論文の概要: From Threat Intelligence to Detection: Knowledge-driven Enrichment and Template-based Rule Grounding for Automated Sigma Rule Generation

• arxiv url: http://arxiv.org/abs/2608.19011v1
• Date: Wed, 19 Aug 2026 15:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.437632
• Title: From Threat Intelligence to Detection: Knowledge-driven Enrichment and Template-based Rule Grounding for Automated Sigma Rule Generation
• Title（参考訳）: 脅威知能から検出へ:知識駆動型強化とテンプレートベースルールグラウンディングによる自動シグマルール生成
• Abstract要約: AUTO SIGMAは、構造化されていないサイバー脅威情報レポートを関連するSigmaルールに変換する自動化ソリューションである。 知識駆動のエンリッチメント、テンプレートベースのルールグラウンディング、マルチステージソリューションを組み合わせたものだ。 ルール妥当性、ルール関連性、MITRE ATT&CK技術カバレッジ、入力品質に対する堅牢性において、ソリューションやLLMモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 14.55397609275218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mechanisms for dynamically converting cyber threat intelligence (CTI) into actionable detection capabilities are necessary due to the rapid evolution of Advanced Persistent Threats (APTs). Sigma rules are an essential part of contemporary threat detection workflows because they offer a platform-independent framework for expressing detection logic that can be converted into particular queries across SIEM systems. Conventional techniques for manually crafting Sigma rules are prone to mistakes, and necessitate extensive knowledge, which restricts their scalability. Although there are open-source and industry-maintained Sigma rule repositories, they often fail to keep pace with emerging threats and require frequent customization to fit diverse operational environments. This emphasizes the necessity of dynamic rule generation that is adapted to evolving attack techniques as well as particular use cases. In this work, we design AUTOSIGMA, an automated solution for transforming unstructured CTI reports into relevant Sigma rules. Rather than relying solely on language models, AUTOSIGMA leverages a structured knowledge base to enrich partial inputs, matches the enriched content against a repository of existing Sigma rules, and then employs an LLM-as-a-Judge mechanism to iteratively validate the rules. By combining knowledge-driven enrichment, template-based rule grounding, and a multi-stage solution, AUTOSIGMA enables accurate, context-aware, and relevant rule generation. Evaluations across multiple real-world APT reports and multiple security blogs demonstrate that AUTOSIGMA outperforms alternative solutions and LLM models in rule validity, rule relevancy, MITRE ATT&CK technique coverage, and robustness to input quality. AUTOSIGMA's Demo: https://youtu.be/iSr6IurQ6BM
• Abstract（参考訳）: サイバー脅威インテリジェンス(CTI)を動作可能な検出能力に変換するメカニズムは、APT(Advanced Persistent Threats)の急速な進化のために必要である。 Sigmaルールは、SIEMシステムにまたがる特定のクエリに変換可能な検出ロジックを表現するためのプラットフォームに依存しないフレームワークを提供するため、現代の脅威検出ワークフローにおいて不可欠な部分である。 Sigmaルールを手作業で作成する従来のテクニックは間違いを犯しがちであり、その拡張性を制限する広範な知識を必要とする。 オープンソースのSigmaルールレポジトリや業界が管理するSigmaルールレポジトリは存在するが、出現する脅威に追随せず、さまざまな運用環境に適合するためには、頻繁なカスタマイズを必要とすることが多い。 これは、進化する攻撃技術や特定のユースケースに適応する動的ルール生成の必要性を強調している。 本研究では、構造化されていないCTIレポートを関連するSigmaルールに変換する自動化ソリューションであるAUTOSIGMAを設計する。 AUTOSIGMAは、言語モデルにのみ依存するのではなく、構造化知識ベースを利用して部分的な入力を豊かにし、強化されたコンテンツと既存のSigmaルールのリポジトリとをマッチングし、ルールを反復的に検証するLLM-as-a-Judgeメカニズムを使用する。 AUTOSIGMAは、知識駆動のエンリッチメント、テンプレートベースのルールグラウンディング、マルチステージソリューションを組み合わせることで、正確なコンテキスト認識および関連するルール生成を可能にする。 AUTOSIGMAはルールの妥当性、ルールの関連性、MITRE ATT&CKテクニックのカバレッジ、入力品質に対する堅牢性において、代替ソリューションやLLMモデルよりも優れていた。 AUTOSIGMAのデモ: https://youtu.be/iSr6IurQ6BM

