論文の概要: From Chasing Ghosts to Missed Attacks: Perspectives and Perceptions of SOC Practitioners on LLM Integration, Risks, and Readiness

• arxiv url: http://arxiv.org/abs/2608.00672v1
• Date: Sat, 01 Aug 2026 13:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.854124
• Title: From Chasing Ghosts to Missed Attacks: Perspectives and Perceptions of SOC Practitioners on LLM Integration, Risks, and Readiness
• Title（参考訳）: チャット・ゴーストからミス・アタックへ:LSM統合、リスク、準備に関するSOC実践者の視点と認識
• Authors: Jonas Thurner, Nadine Jost, Stefan Albert Horstmann, Fabian Ising, Lea Groeber, Alena Naiakshina, Sebastian Schinzel,
• Abstract要約: セキュリティオペレーションセンター(SOC)は大量のセキュリティイベントを処理する。 LLM(Large Language Models)の最近の進歩は、セキュリティオペレーションの潜在的なメリットを示唆している。 懸念にもかかわらず、実践者はLSMを採用する意志を強く表している。
• 参考スコア（独自算出の注目度）: 9.803413284017138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security Operations Centers (SOCs) process large volumes of security events, requiring analysts to accurately detect and assess ongoing cyberattacks under time pressure. Recent advances in Large Language Models (LLMs) suggest potential benefits for security operations, yet their practical suitability for real-world SOC workflows remains poorly understood. To address this gap, we conducted 25 semi-structured interviews with SOC practitioners who had prior experience with LLMs, complemented by interactive scenarios to anticipate challenges and identify opportunities for the responsible integration of LLM-based tools into SOC workflows. We identified 15 LLM use cases grouped into six functional categories. While LLMs are valued for automating repetitive, low-level tasks such as report automation, practitioners rate high-impact tasks such as incident analysis as not yet feasible, reporting limitations in technical depth, context awareness, and organization-specific knowledge. They locate these limitations less in the models than in the readiness of their SOCs and human factors driving over-reliance. Despite concerns, practitioners express a strong willingness to adopt LLMs, describing competitive pressure that leaves few alternatives. This work contributes an empirical, practitioner-driven analysis of LLM use across SOC roles and organizations and derives concrete design and integration requirements for human-centered, operationally safe LLM-assisted security operations.
• Abstract（参考訳）: セキュリティ・オペレーション・センター(SOC)は大量のセキュリティイベントを処理し、アナリストは時間的圧力の下で進行中のサイバー攻撃を正確に検知し評価する必要がある。 近年のLLM(Large Language Models)の進歩は,セキュリティ操作の潜在的なメリットを示唆している。 このギャップに対処するため,私たちは,LSMを経験していたSOC実践者と25回の半構造化インタビューを行い,課題を予測し,LSMベースのツールをSOCワークフローに統合する機会を特定するための対話的なシナリオを補完した。 LLMの症例15例を6つの機能カテゴリに分類した。 LLMは、レポート自動化のような反復的で低レベルなタスクを自動化するために価値がありますが、実践者は、インシデント分析のような高インパクトなタスクを、まだ実現不可能であると評価し、技術的な深さの制限を報告し、コンテキスト認識、組織固有の知識を評価します。 彼らはこれらの制限を、SOCの準備ができているモデルや、過度な信頼性を駆動する人的要因よりも少ない位置に配置する。 懸念にもかかわらず、実践者はLSMを採用する強い意思を表明し、選択肢はほとんど残っていない競争的な圧力を記述している。 この研究は、SOCの役割や組織にまたがるLLMの使用に関する実証的かつ実践的な分析に寄与し、人間中心で運用的に安全なLLM支援セキュリティオペレーションのための具体的な設計と統合要件を導出する。

