論文の概要: Improving LLM-Based SSH Honeypots Through Prompting and Fine-Tuning
- arxiv url: http://arxiv.org/abs/2608.18686v1
- Date: Wed, 19 Aug 2026 08:35:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.345643
- Title: Improving LLM-Based SSH Honeypots Through Prompting and Fine-Tuning
- Title（参考訳）: プロンプティングと微調整によるLCM系SSHハニーポットの改良
- Abstract要約: 本稿では,LLMを用いたSSHミツバチの殻エミュレーション精度の向上と評価について述べる。
素早い設計は大きな効果があり、微調整はデータセットのカバレッジに依存する。
- 参考スコア（独自算出の注目度）: 0.1749935196721634
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: LLM-based SSH honeypots often use closed cloud LLMs because they give strong shell realism, but cloud models create deployment problems. These include no stable versioning, provider-side changes, attacker-driven cost, and model decommissioning. Local open-weight models avoid these problems, but they usually perform worse and make mistakes that reveal the honeypot. These mistakes include malformed outputs, command echoing, inconsistent filesystem state, and AI-style artifacts. This paper studies how to improve and evaluate the shell emulation accuracy of local LLM-based SSH honeypots using prompt design and supervised fine-tuning. We fine-tune and evaluate eight models in total: the original fine-tuned GPT-3.5 model used in shelLM and seven open-weight local models, each compared to its base model. We also test how prompt structure transfers across model families. Using 34 automated unit tests that measure shell emulation accuracy in single-session and fresh-session settings, we find that prompt design has a large effect and that fine-tuning depends on dataset coverage. Fine-tuning on the original 112-conversation dataset does not improve aggregate pass rate, while an expanded dataset built from honeypot logs produces clearly stronger local models. Taken together, the results suggest that prompting and fine-tuning can each improve local LLM honeypots on their own, but their effects do not combine straightforwardly, since strong rule-based prompting and supervised adaptation can also conflict by addressing overlapping shell-behavior constraints.
- Abstract（参考訳）: LLMベースのSSHハニーポットは、強いシェルリアリズムを与えるため、しばしばクローズドクラウドLLMを使用するが、クラウドモデルはデプロイメントの問題を引き起こす。
これには、安定したバージョニング、プロバイダ側の変更、アタッカー駆動のコスト、モデル廃止が含まれる。
ローカルなオープンウェイトモデルはこれらの問題を回避しますが、通常、より悪いパフォーマンスをし、ハニーポットを明らかにする誤りを犯します。
これらのミスには、不正な出力、コマンドエコー、一貫性のないファイルシステム状態、AIスタイルのアーティファクトが含まれる。
本稿では, ローカルLCMを用いたSSHミツバチの殻エミュレーション精度を即時設計と教師付き微調整により改善し, 評価する方法について検討する。
本モデルでは,シェルLMで使用するGPT-3.5モデルと,その基本モデルと比較して7つのオープンウェイト局所モデルを用いて,8つのモデルを微調整し,評価する。
また、モデルファミリ間の構造伝達の迅速性についても検証する。
単一セッションおよび新セッション設定におけるシェルエミュレーション精度を測定する34の自動単体テストを用いて、プロンプト設計に大きな効果があり、微調整はデータセットのカバレッジに依存することがわかった。
オリジナルの112会話データセットの微調整は、集計パス率を改善せず、一方、ハニーポットログから構築された拡張データセットは、明らかに強力なローカルモデルを生成する。
以上の結果から, プロンプトと微調整は, それぞれ自力で局所LLMミツバチを改善できるが, 強い規則に基づくプロンプトと教師付き適応は重なり合う貝殻-ビヘイビアの制約に対処することで相反する可能性があるため, それらの効果は直接的に組み合わせることができないことが示唆された。
関連論文リスト
- MERGETUNE: Continued fine-tuning of vision-language models [77.8627788911249]
微調整視覚言語モデル(VLM)は、しばしば事前訓練された知識を破滅的に忘れてしまう。