関連論文リスト

• Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
  RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。 工学的なフェーズにまたがる異種モデルを自動的に生成する。 正確かつ自動的な変更インパクト分析を提供する。
  論文  参考訳（メタデータ） (2026-07-18T08:50:55Z)
• Automating Cause-Effect Specification with Knowledge Graphs and Large Language Models [0.1223474232275842]
  本稿では,C&Eロジックの生成を自動化するセマンティックAIフレームワークを提案する。 このフレームワークは知識グラフ(KG)と制約付き大言語モデル(LLM)レイヤを組み合わせる。
  論文  参考訳（メタデータ） (2026-06-30T13:03:46Z)
• From Attack Simulation to SIEM Rule: Deterministic Detection-as-Code Synthesis with Probe-Level Traceability [51.56484100374058]
  セキュリティチームは、自身のシステムに対する攻撃をシミュレートして、監視が真の侵入者を捕まえるかどうかをチェックする。 人間はそのギャップを手でブリッジし、それぞれの発見を読み、対応するシグマルールを書きます。 ロックされたコーパスからプローブが引き出されると,この変換が部分的に自動化されることを示す。
  論文  参考訳（メタデータ） (2026-06-03T14:26:25Z)
• HIPO: Instruction Hierarchy via Constrained Reinforcement Learning [57.40686733111483]
  textscHIPOは、制約付きマルコフ決定プロセスとしてHIFを定式化する新しいアライメントフレームワークである。 textscHIPOはシステムプロンプトを単に入力コンテキストから厳密なアルゴリズム境界まで高める。
  論文  参考訳（メタデータ） (2026-03-17T06:12:41Z)
• Just Ask: Curious Code Agents Reveal System Prompts in Frontier LLMs [65.6660735371212]
  textbftextscJustAskは,インタラクションのみで効果的な抽出戦略を自律的に発見するフレームワークである。 これは、アッパー信頼境界に基づく戦略選択と、原子プローブと高レベルのオーケストレーションにまたがる階層的なスキル空間を用いて、オンライン探索問題として抽出を定式化する。 この結果から,現代のエージェントシステムにおいて,システムプロンプトは致命的ではあるがほぼ無防備な攻撃面であることがわかった。
  論文  参考訳（メタデータ） (2026-01-29T03:53:25Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• ASTRIDE: A Security Threat Modeling Platform for Agentic-AI Applications [4.5053527030708285]
  ASTRIDEはAIエージェントベースのシステム向けに開発された自動脅威モデリングプラットフォームである。 脅威モデリングを自動化するため、ASTRIDEは細調整された視覚言語モデルのコンソーシアムとOpenAI-gpt-oss推論LLMを組み合わせた。 我々の評価は、ASTRIDEが次世代インテリジェントシステムに対して正確でスケーラブルで説明可能な脅威モデリングを提供することを示す。
  論文  参考訳（メタデータ） (2025-12-04T13:32:40Z)
• ATAG: AI-Agent Application Threat Assessment with Attack Graphs [23.757154032523093]
  本稿では,Attack Graphs (ATAG) を用いたAIエージェントアプリケーションThreatアセスメントを提案する。 ATAGは、AIエージェントアプリケーションに関連するセキュリティリスクを体系的に分析するために設計された、新しいフレームワークである。 マルチエージェントアプリケーションにおけるAIエージェント脅威の積極的な識別と緩和を容易にする。
  論文  参考訳（メタデータ） (2025-06-03T13:25:40Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• RuleGenie: SIEM Detection Rule Set Optimization [24.312198733476063]
  SIEMシステムの冗長あるいは重複したルールは、過剰な誤警報を引き起こし、警告疲労によるアナリストのパフォーマンスを低下させ、計算オーバーヘッドを増大させる。 本稿では、SIEMルールセットを最適化するように設計された新しい大規模言語モデル(LLM)であるStrucGenieを提案する。
  論文  参考訳（メタデータ） (2025-05-10T16:56:17Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• Rule-ATT&CK Mapper (RAM): Mapping SIEM Rules to TTPs Using LLMs [22.791057694472634]
  Rule-ATT&CK Mapper (RAM)は構造化SIEMルールをMITRE ATT&CK技術にマッピングするフレームワークである。 RAMのマルチステージパイプラインは、プロンプトチェーン技術にインスパイアされたもので、LLM事前トレーニングや微調整を必要とせずにマッピング精度を向上させる。
  論文  参考訳（メタデータ） (2025-02-04T14:16:02Z)

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。