関連論文リスト

• Hybrid Analysis for Secure MCP Tool Use in LLM Agents [77.68135853475535]
  大規模言語モデル(LLM)エージェントにおけるMPPツールの使用を保護するためのハイブリッド分析に基づく防衛フレームワークを提案する。 MTGuardは、良質なユーザタスクのパフォーマンスを維持しながら、異なるLLMエージェント間での有害ツール使用の複数のカテゴリを効果的に緩和する。
  論文  参考訳（メタデータ） (2026-07-28T05:17:34Z)
• Large Language Models in Misinformation Ecosystems: Misuse, Defense, and Vulnerability [65.56750741053266]
  大規模言語モデル(LLM)は、誤情報をコンテンツ中心の問題からより広範なエコシステムレベルのセキュリティ課題に転換した。 本稿では,これらのリスクと防御を統一する役割層フレームワークを提案する。 この役割はLLMを攻撃者、ディフェンダー、検証システムの脆弱なコンポーネントとして特徴づけ、層次元はコンテンツ、社会的コンテキスト、エビデンス環境、検証をカバーしている。
  論文  参考訳（メタデータ） (2026-07-11T17:04:17Z)
• CTIArena: Benchmarking LLM Knowledge and Reasoning Across Heterogeneous Cyber Threat Intelligence [48.63397742510097]
  サイバー脅威インテリジェンス(CTI)は現代のサイバーセキュリティの中心であり、進化する脅威を検出し緩和するための重要な洞察を提供する。 大規模言語モデル(LLM)の自然言語理解と推論能力により、CTIに適用することへの関心が高まっている。 異種マルチソースCTI上でLLM性能を評価するための最初のベンチマークであるCTIArenaを提案する。
  論文  参考訳（メタデータ） (2025-10-13T22:10:17Z)
• Large Language Models for Security Operations Centers: A Comprehensive Survey [0.0]
  大きな言語モデル(LLM)は、人間のようなテキストを理解して生成する強力なツールとして登場した。 この調査は、生成的AIとより具体的にはLSMのSOCワークフローへの統合を体系的に調査する。
  論文  参考訳（メタデータ） (2025-09-13T15:27:50Z)
• LLMs in the SOC: An Empirical Study of Human-AI Collaboration in Security Operations Centres [15.150052598613408]
  大規模言語モデルのセキュリティオペレーションセンター(SOC)への統合は、アナリストの作業量を削減するための変革的かつまだ進化している機会を提供する。 本稿では,SOCアナリスト45名を対象に,10ヶ月で3,090件の質問に対して縦断調査を行った。 分析の結果,LLMを高精細度判定ではなく,センスメイキングやコンテキストビルディングのオンデマンド支援として活用していることが判明した。
  論文  参考訳（メタデータ） (2025-08-26T11:40:02Z)
• AgentAuditor: Human-Level Safety and Security Evaluation for LLM Agents [48.925168866726814]
  AgentAuditorは、トレーニングなし、メモリ拡張推論フレームワークである。 ASSEBenchは、LLMベースの評価器が安全リスクとセキュリティ上の脅威の両方を見つけることができるかを確認するために設計された最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-31T17:10:23Z)
• Benchmarking LLMs in an Embodied Environment for Blue Team Threat Hlunting [14.810934670172479]
  大きな言語モデル(LLM)は、脅威分析を強化するための有望な機能を提供する。 実際のブルーチームの脅威追跡シナリオにおけるそれらの効果は、まだ十分に調査されていない。 青のチームリングでLLMをガイドするベンチマークであるCYBERTEAMを提示する。
  論文  参考訳（メタデータ） (2025-05-17T08:33:50Z)
• Global Challenge for Safe and Secure LLMs Track 1 [57.08717321907755]
  LLM(Global Challenge for Safe and Secure Large Language Models)は、AI Singapore(AISG)とCyberSG R&D Programme Office(CRPO)が主催する先駆的イニシアチブである。 本稿では,AI Singapore(AISG)とCyberSG R&D Programme Office(CRPO)が組織した先駆的イニシアチブであるLLM(Global Challenge for Safe and Secure Large Language Models)を紹介する。
  論文  参考訳（メタデータ） (2024-11-21T08:20:31Z)
• Can Large Language Models be Trusted for Evaluation? Scalable Meta-Evaluation of LLMs as Evaluators via Agent Debate [74.06294042304415]
  エージェント・ディベート支援型メタ評価フレームワークであるScaleEvalを提案する。 フレームワークのコードをGitHubで公開しています。
  論文  参考訳（メタデータ） (2024-01-30T07:03:32Z)

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。