ゼロショットモデルに適応した後に事前学習した知識を回復するための新しいパラダイムである連続微調整(CFT)を導入する。
論文 参考訳（メタデータ） (2026-01-15T15:15:53Z) - PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。
制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-11-03T09:07:44Z) - LLMHoney: A Real-Time SSH Honeypot with Large Language Model-Driven Dynamic Response Generation [0.0]
本稿では,Large Language Models (LLMs) を利用してリアルタイムに動的コマンド出力を生成するSSHハニーポット LLMHoney について述べる。
LLMは辞書ベースの仮想ファイルシステムを統合し、低レイテンシで共通コマンドを処理する。
精度(exact-match, Cosine similarity, Jaro-Winkler similarity, Levenshtein similarity and BLEU score)、応答遅延、メモリオーバーヘッドなどを含む総合的な指標を報告する。
論文 参考訳（メタデータ） (2025-09-01T13:28:00Z) - Synthesizing and Adapting Error Correction Data for Mobile Large Language Model Applications [5.713077600587505]
大規模言語モデル(LLM)を用いて,誤り訂正ペアの高品質データセットを合成する。
次に、サンプルを再重み付けすることで、モバイルアプリケーション領域に適合するように合成データ分布を適用する。
オフライン評価と実運用実運用A/Bテストの両方において, 誤り訂正におけるモデル性能を向上させるために, 合成データを他のデータソースと混合するベストプラクティスを提案する。
論文 参考訳（メタデータ） (2025-05-24T03:27:20Z) - S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning [51.84977135926156]
S$2$Rはモデルに推論時の自己検証と自己正当性を教えることによってLLM推論を強化する効率的なフレームワークである。
以上の結果から,Qwen2.5-math-7Bの精度は51.0%から81.6%に向上した。
論文 参考訳（メタデータ） (2025-02-18T13:40:22Z) - Pruning Foundation Models for High Accuracy without Retraining [48.256389781305415]
基礎モデルや大規模言語モデル(LLM)の展開は、膨大なパラメータと計算量のために困難である。
ワンショットでLLMを再訓練せずにプルーンする訓練後プルーニング法が提案されている。
本実験は,SOTAベースラインと比較して提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-21T01:23:34Z) - ELDER: Enhancing Lifelong Model Editing with Mixture-of-LoRA [55.697627106315004]
大規模言語モデル(LLM)は、特定の知識を効率的に更新し、事実の誤りを避けるためにモデル編集を必要とする。
従来のアプローチでは、元のパラメータを凍結し、知識更新毎に新しいパラメータを個別に割り当てることで、シーケンシャルな編集を管理する。
本稿では,データとアダプタを連続的に関連付ける新しい手法であるELDERを提案する。
論文 参考訳（メタデータ） (2024-08-19T02:27:00Z) - Fine-Tuning or Fine-Failing? Debunking Performance Myths in Large Language Models [0.8399688944263842]
大きな言語モデル(LLM)は、入力クエリから人間のようなテキストを理解し、生成する能力を持つ。
本研究では、この概念を、レトリーバル拡張生成(RAG)パイプライン内のLLMの統合に拡張する。
データ抽出と文脈理解における微調整がLLMの能力に与える影響を評価する。
論文 参考訳（メタデータ） (2024-06-17T04:35:17Z) - MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents [62.02920842630234]
GPT-4レベルの性能を持つが400倍の低コストでファクトチェックモデルを構築する方法を示す。
GPT-4を用いて合成トレーニングデータを構築することで,現実的かつ困難な事実エラーの事例を生成する。
評価のために, ファクトチェックとグラウンドグラウンド化に関する最近の研究から得られたデータセットを, 新たなベンチマーク LLM-AggreFact に統一する。
論文 参考訳（メタデータ） (2024-04-16T17:59:10Z) - Automated Data Curation for Robust Language Model Fine-Tuning [13.8454385440986]
本稿では,データセットのチューニングを行うための自動データキュレーションパイプライン CLEAR を提案する。
CLEARは、どのトレーニングデータが低品質であるかを見積もる。
実験の結果、CLEARは多くのデータセットやモデルにまたがって微調整されたモデルの性能を一貫して改善していることがわかった。
論文 参考訳（メタデータ） (2024-03-19T14:44:45Z) - CRaSh: Clustering, Removing, and Sharing Enhance Fine-tuning without
Full Large Language Model [22.870512676002463]
本稿では,集中型LCMと下流エミュレータ間でトランスフォーマブロックを転送する代表的手法であるOffsite-Tuning(OFT)に焦点を当てる。
これらの観測にインスパイアされたCRaShは、LCMから改善エミュレータを導出するトレーニングフリー戦略であるClustering、Removing、Sharingを含む。
以上の結果から,CRaShとOFTの有効性が明らかとなった。
論文 参考訳（メタデータ） (2023-10-24T03:08:58Z)
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。