論文の概要: DEFENGRAPH: Knowledge Graph-Enhanced LLMs for Blue Team Cyber Defense

• arxiv url: http://arxiv.org/abs/2606.21059v1
• Date: Fri, 19 Jun 2026 03:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:43:56.034756
• Title: DEFENGRAPH: Knowledge Graph-Enhanced LLMs for Blue Team Cyber Defense
• Title（参考訳）: DEFENGRAPH: ブルーチームサイバーディフェンスのための知識グラフ強化LDM
• Authors: Zhen Wang, Kristen Moore, Qin Wang, Guangsheng Yu, Minjune Kim, Diksha Goel, Gang Li, Ahmed Ibrahim, Ahmad Mohsin, Helge Janicke,
• Abstract要約: 大規模言語モデル(LLM)は、サイバーセキュリティにおける意思決定を支援することを約束するが、ハイテイクな時間進化環境における信頼性は依然として限られている。 我々は、サイバーセキュリティ事件において、人間の防衛を支援するために設計されたLDM駆動のアシスタントであるDEFENGRAPHを紹介する。
• 参考スコア（独自算出の注目度）: 10.619506659651456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) show promise for supporting decision-making in cybersecurity, but their reliability in high-stakes, time-evolving environments remains limited due to hallucinations, poor temporal reasoning, and shallow grounding in system context. We introduce DEFENGRAPH, an LLM-driven assistant designed to support human defenders during cybersecurity incidents. DEFENGRAPH improves contextual reasoning by integrating a dual-layer Static-Dynamic Knowledge Graph (KG) with graph-based path retrieval, LLM-driven contextual filtering, and reasoning-based re-ranking. The framework grounds LLM outputs in both long-term domain knowledge and evolving event context, enabling faithful and temporally aware decision support. We evaluate DEFENGRAPH in a cyber defense setting using knowledge graphs constructed from heterogeneous security artifacts, including SIEM alerts, system topology, attacker behaviors, and prior defensive actions. The evaluation uses data collected during live Red vs. Blue team cyber range exercises simulating attacks on critical infrastructure, which generate realistic and noisy datasets reflecting real-world defender workflows and system dynamics. Evaluations across four prevalent LLMs show that DEFENGRAPH sets a new state-of-the-art: on GPT-4o it boosts reasoning-recall from 61.45\% to 73.49\% and ticket-action recall from 52.17% to 72.46% (precision 24.49\% to 29.24\%), with similar gains on LLaMA-3 (46.99\% to 61.45\%), DeepSeek-R1 (45.78\% to 56.63\%) and QWen-3 (51.81\% to 59.04\%), while surfacing up to 50 correct defense actions versus 36 for the next best baseline and holding fault rates steady.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、サイバーセキュリティにおける意思決定を支援することを約束するが、ハイテイク、時間進化環境における信頼性は、幻覚、時間的推論の貧弱、システムコンテキストにおける浅い接地によって制限されている。 我々は、サイバーセキュリティ事件において、人間の防衛を支援するために設計されたLDM駆動のアシスタントであるDEFENGRAPHを紹介する。 DEFENGRAPHは、二層静的動的知識グラフ(KG)とグラフベースのパス検索、LLM駆動のコンテキストフィルタリング、推論に基づく再分類を統合することにより、文脈推論を改善する。 このフレームワークはLLMのアウトプットを長期のドメイン知識と進化するイベントコンテキストの両方に根ざし、忠実で時間的に認識された意思決定支援を可能にする。 我々は、SIEMアラート、システムトポロジ、攻撃行動、および先行防御行動を含む異種セキュリティアーティファクトから構築された知識グラフを用いて、サイバー防御環境でのDefENGRAPHを評価する。 この評価では、ライブのRed vs. Blueチームサイバーレンジトレーニング中に収集されたデータを使用して、重要なインフラストラクチャに対する攻撃をシミュレートする。 GPT-4oでは、推論リコールを61.45\%から73.49\%に、チケットアクションリコールを52.17%から72.46%(精度24.49\%から29.24\%)に引き上げ、LLaMA-3 (46.99\%から61.45\%)、DeepSeek-R1 (45.78\%から56.63\%)、QWen-3 (51.81\%から59.04\%)でも同様の利得を示した。

