論文の概要: Evidence-Grounded Retrieval for Investigation Hunt Lead Generation from CTI Reports

• arxiv url: http://arxiv.org/abs/2609.08790v1
• Date: Tue, 08 Sep 2026 14:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.676452
• Title: Evidence-Grounded Retrieval for Investigation Hunt Lead Generation from CTI Reports
• Title（参考訳）: CTIレポートによる捕食鉛の定量検索
• Abstract要約: AHLERTは、脅威レポートから関連性、環境認識、および鉛を自動抽出するシステムである。 妥協の緩い指標ではなく、構造化された直接作用可能な鉛を放出する。 市販のLLMモデルと比較すると、86.95%が最も有効である。
• 参考スコア（独自算出の注目度）: 14.553976092752178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Threat hunting increasingly depends on converting unstructured knowledge (e.g., Cyber Threat Intelligence reports) into actionable hunt leads: concise, investigable hypotheses grounded in observable artifacts and adversary techniques. Producing such leads manually is a tedious and hard-to-scale task. Existing automated approaches stop at the entity layer, ignore the defender's operational environment, and analyze each report in isolation. To address these gaps, we introduce AHLERT, a system that automatically extracts relevant, environment-aware, and hunt leads from threat reports through (i) a hybrid retriever that combines dense vector search with multi-hop traversal over a knowledge graph seeded with MITRE ATT&CK; (ii) an ontology-grounding retrieval-augmented generation method that constrains each lead to the defender's own assets and controls; and (iii) an LLM-agnostic framework that emits structured, directly actionable leads rather than loose indicators of compromise. We evaluate AHLERT on public CTI reports for well-known APTs across multiple proprietary and open-weight models. Hybrid evidence retrieval with ontology grounding raises mean F1 by ~2x (0.44 to 0.85) over a single-route flat-RAG baseline, and AHLERT attains the highest effectiveness score (~86.95%) compared with off-the-shelf LLM models.
• Abstract（参考訳）: 脅威ハンティングは、構造化されていない知識(例えばサイバー脅威インテリジェンス(Cyber Threat Intelligence)の報告)を、簡潔で調査可能な仮説を観察可能な人工物や敵のテクニックに根ざした行動可能なハンティングリードに変換することにますます依存している。 このようなリードを手作業で作るのは面倒で、スケールが難しい作業です。 既存の自動アプローチはエンティティ層で停止し、ディフェンダーの運用環境を無視し、各レポートを分離して分析する。 これらのギャップに対処するために、脅威レポートから関連性、環境認識、および手がかりを自動抽出するシステムであるAHLERTを導入する。 (i)MITRE ATT&CKでシードされた知識グラフ上の高密度ベクトル探索とマルチホップトラバーサルを組み合わせたハイブリッドレトリバー 二 それぞれが被告自身の資産・統制につながることを制約するオントロジー的検索強化生成方法 三 妥協の緩やかな指標ではなく、構造化された直接作用可能な鉛を放出するLLM非依存のフレームワーク。 我々は、複数のプロプライエタリおよびオープンウェイトモデルでよく知られたAPTについて、公開CTIレポート上でAHLERTを評価した。 オントロジー接地によるハイブリッドエビデンス検索は、単一ルートの平面RAGベースライン上で平均F1を約2倍(0.44から0.85)上昇させ、AHLERTは市販のLLMモデルと比較して高い有効性スコア(約86.95%)を得る。

関連論文リスト

• ToE: A Hierarchical and Explainable Claim Verification Framework with Dynamic Multi-source Evidence Retrieval and Aggregation [23.934630478971517]
  ToEは、自動化された事実チェックのための階層的なエビデンス推論フレームワークである。 ToEは、強化学習駆動型マルチソース検索エージェント、エビデンス評価エージェント、および引数ツリー集約アルゴリズムを統合する。 ToEは、競争ベースラインよりも4～24ポイントの改善を実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-26T05:35:27Z)
• GAMMAF: A Common Framework for Graph-Based Anomaly Monitoring Benchmarking in LLM Multi-Agent Systems [0.42970700836450487]
  本稿では,オープンソースのベンチマークプラットフォームであるGammaf(LLM Multi-Agent System Framework用のグラフベースの異常モニタリング)を紹介する。 Gammafは、新しい防御機構ではなく、合成マルチエージェントインタラクションデータセットを生成するために設計された包括的な評価アーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-27T13:45:14Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search [49.99459363244884]
  提案手法は, 対向的プロンプトの発見を導くために, 実行トラジェクトリを利用するトラジェクトリ対応の進化探索手法であるT-MAPを提案する。 本手法は,安全ガードレールをバイパスするだけでなく,実際のツールインタラクションによる有害な目標を確実に実現するための攻撃の自動生成を可能にする。
  論文  参考訳（メタデータ） (2026-03-21T12:33:34Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• Knowledge-Grounded Agentic Large Language Models for Multi-Hazard Understanding from Reconnaissance Reports [14.8590499954111]
  災害後の偵察報告には、マルチハザード相互作用を理解するための重要な証拠が含まれている。 MoRA-RAGは、偵察レポートをマルチハザード推論のための構造化基盤に変換する知識基盤のLLMフレームワークである。 MoRA-RAGは94.5パーセントの精度を達成し、ゼロショットのLLMを30%上回り、最先端のRAGシステムを10%上回っている。
  論文  参考訳（メタデータ） (2025-11-18T00:36:31Z)
• Rescuing the Unpoisoned: Efficient Defense against Knowledge Corruption Attacks on RAG Systems [11.812488957698038]
  大規模言語モデル(LLM)は私たちの日常生活の多くの側面を変え、Webベースのサービスとして広く採用されています。 検索・拡張生成(RAG)は,外部知識ソースに根ざした応答を生成することによって,将来性のある方向として登場した。 近年の研究では、誤情報注入による知識腐敗攻撃など、RAGの脆弱性が実証されている。 本稿では,知識汚職に対する資源効率のよい防御機構であるRAGDefenderを紹介する。
  論文  参考訳（メタデータ） (2025-11-03T06:39:58Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• InteGround: On the Evaluation of Verification and Retrieval Planning in Integrative Grounding [51.80327078402434]
  仮説クエリをサポートするために、複数の独立したエビデンスを検索し、検証するという課題である。 まず,LLMは冗長な証拠に対して頑健であるのに対して,情報の不完全な場合,内部知識を合理的に活用する傾向にある。 ノイズ導入による非方向性計画が性能を低下させるのに対して, 前提推論は論理的制約のため, 有望なアプローチとして現れる。
  論文  参考訳（メタデータ） (2025-09-20T04:48:24Z)
• From Alerts to Intelligence: A Novel LLM-Aided Framework for Host-based Intrusion Detection [16.59938864299474]
  大規模言語モデル(LLM)は、ホストベースの侵入検知システム(HIDS)の状態を前進させる大きな可能性を秘めている。 LLMは攻撃技術と、意味解析によって異常を検出する能力について幅広い知識を持っている。 本研究では,HIDSのためのLLMパイプライン構築の方向性について検討し,ShielDというシステムを開発した。
  論文  参考訳（メタデータ） (2025-07-15T00:24:53Z)
• Silent Leaks: Implicit Knowledge Extraction Attack on RAG Systems through Benign Queries [42.768116999732776]
  インプシット知識抽出攻撃(IKEA)は、良質なクエリを通してRAGシステム上で知識抽出を行う。 IKEAは、抽出効率の80%以上、攻撃成功率の90%を超えている。
  論文  参考訳（メタデータ） (2025-05-21T12:04:42Z)

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。