論文の概要: MITRE-SAGE: A Multi-Agent Cybersecurity Question-Answering Model
- arxiv url: http://arxiv.org/abs/2608.16921v2
- Date: Wed, 19 Aug 2026 06:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.973055
- Title: MITRE-SAGE: A Multi-Agent Cybersecurity Question-Answering Model
- Title（参考訳）: MITRE-SAGE: マルチエージェントのサイバーセキュリティ質問回答モデル
- Abstract要約: 大規模言語モデル(LLM)は、質問応答(QA)の有望な能力を示した。
この研究は、セマンティックおよび構造的サイバーセキュリティ知識を統合するマルチエージェント検索拡張生成フレームワークであるMITRE-SAGEを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective cybersecurity operations require timely and accurate analysis of large-scale heterogeneous security information; however, analysts increasingly struggle with information overload, alert fatigue, and time-constrained decision-making. Although large language models (LLMs) have demonstrated promising capabilities for question answering (QA), their effectiveness in cybersecurity remains limited by insufficient domain knowledge, a tendency to hallucinate, and difficulties in capturing both semantic and structural relationships. This work proposes MITRE-SAGE, a multi-agent retrieval-augmented generation framework that integrates semantic and structural cybersecurity knowledge to improve the reliability and interpretability of LLM-based QA systems. By decomposing complex tasks into query interpretation, evidence retrieval, and answer synthesis, MITRE-SAGE effectively supports cybersecurity tasks such as vulnerability assessment, threat profiling, and relationship extraction. Furthermore, we propose MITRE-QA, a comprehensive benchmark comprising 3,000 question-answer pairs for evaluating LLMs across diverse cybersecurity knowledge tasks, and use it to systematically evaluate MITRE-SAGE against representative baseline methods. Extensive experiments demonstrate that MITRE-SAGE consistently outperforms standalone LLMs and conventional RAG approaches. Notably, a lightweight configuration comprising Qwen2.5-7B sub-agents and a Qwen2.5-14B orchestrator achieves superior performance on five of the eight benchmark tasks, indicating the effectiveness of the proposed multi-agent framework. The results highlight the potential of MITRE-SAGE as a scalable and interpretable approach for reliable cybersecurity QA, while MITRE-QA provides a standardized benchmark for future research.
- Abstract（参考訳）: 効果的なサイバーセキュリティ操作は、大規模な異種セキュリティ情報のタイムリーかつ正確な分析を必要とするが、アナリストは情報過負荷、警告疲労、時間制限による意思決定にますます苦労している。
大規模言語モデル(LLM)は、質問応答(QA)の有望な能力を示しているが、サイバーセキュリティにおけるその効果は、ドメイン知識の不足、幻覚の傾向、意味的および構造的関係を捉えることの難しさによって制限されている。
この研究は、LLMベースのQAシステムの信頼性と解釈性を改善するために、セマンティックおよび構造的サイバーセキュリティ知識を統合するマルチエージェント検索拡張生成フレームワークであるMITRE-SAGEを提案する。
複雑なタスクをクエリ解釈、エビデンス検索、および回答合成に分解することで、MITRE-SAGEは脆弱性評価、脅威プロファイリング、関係抽出などのサイバーセキュリティタスクを効果的にサポートする。
さらに, 多様なサイバーセキュリティ知識タスクにわたるLSMを評価するために, 3000対の質問応答ペアからなる総合的なベンチマークであるMITRE-QAを提案し, 代表的ベースライン手法に対してMITRE-SAGEを体系的に評価する。
大規模な実験により、MITRE-SAGEはスタンドアロンのLCMや従来のRAGアプローチよりも一貫して優れていた。
特に、Qwen2.5-7BサブエージェントとQwen2.5-14Bオーケストレータからなる軽量な構成は、8つのベンチマークタスクのうち5つにおいて優れた性能を発揮し、提案したマルチエージェントフレームワークの有効性を示している。
この結果は、信頼性の高いサイバーセキュリティQAのためのスケーラブルで解釈可能なアプローチとしてのMITRE-SAGEの可能性を強調し、MITRE-QAは将来の研究のための標準化されたベンチマークを提供する。