関連論文リスト

• Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
  我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。 メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。 冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
  論文  参考訳（メタデータ） (2026-05-11T06:45:00Z)
• Are LLM-Enhanced Graph Neural Networks Robust against Poisoning Attacks? [9.709556420480508]
  大規模言語モデル(LLM)は、ノード表現をセマンティックな特徴で強化することにより、高度なグラフニューラルネットワーク(GNN)を持つ。 本研究では, LLM強化GNNを中毒攻撃下で体系的に評価するロバストネス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-27T06:28:25Z)
• DistillGuard: Evaluating Defenses Against LLM Knowledge Distillation [5.647839536820347]
  我々は,3つの防衛カテゴリー – 出力摂動,データ中毒,情報スロットリング – の分類を導入する。 教師としてQwen3-14B,学生としてQwen2.5-7B-インストラクトを用いた標準化パイプラインを用いて,9つの防御構成を評価する。 以上の結果から,ナイーブ攻撃に対する同種の蒸留処理では,ほとんどの出力レベル防衛は驚くほど効果がないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-08T22:38:30Z)
• GuardNet: Graph-Attention Filtering for Jailbreak Defense in Large Language Models [5.550877102788988]
  大規模言語モデル(LLM)は、ジェイルブレイク攻撃の影響を受けやすくなっている。 これらの攻撃はLLM出力の安全性、信頼性、信頼性を損なう。 推論に先立ってjailbreakプロンプトを検出しフィルタする階層的なフィルタリングフレームワークであるGuardNetを提案する。
  論文  参考訳（メタデータ） (2025-09-27T01:21:12Z)
• An Automated Attack Investigation Approach Leveraging Threat-Knowledge-Augmented Large Language Models [17.220143037047627]
  Advanced Persistent Threats (APTs) は高価値システムを侵害してデータを盗んだり、操作を妨害したりする。 既存の手法では、プラットフォーム全般性の貧弱さ、進化的戦術への一般化の制限、アナリスト対応のレポート作成が不可能なことなどに悩まされている。 動的に適応可能なKil-Chain対応脅威知識ベースを組み込んだLDMを利用した攻撃調査フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T08:57:01Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• A Multi-Agent Approach to Fault Localization via Graph-Based Retrieval and Reflexion [8.22737389683156]
  従来のフォールトローカライゼーション技術は、広範なトレーニングデータセットと高い計算資源を必要とする。 大規模言語モデル(LLM)の最近の進歩は、コード理解と推論を強化することで、新たな機会を提供する。 LLM4FLは3つの特殊なLLMエージェントを利用するマルチエージェントの故障局所化フレームワークである。 14のJavaプロジェクトから675の障害を含むDefects4Jベンチマークで評価され、LLM4FLはAutoFLよりも18.55%、SoapFLより4.82%、Top-1の精度が18.55%向上した。
  論文  参考訳（メタデータ） (2024-09-20T16:47:34Z)
• Improved Generation of Adversarial Examples Against Safety-aligned LLMs [72.38072942860309]
  勾配に基づく手法を用いて生成した敵対的プロンプトは、安全対応のLDMに対して自動ジェイルブレイク攻撃を行う際、優れた性能を示す。 本稿では,この問題に対する新たな視点を探求し,トランスファーベースの攻撃にインスパイアされたイノベーションを活用することで緩和できることを示唆する。 この組み合わせによって生成されたクエリ固有逆接接尾辞の87%がLlama-2-7B-Chatを誘導し、AdvBench上のターゲット文字列と正確に一致する出力を生成することを示した。
  論文  参考訳（メタデータ） (2024-05-28T06:10:12Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)

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。