論文の概要: From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs

• arxiv url: http://arxiv.org/abs/2608.19938v1
• Date: Thu, 20 Aug 2026 11:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.558453
• Title: From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs
• Title（参考訳）: ノイズから信号へ:エンドポイントログ付きLLMを用いたセキュリティログ異常検出の改善
• Abstract要約: 本研究では,異常な認証動作を検出するための標準命令ベースLCM分類フレームワークを開発した。 エンドポイント固有の認証データを生成するために、制御されたサイバーセキュリティテストベッドが開発された。 The three instruction-tuned LLMs, Meta Llama 3.1 8B Instruct, Qwen 2.5 7B Instruct, and GPT-OSS 20B were evaluate against Wazuh rule-based detection and OpenSearch Anomaly Detection。
• 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: Existing approaches to anomalous behaviour log detection, such as Wazuh rely primarily on predefined detection rules, while statistical anomaly detection approaches such as OpenSearch identify deviations from previously observed behavioural patterns. Recent research has investigated LLMs for log anomaly detection because of their ability to interpret semantic and contextual information. However, LLM-based approaches can be affected by prompt construction, noisy log data, and reliance on generic datasets that may lack endpoint-specific authentication behaviours. To address these limitations, this study develops a standardised instruction-based LLM classification framework for detecting anomalous authentication behaviours, including borderline cases. A controlled cybersecurity testbed was developed to generate endpoint-specific authentication data, producing a curated dataset comprising normal, borderline, and anomalous behavioural scenarios. Three instruction-tuned LLMs, Meta Llama 3.1 8B Instruct, Qwen 2.5 7B Instruct, and GPT-OSS 20B, were evaluated against Wazuh rule-based detection and OpenSearch Anomaly Detection using a common ground-truth severity framework. Meta Llama 3.1 8B Instruct achieved the strongest overall end-to-end detection performance, with an accuracy of 89.3%, recall of 88.2%, F1-score of 91.8%, and false negative rate of 11.8%. In comparison, Wazuh achieved an accuracy of 52.0% and false negative rate of 68.6%, while OpenSearch achieved an accuracy of 49.3% and false negative rate of 74.5%. Meta Llama also detected 80% of the borderline anomalous scenarios, compared with 20% for Wazuh and 15% for OpenSearch. Qwen achieved lower overall detection performance than Meta Llama but recorded the lowest average inference latency and 100% structured-response validity. GPT-OSS demonstrated strong classification performance when valid responses were produced.
• Abstract（参考訳）: Wazuhのような既存の異常な動作ログ検出へのアプローチは、主に事前に定義された検出ルールに依存し、OpenSearchのような統計的異常検出アプローチは、以前に観察された動作パターンから逸脱を特定する。 最近の研究は、意味情報や文脈情報を解釈できるため、ログ異常検出のためのLLMについて研究している。 しかし、LCMベースのアプローチは、迅速な構築、ノイズの多いログデータ、エンドポイント固有の認証動作を欠く可能性のある汎用データセットへの依存によって影響を受ける可能性がある。 これらの制約に対処するために,境界事例を含む異常な認証動作を検出するための標準命令ベースLCM分類フレームワークを開発した。 制御されたサイバーセキュリティテストベッドが開発され、エンドポイント固有の認証データを生成し、正常、境界線、異常な振る舞いシナリオからなるキュレートされたデータセットを生成する。 3つの命令調整LDM(Meta Llama 3.1 8B Instruct, Qwen 2.5 7B Instruct, GPT-OSS 20B)を, 共通接地重大度フレームワークを用いたWazuhルールベース検出とOpenSearch異常検出に対して評価した。 Meta Llama 3.1 8B Instructは、89.3%の精度、88.2%のリコール、91.8%のF1スコア、偽陰性率11.8%という、最も高い総合的なエンドツーエンド検出性能を達成した。 比較すると、Wazuhは52.0%、偽陰性率は68.6%、OpenSearchは49.3%、偽陰性率は74.5%だった。 Meta Llamaは、Wazuhの20%、OpenSearchの15%と比較して、境界線の異常シナリオの80%も検出した。 QwenはMeta Llamaよりも全体的な検出性能が低いが、平均推論遅延が低く、100%構造化応答妥当性が記録された。 GPT-OSSは有効な応答が生成されると強い分類性能を示した。

関連論文リスト

• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• Calibration Without Comprehension: Diagnosing the Limits of Fine-Tuning LLMs for Vulnerability Detection in Systems Software [1.0026496861838445]
  CWE-Traceは、手動でキュレートされたLinuxカーネルサンプルから構築された脆弱性検出フレームワークである。 対象でない検出,ターゲット検出,CWE分類において,8つのバニラLLMと15のLORA微調整変異体を評価した。
  論文  参考訳（メタデータ） (2026-06-18T17:19:26Z)
• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• VNDUQE: Information-Theoretic Novelty Detection using Deep Variational Information Bottleneck [4.618615226841302]
  深部変分情報ボトルネック(VIB)による新規性検出の検討 我々は,MNIST 上の VIB モデルを保持桁クラスで学習し,情報理論の指標である KL の発散と予測エントロピーを用いて OOD 検出を評価する。
  論文  参考訳（メタデータ） (2026-05-12T05:31:44Z)
• Identification of fixations and saccades in eye-tracking data using adaptive threshold-based method [32.938529146937675]
  視線力学のマルコフ近似に基づく適応的手法を導入・評価する。 速度閾値の閾値は,自由視聴と視覚検索の両方において,最高基準精度(90～93%)を達成する。 適応閾値は、極端ノイズレベルにおいても81%以上の精度を維持しながら、優れたノイズロバスト性を示す。
  論文  参考訳（メタデータ） (2025-12-30T00:58:30Z)
• Robust Anomaly Detection in Industrial Environments via Meta-Learning [12.690752260618522]
  本稿では,正規化フローとモデル非依存メタラーニングを統合したロバストな異常検出フレームワークRADを提案する。 提案手法では,メタラーニングによって様々な雑音条件に迅速に適応できる二段階最適化方式を用いる。 以上の結果から,RADのノイズの多い訓練条件に対する特異なレジリエンスと,様々な産業シナリオにおける微妙な異常を検出する能力が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-08-25T08:35:28Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)

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。