論文の概要: CVE-TTP KG: Knowledge Graph Linking Software Vulnerabilities to Attack Behaviors

• arxiv url: http://arxiv.org/abs/2606.31557v2
• Date: Mon, 06 Jul 2026 06:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 17:33:48.677384
• Title: CVE-TTP KG: Knowledge Graph Linking Software Vulnerabilities to Attack Behaviors
• Title（参考訳）: CVE-TTP KG: ソフトウェア脆弱性を攻撃行動にリンクする知識グラフ
• Abstract要約: この作業は、脆弱性とMITRE ATT&CKフレームワークの振る舞いパターンを結びつけることでギャップを埋める。 CySecBERTのマクロF1スコアは87.71%(技術)と96.16%(戦術)である。 これらのアウトプットはNeo4jベースのCyber Threat Knowledge Graphに統合され、脆弱性の構造化された可視化を可能にする。
• 参考スコア（独自算出の注目度）: 3.4943147506551555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the evolving threat landscape, adversaries exploit software vulnerabilities to launch sophisticated attacks, challenging traditional defenses. Although databases like CVE and NVD provide detailed technical information, they often lack links to attacker behaviors such as tactics and techniques, limiting effective threat interpretation and response. This work bridges this gap by connecting vulnerabilities with behavioral patterns from the MITRE ATT&CK framework. We construct a CVE-TTP Knowledge Graph that links CVEs to tactics and techniques using classification and relation extraction. Transformer-based models are developed for behavior identification, with CySecBERT achieving macro F1-scores of 87.71% (techniques) and 96.16% (tactics). Also, we created an annotated dataset with 24,820 entities and 43,608 relations for entity and relation extraction. The pipeline-based approach achieves macro F1-scores of 0.86 (entity extraction) and 0.99 (relation extraction), while a span-based joint model achieves 0.78. These outputs are integrated into a Neo4j-based Cyber Threat Knowledge Graph, enabling structured visualization of vulnerabilities.
• Abstract（参考訳）: 進化する脅威の世界では、敵はソフトウェア脆弱性を利用して高度な攻撃を開始し、従来の防御に挑戦する。 CVEやNVDのようなデータベースは詳細な技術情報を提供しているが、戦術や技術などの攻撃行動へのリンクがなく、効果的な脅威解釈と応答が制限されている。 この作業は、脆弱性とMITRE ATT&CKフレームワークの振る舞いパターンを結びつけることで、このギャップを埋める。 分類と関係抽出を用いて,CVEと戦術とを結びつけるCVE-TTP知識グラフを構築した。 トランスフォーマーベースのモデルは行動識別のために開発されており、CySecBERTはマクロF1スコアを87.71%(技術)と96.16%(戦術)で達成している。 また,24,820個のエンティティと43,608個の関係を持つ注釈付きデータセットを作成した。 パイプラインベースのアプローチは0.86(エンティ抽出)と0.99(リレーション抽出)のマクロF1スコアを達成する一方、スパンベースのジョイントモデルは0.78を達成する。 これらのアウトプットはNeo4jベースのCyber Threat Knowledge Graphに統合され、脆弱性の構造化された可視化を可能にする。

関連論文リスト

• BEACON: Behavior-Anchored Cross-Source Knowledge Graph Construction for Cyber Threat Intelligence [12.412754988937644]
  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、現代のサイバー防衛の基礎となっている。 BEACONは、クロスソースなCTI知識グラフ構築のためのフレームワークである。 我々は34の情報源から2つの人間注釈付きデータセットをリリースする。
  論文  参考訳（メタデータ） (2026-08-28T14:49:46Z)
• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities [0.30915521808748864]
  我々は構造化脅威情報表現(STIX)を生成するためのオープンウェイト大言語モデル(LLM)を評価する。 我々は、脆弱性記述をSTIXドメインオブジェクト(SDO)、STIXオブジェクト(SRO)、Common Weaknession(CWE)、MITRE ATT&CK技術マッピングにマッピングするCAV-STIXと呼ばれるデータセットを構築した。
  論文  参考訳（メタデータ） (2026-07-17T17:55:19Z)
• Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
  グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。 本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。 本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。 防衛面では, MC-GPB (+) を提案する。
  論文  参考訳（メタデータ） (2026-06-06T09:29:27Z)
• Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs [1.628589561701473]
  本稿では,新しいSBOMによるグラフ学習手法を用いて,マルチハザーバビリティアタックチェーンの学習に基づく新たな研究方向を提案する。 これにより、SBOM構造とスキャナ出力を、フラットな脆弱性リストではなく、依存性に制約のあるエビデンスグラフとして扱う。 我々は、コンポーネントが少なくとも1つの既知の脆弱性と関連付けられているかどうかを予測するために、異種グラフ注意ネットワーク(HGAT)を訓練する。 我々は、脆弱性の発見を、文書化されたマルチハザーバビリティチェーンでトレーニングされた軽量Multi-Layer Perceptron(MLP)ニューラルネットワークを用いて、CVE-Pairリンク予測として表している。
  論文  参考訳（メタデータ） (2026-04-04T17:29:39Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• VISION: Robust and Interpretable Code Vulnerability Detection Leveraging Counterfactual Augmentation [6.576811224645293]
  グラフニューラルネットワーク(GNN)は、構造的および論理的コード関係をデータ駆動で学習することができる。 GNNは表面的なコード類似性から'spurious'相関を学習することが多い。 我々は、VISIONと呼ばれる堅牢で解釈可能な脆弱性検出のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:20:39Z)
• KillChainGraph: ML Framework for Predicting and Mapping ATT&CK Techniques [0.0]
  本稿では,サイバーキルチェーンの7つのフェーズにまたがる敵の振る舞いをエミュレートする,相認識型マルチモデル機械学習フレームワークを提案する。 我々は、LightGBM、カスタムトランスフォーマーエンコーダ、微調整BERT、グラフニューラルネットワーク(GNN)を評価し、重み付けされたソフト投票アンサンブルを通じて出力を統合する。 F1スコアは97.47%から99.83%となり、GNNのパフォーマンス(97.36%から99.81%)を0.03%--0.20%上回った。
  論文  参考訳（メタデータ） (2025-08-19T14:10:01Z)
• No Query, No Access [50.18709429731724]
  被害者のテキストのみを使用して動作する textbfVictim Data-based Adrial Attack (VDBA) を導入する。 被害者モデルへのアクセスを防止するため、公開されている事前トレーニングモデルとクラスタリングメソッドを備えたシャドウデータセットを作成します。 EmotionとSST5データセットの実験によると、VDBAは最先端の手法より優れており、ASRの改善は52.08%である。
  論文  参考訳（メタデータ） (2025-05-12T06:19:59Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• 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)
• CVE-driven Attack Technique Prediction with Semantic Information Extraction and a Domain-specific Language Model [2.1756081703276]
  本稿では、CVE記述を分析し、CVEによるTTP攻撃を推測する革新的な技術を用いて、TTP予測ツールを提案する。 TTPpredictorは、ラベル付きデータとCVEとTP記述のセマンティックな相違によって引き起こされる課題を克服する。 本報告では,CVE分類の95%から98%からATT&CK技術まで,約98%,F1スコアの精度でTTP予測器の有効性を実証した経験的評価を行った。
  論文  参考訳（メタデータ） (2023-09-06T06:53:45Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)

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。