論文の概要: Operationalizing Cyber Threat Intelligence with GraphRAG

• arxiv url: http://arxiv.org/abs/2608.13050v1
• Date: Thu, 13 Aug 2026 10:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.475142
• Title: Operationalizing Cyber Threat Intelligence with GraphRAG
• Title（参考訳）: GraphRAGによるサイバー脅威インテリジェンスの運用
• Abstract要約: このプロジェクトでは、ナレッジグラフ検索システムであるMicrosoft GraphRAGにレポートを入力して、耐久性の高い最上位の手がかりに依存する検出計画を生成するかどうかを問う。 その結果、知識グラフ認識検索を、SOCデプロイ可能な狩猟計画を自動的に生成するアーキテクチャ的に正しい基盤として扱うことを支援する。
• 参考スコア（独自算出の注目度）: 7.009487789080345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a security researcher publishes a report on a cyberattack, detection engineers are supposed to turn it into working detection rules. In practice, most automated attempts at this only extract the simplest clues from the report --- bad IP addresses, domain names, and file hashes --- and turn them into block lists. This is a weak strategy, because attackers can change these simple clues within hours or days, so the resulting detections stop working almost as soon as they are deployed. Security teams describe this idea with the Pyramid of Pain. This project asks whether feeding a report into a knowledge-graph retrieval system, Microsoft GraphRAG, rather than a standard vector-similarity retrieval system (Naive RAG), produces detection plans that rely more on these durable, top-of-pyramid clues. Both systems are given the same report, the same generation instructions, and the same language model to write the final plan; only the retrieval step differs. In a detailed case study of one APT28 report, the GraphRAG plan kept firing at 100\% of its detections after every IP address, domain, and file hash in the report was rotated, while the Naive RAG plan kept firing at only 29\%. Repeating the comparison across nine real CTI reports from four vendors confirms the same pattern: GraphRAG plans consistently reach higher, harder-to-evade levels of the pyramid, even when the two systems end up close on total score. The results support treating knowledge-graph-aware retrieval as the architecturally correct foundation for automatically generating SOC-deployable hunting plans, while showing that the wording of the generation prompt matters almost as much as the retrieval back-end itself.
• Abstract（参考訳）: セキュリティ研究者がサイバー攻撃に関する報告書を公表すると、検出エンジニアはそれを作業中の検出ルールに変換する。 実際には、ほとんどの自動化された試みは、レポートから最も単純な手がかり -- 悪いIPアドレス、ドメイン名、ファイルハッシュ -- を抽出して、それらをブロックリストに変換するだけである。 これは弱い戦略であり、攻撃者は数時間から数日以内にこれらの単純な手がかりを変更することができるため、結果として検出が展開されるとすぐに動作しなくなる。 セキュリティチームは、このアイデアをPainのピラミッドで説明します。 このプロジェクトでは、標準的なベクトル類似性検索システム(Naive RAG)ではなく、ナレッジグラフ検索システムであるMicrosoft GraphRAGにレポートを投入するかどうかを問う。 どちらのシステムも、最終計画を書くための同じレポート、同じ生成命令、同じ言語モデルが与えられている。 あるAPT28レポートの詳細なケーススタディでは、GraphRAGプランは、レポート内のIPアドレス、ドメイン、ファイルハッシュが回転した後も、検出の100\%で発射し続け、Naive RAGプランはわずか29\%で発射し続けた。 GraphRAGプランは、2つのシステムが合計スコアに近づいている場合でも、ピラミッドのより高く、避けにくいレベルに達します。 その結果, 知識グラフ認識検索は, SOCデプロイ可能な狩猟計画の自動生成の基盤として, 検索バックエンド自体と同じくらい重要な意味を持つことがわかった。

関連論文リスト

• TopoGuard: Graph Theory Based Defenses Against Split-Knowledge Attacks on RAG [5.328366903719861]
  Production Retrieval Augmented Generation (RAG) システムは複雑なクエリに応答するために外部文書の集約に依存している。 検索されたドキュメントには新たな脅威サーフェスが導入され,スプリット・ナレッジ・アタックの起動に利用することができる。 本稿は、LlamaGuardのような既存のドキュメント単位のフィルタでは、新しい攻撃は構造的に見えないことを示す。 RAGでこの問題に対処するために、この研究はTopoGuardを導入している。
  論文  参考訳（メタデータ） (2026-05-11T17:46:02Z)
• Subgraph Reconstruction Attacks on Graph RAG Deployments with Practical Defenses [14.432465518281804]
  敵は、ターゲットRAGシステムの知識グラフからサブグラフを再構築し、プライバシ推論とキュレートされた知識資産の複製を可能にする。 既存の攻撃は、単純なプロンプトベースのセーフガードであっても、Graph RAGに対してほとんど効果がない。 GRASPはクローズドボックスのマルチターンサブグラフ再構築攻撃である。
  論文  参考訳（メタデータ） (2026-02-06T08:44:22Z)
• Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems [29.89127594311822]
  グラフベースの検索拡張生成(GraphRAG)システムは、文書コレクション上の知識グラフを構築し、マルチホップ推論をサポートする。 提案手法では,相手が適応的にシステムに問い合わせて潜伏するエンティティ関係グラフを盗む,予算制約付きブラックボックス設定について検討する。 本稿では,新たな探索探索戦略,外部グラフメモリモジュール,および2段階グラフ抽出パイプラインを活用するフレームワークであるAGEAを提案する。
  論文  参考訳（メタデータ） (2026-01-21T05:20:54Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers [49.77729302007601]
  グラフニューラルネットワーク(GNN)は、モデル予測を操作するために悪意のあるトリガーを敵に埋め込むバックドア攻撃に対して脆弱である。 既存のトリガジェネレータは構造が単純で、特定の特徴に過度に依存し、単一のグラフ学習パラダイムに集約されることが多い。 本稿では,新たな転送可能なグラフバックドアアタックであるPromptable Subgraph Triggers (CP-GBA) を用いたクロスパラダイムグラフバックドアアタックを提案する。
  論文  参考訳（メタデータ） (2025-10-26T07:10:07Z)
• OCR-APT: Reconstructing APT Stories from Audit Logs using Subgraph Anomaly Detection and LLMs [4.663916214040153]
  Advanced Persistent Threats(APT)はステルスなサイバー攻撃で、システムレベルの監査ログの検知を回避している。 既存のシステムはこれらのグラフに異常検出を適用しているが、しばしば偽陽性率と粗い警告に悩まされる。 OCR-APTは,人型攻撃物語のAPT検出と再構築を行うシステムである。
  論文  参考訳（メタデータ） (2025-10-16T23:14:03Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• PRAT: PRofiling Adversarial aTtacks [52.693011665938734]
  PRofiling Adversarial aTacks (PRAT) の新たな問題点について紹介する。 敵対的な例として、PRATの目的は、それを生成するのに使用される攻撃を特定することである。 AIDを用いてPRATの目的のための新しいフレームワークを考案する。
  論文  参考訳（メタデータ） (2023-09-20T07:42:51Z)
• Kairos: Practical Intrusion Detection and Investigation using Whole-system Provenance [4.101641763092759]
  警告グラフは、システムの実行履歴を記述した構造化監査ログである。 証明に基づく侵入検知システム(PIDS)の開発を促進する4つの共通次元を同定する。 4次元のデシラタを同時に満足させる最初のPIDSであるKAIROSについて述べる。
  論文  参考訳（メタデータ） (2023-08-09T16:04:55Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)

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。