付き知識ベースセマンティックコミュニケーション(TALSC)フレームワークを提案する。
このフレームワークには、メタラーナーとしてサンプル信頼モジュール(SCM)と学習者としての意味的符号化ネットワークが組み込まれている。
シミュレーションにより,TALSCフレームワークは,タスク非依存の画像意味コミュニケーションにおけるフリップノイズとクラス不均衡の効果を効果的に緩和することを示した。
論文 参考訳（メタデータ） (2025-09-15T07:10:21Z) - Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。
本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。
提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
論文 参考訳（メタデータ） (2025-07-25T06:02:48Z) - FORGE: An LLM-driven Framework for Large-Scale Smart Contract Vulnerability Dataset Construction [34.20628333535654]
FORGEはスマートコントラクト脆弱性データセットを構築するための最初の自動化アプローチである。
81,390のソリッドリティファイルと27,497の脆弱性を296のCWEカテゴリに分類したデータセットを生成した。
その結果、現在の検出能力の重大な制限が明らかになった。
論文 参考訳（メタデータ） (2025-06-23T16:03:16Z) - Streamlining Security Vulnerability Triage with Large Language Models [0.786186571320448]
セキュリティバグの共通弱さ(CWE)の同定を自動化し,その重症度を評価する新しいアプローチであるCASEYを提案する。
ケーシーはCWE識別精度68%、重度識別精度73.6%、組み合わせ精度51.2%を達成した。
論文 参考訳（メタデータ） (2025-01-31T06:02:24Z) - CTINexus: Automatic Cyber Threat Intelligence Knowledge Graph Construction Using Large Language Models [49.657358248788945]
サイバー脅威インテリジェンス(CTI)レポートのテキスト記述は、サイバー脅威に関する豊富な知識源である。
現在のCTI知識抽出法は柔軟性と一般化性に欠ける。
我々は,データ効率の高いCTI知識抽出と高品質サイバーセキュリティ知識グラフ(CSKG)構築のための新しいフレームワークであるCTINexusを提案する。
論文 参考訳（メタデータ） (2024-10-28T14:18:32Z) - SeCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [58.29510889419971]
コード生成大型言語モデル(LLM)のセキュリティリスクと能力を評価するための既存のベンチマークは、いくつかの重要な制限に直面している。
手動で検証し、高品質なシード例から始める、汎用的でスケーラブルなベンチマーク構築フレームワークを導入し、ターゲット突然変異を通じて拡張する。
このフレームワークをPython、C/C++、Javaに適用すると、44のCWEベースのリスクカテゴリと3つのセキュリティ機能にまたがる5.9k以上のサンプルデータセットであるSeCodePLTが構築されます。
論文 参考訳（メタデータ） (2024-10-14T21:17:22Z) - KGV: Integrating Large Language Models with Knowledge Graphs for Cyber Threat Intelligence Credibility Assessment [38.312774244521]
サイバー脅威インテリジェンス(サイバー脅威インテリジェンス、CTI)は、高度で組織化され、兵器化されたサイバー攻撃を防ぐ重要なツールである。
本稿では,大規模言語モデル (LLM) と単純な構造化知識グラフ (KG) を統合し,CTIの信頼性自動評価を行う最初のフレームワークである知識グラフベース検証(KGV)を提案する。
実験の結果,我々のKGVはCTI-200データセット上で最先端の事実推論手法より優れており,F1は5.7%向上していることがわかった。
論文 参考訳（メタデータ） (2024-08-15T11:32:46Z) - KG-FIT: Knowledge Graph Fine-Tuning Upon Open-World Knowledge [63.19837262782962]
知識グラフ埋め込み(KGE)技術は、知識グラフ内の実体と関係のコンパクトな表現を学習するために重要である。
本研究では、エンティティクラスタのセマンティックコヒーレントな階層構造を構築するKG-FITを紹介する。
ベンチマークデータセットFB15K-237、YAGO3-10、PrimeKGの実験は、最先端の訓練済み言語モデルに基づく手法よりもKG-FITの方が優れていることを示した。
論文 参考訳（メタデータ） (2024-05-26T03:04:26Z) - Unveiling Hidden Links Between Unseen Security Entities [3.7138962865789353]
VulnScopperは、知識グラフ(KG)と自然言語処理(NLP)を組み合わせたマルチモーダル表現学習を利用した革新的なアプローチである。
我々は、National Vulnerability Database(NVD)とRed Hat CVEデータベースの2つの主要なセキュリティデータセットでVulnScopperを評価した。
VulnScopperは既存の手法よりも優れており、CVEをCWE(Common Vulnerabilities and Exposures)、CPE(Common Platform Languageions)にリンクする際の78%のHits@10精度を実現している。
論文 参考訳（メタデータ） (2024-03-04T13:14:39Z)
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。