論文の概要: TACTIC-KG: Toward Small Agent Teams for Cyber Threat Intelligence Knowledge Graph Construction

• arxiv url: http://arxiv.org/abs/2607.05001v2
• Date: Tue, 07 Jul 2026 04:36:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 14:37:43.316749
• Title: TACTIC-KG: Toward Small Agent Teams for Cyber Threat Intelligence Knowledge Graph Construction
• Title（参考訳）: TACTIC-KG:サイバー脅威情報知識グラフ構築のための小型エージェントチームを目指して
• Abstract要約: サイバーセキュリティ知識グラフは、敵の実体、行動、関係の構造化された表現を提供する。 最近のアプローチは、エンドツーエンドの抽出と補完を行うために、モノリシックな大規模言語モデル(LLM)に依存している。 本稿では,CSKG構築のためのエージェントフレームワークであるTACTIC-KGについて紹介する。
• 参考スコア（独自算出の注目度）: 2.220152876549942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cyber Threat Intelligence (CTI) reports are predominantly unstructured, heterogeneous, and noisy, which limits their direct usability for automated analysis and reasoning. Cybersecurity Knowledge Graphs (CSKGs) provide a structured representation of adversarial entities, actions, and relations, but constructing such graphs from free-text CTI remains a challenge. Recent approaches rely on monolithic Large Language Models (LLMs) to perform end-to-end extraction and completion, leading to high cost, limited controllability, and unstable performance. This paper introduces TACTIC-KG, an agentic framework for CSKG construction that decomposes the task into modular, specialized LLM agents responsible for extraction, typing, verification, and curation. Using lightweight models (3B--8B), TACTIC-KG improves stability, recall, and graph consistency while reducing deployment cost. We implement and evaluate TACTIC-KG against recent state-of-the-art systems. Experiments on human-annotated CTI reports show that agent specialization consistently outperforms larger monolithic in-context-learning (ICL) baselines in extraction F1-score, typing accuracy, and structural graph similarity.
• Abstract（参考訳）: サイバー脅威インテリジェンス(CTI)の報告は、主に非構造的で異質でノイズが多く、自動分析と推論の直接的な使用性を制限している。 サイバーセキュリティ知識グラフ(CSKG)は、敵の実体、行動、関係の構造化された表現を提供するが、自由文CTIからそのようなグラフを構築することは依然として困難である。 最近のアプローチでは、エンドツーエンドの抽出と補完を行うためにモノリシックな大規模言語モデル(LLM)に依存しており、高いコスト、限定的な制御性、不安定なパフォーマンスをもたらす。 本稿では,CSKG 構築のためのエージェントフレームワークである TACTIC-KG を紹介し,タスクをモジュール化された特殊な LLM エージェントに分解し,抽出,タイピング,検証,キュレーションを行う。 軽量モデル(3B--8B)を使用することで、TACTIC-KGは、デプロイメントコストを削減しつつ、安定性、リコール、グラフ一貫性を改善します。 我々は最近の最先端システムに対してTACTIC-KGを実装し,評価する。 人間によるCTIレポートの実験では、エージェントの特殊化は、F1スコアの抽出、タイピング精度、構造グラフの類似性において、より大きなモノリシックインコンテキスト学習(ICL)ベースラインを一貫して上回っている。

関連論文リスト

• 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)
• Context-aware Entity-Relation Extraction for Threat Intelligence Knowledge Graphs [0.7591490481106252]
  サイバーセキュリティ知識グラフ(CKG)は、多様なサイバー脅威インテリジェンス(CTI)ソースを構造化されたクエリ可能なフォーマットに統合する。 現在のパイプラインベースのアプローチは、しばしばエラーの伝搬、抽出精度の低減、一般化可能性の制限に悩まされる。 本稿では,脅威エンティティを正確に抽出し分類するためのパイプラインアーキテクチャであるCTiKG(Context-aware Threat Intelligence Knowledge Graph)フレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-05-15T12:42:47Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Minerva: Reinforcement Learning with Verifiable Rewards for Cyber Threat Intelligence LLMs [2.702990676892003]
  大規模言語モデル(LLM)は、ノイズの多い非構造化されたセキュリティアーティファクトを自動化可能な表現に変換することを約束している。 CTI標準とコミュニティが保持するリソースは、モデル出力の決定論的検証を可能にする標準識別子とスキーマを定義する。 そこで本研究では,追加の検証トラジェクトリを生成し,それをモデルに戻す軽量な自己学習機構を提案する。
  論文  参考訳（メタデータ） (2026-01-31T05:01:01Z)
• 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)
• APT-CGLP: Advanced Persistent Threat Hunting via Contrastive Graph-Language Pre-Training [33.84587345029278]
  Provenance-based threat Huntは、CTI(Cyber Threat Intelligence)に記述されている攻撃パターンと、システム監査ログから派生した証明グラフを関連付けて、エンドポイント上のAdvanced Persistent Threats(APT)を特定する。 このパラダイムの根本的な課題は、前駆グラフとCTIレポートの間の構造的および意味的な切り離しであるモダリティギャップにある。 APT-CGLPは,コントラストグラフ・ランゲージ事前学習による新しいAPT狩猟システムである。
  論文  参考訳（メタデータ） (2025-11-25T13:20:12Z)
• OntoLogX: Ontology-Guided Knowledge Graph Extraction from Cybersecurity Logs with Large Language Models [3.4435169157853465]
  システムログはサイバー脅威インテリジェンス(CTI)の貴重な情報源である しかし、それらのユーティリティは、構造の欠如、セマンティックな一貫性の欠如、デバイスやセッション間の断片化によって制限されることが多い。 OntoLogXは生ログをオントロジー基底知識グラフ(KG)に変換する システムはKGをセッションに集約し、MITRE ATT&CKの戦術を予測する。
  論文  参考訳（メタデータ） (2025-10-01T19:46:15Z)
• 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)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。