関連論文リスト
- Probabilistic Agents in Deterministic Audits: Evaluating Multi-Agent Systems for Automated Audits Based on the German IT-Grundschutz [0.0]
NIS-2 何千もの中小企業から堅牢なリスクマネジメントを委任する。
IT-GS認証はリソース集約的であり、ドキュメント、検証、リビジョンに高いレベルの手作業を必要とする。
本稿では,Multi-Agent System(MAS)アーキテクチャとHybridRAG(HybridRAG)を組み合わせたIT-GS認証の部分的自動化の技術的実装と実証評価について述べる。
論文 参考訳（メタデータ） (2026-06-24T09:31:06Z) - Towards trustworthy agentic AI: a comprehensive survey of safety, robustness, privacy, and system security [57.35851886874902]
エージェントAIシステムは、複雑なタスクを自律的に実行するが、その多段階の軌道には、信頼性に挑戦する新たな障害モードが導入されている。
この調査では、リスクの高いデプロイメントに不可欠な2つのコアディメンションを通じて、信頼できるエージェントAIを精査する。
各次元について、重要な概念を明確にし、エージェントワークフローに沿ってリスクが発生する場所を特定し、ステージ目標の緩和戦略を要約する。
論文 参考訳（メタデータ） (2026-05-17T10:26:37Z) - AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering [59.145044878490815]
AMATAはAdaptive Multi-Agent Trajectory Alignmentフレームワークである。
外部知識を動的に統合し、応答の解釈可能性と事実的根拠を改善する。
本稿では,(1)重要エージェントを優先する目的指向の嗜好を学習するトラジェクトリ内選好学習,(2)エージェント間の依存性学習,という2つの主要なイノベーションを紹介する。
論文 参考訳（メタデータ） (2026-05-17T09:45:24Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。
本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
論文 参考訳（メタデータ） (2026-01-08T08:13:27Z) - Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。
本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
論文 参考訳（メタデータ） (2025-12-23T03:10:09Z) - The Evolution of Agentic AI in Cybersecurity: From Single LLM Reasoners to Multi-Agent Systems and Autonomous Pipelines [0.0]
サイバーセキュリティはエージェントAIのアーリーアダプターの1つになった。
この調査は、サイバーセキュリティにおけるエージェントAIの5世代分類を提示する。
論文 参考訳（メタデータ） (2025-12-07T05:10:16Z) - 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) - Advancing Autonomous Incident Response: Leveraging LLMs and Cyber Threat Intelligence [3.2284427438223013]
セキュリティチームは、警告の疲労、高い偽陽性率、および大量の非構造化サイバー脅威情報(CTI)文書に圧倒されている。
本稿では,Large Language Models (LLMs) を利用してIRの自動化と拡張を行う新しいRAGベースのフレームワークを提案する。
提案手法では, CTIベクタデータベース内のNLPに基づく類似性検索と, 外部CTIプラットフォームへの標準クエリを組み合わせたハイブリッド検索機構を提案する。
論文 参考訳（メタデータ） (2025-08-14T14:20:34Z) - SV-LLM: An Agentic Approach for SoC Security Verification using Large Language Models [8.912091484067508]
SV-LLMは,システムオンチップ(SoC)セキュリティ検証の自動化と強化を目的とした,新しいマルチエージェントアシスタントシステムである。
検証質問応答、セキュリティ資産の識別、脅威モデリング、テスト計画とプロパティ生成、脆弱性検出、シミュレーションベースのバグ検証といったタスクのための特別なエージェントを統合することで、SV-LLMはワークフローを合理化する。
このシステムは,手作業による介入を減らすこと,精度の向上,セキュリティ分析の高速化,設計サイクルの初期段階におけるリスクの積極的な識別と緩和を支援することを目的としている。
論文 参考訳（メタデータ） (2025-06-25T13:31:13Z) - AttackSeqBench: Benchmarking Large Language Models in Analyzing Attack Sequences within Cyber Threat Intelligence [17.234214109636113]
サイバー脅威インテリジェンス(CTI)は、敵の行動と行動可能な知識への意図に関する証拠を合成し、サイバー脅威の観察を文書化している。
CTIレポートの非構造的かつ冗長な性質は、セキュリティ実践者が手動でこのようなシーケンスを抽出し分析する上で大きな課題となる。
大規模言語モデル(LLM)は、エンティティ抽出や知識グラフ構築などのサイバーセキュリティタスクにおいて有望であるが、それらの理解と行動シーケンスに対する推論能力はいまだ探索されていない。
論文 参考訳（メタデータ） (2025-03-05T04:25:21Z) - MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。
ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。
3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
論文 参考訳（メタデータ） (2024-07-18T00:58:41Z)
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。