論文の概要: A Graph-Based Approach for Mapping Kernel-Level Telemetry to MITRE ATT&CK
- arxiv url: http://arxiv.org/abs/2609.12841v1
- Date: Fri, 11 Sep 2026 13:35:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.76224
- Title: A Graph-Based Approach for Mapping Kernel-Level Telemetry to MITRE ATT&CK
- Title（参考訳）: MITRE ATT&CKへのカーネルレベルテレメトリマッピングのためのグラフベースアプローチ
- Abstract要約: 既存の自動化方法はサイバー脅威インテリジェンス(Cyber Threat Intelligence)レポートに依存している。
本稿では,eBPFを用いてカーネルレベルのイベントを収集し,攻撃者のコマンドをプロファイランスグラフに関連付け,LLMに基づく推論に適したコンパクトなグラフ表現を導出する手法を提案する。
我々はこの手法をTrace2ATT&CKという名前のエンドツーエンドパイプラインとして実装し、347のLinux Atomic Red Teamテストで評価する。
- 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: Mapping observed system behavior to standardized frameworks like MITRE ATT&CK is essential for threat-informed defense, but remains largely manual. Existing automated methods depend on Cyber Threat Intelligence reports, which offer only retrospective accounts of attacks. Low-level telemetry, i.e. kernel-level system calls, instead provides evidence of adversary behavior, yet its volume and complexity have limited its use for automated mapping. We present a methodology that collects kernel-level events via eBPF, correlates attacker commands into a provenance graph, and derives compact graph representations suitable for LLM-based reasoning. These representations are mapped to the MITRE ATT&CK framework using both pure LLM prompting and retrieval-augmented generation (RAG) grounded in the ATT&CK knowledge base, producing ranked technique candidates along with supporting rationales. We implement this methodology as an end-to-end pipeline, named Trace2ATT&CK and evaluate it on 347 Linux Atomic Red Team tests using locally deployed open-weights LLMs. RAG consistently improves ATT&CK mapping performance over pure prompting, while provenance graph substantially outperforms raw telemetry. These results show that local inference over graph-based behavioral descriptions can make automated ATT&CK mapping from kernel-level telemetry operationally viable, without compromising data confidentiality.
- Abstract（参考訳）: MITRE ATT&CKのような標準化されたフレームワークに観測されたシステムの振る舞いをマッピングすることは、脅威に富んだ防御には不可欠であるが、ほとんど手動のままである。
既存の自動化方法はサイバー脅威インテリジェンス(Cyber Threat Intelligence)レポートに依存している。
低レベルのテレメトリ、すなわちカーネルレベルのシステムコールは、代わりに敵の振る舞いの証拠を提供するが、その体積と複雑さは自動マッピングの使用に制限されている。
本稿では,eBPFを用いてカーネルレベルのイベントを収集し,攻撃者のコマンドをプロファイランスグラフに関連付け,LLMに基づく推論に適したコンパクトなグラフ表現を導出する手法を提案する。
これらの表現は、ATT&CK知識ベースに根ざした純粋なLLMプロンプトと検索強化生成(RAG)の両方を用いて、MITRE ATT&CKフレームワークにマッピングされる。
我々はこの手法をTrace2ATT&CKという名前のエンドツーエンドパイプラインとして実装し、ローカルにデプロイされたオープンウェイトLSMを用いて347のLinuxアトミックレッドチームテストで評価する。
RAGは純粋なプロンプトよりもATT&CKマッピング性能を一貫して改善し、プロヴァンスグラフは生のテレメトリよりも大幅に向上した。
これらの結果は,データ機密性を損なうことなく,カーネルレベルのテレメトリから自動ATT&CKマッピングを動作可能とすることを示す。
関連論文リスト
- Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。
それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。
既存の防衛は「ユークリッドバイアス」に苦しむ
セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
論文 参考訳（メタデータ） (2026-08-11T23:20:15Z) - Graph-Based Structural Evaluation of LLM-Translated Adversary Emulation Procedures [0.0]
逆エミュレーション計画では、MITRE ATT&CK技術を用いた多段階攻撃手順を記述している。
このフレームワークには、自由テキストを可観測クラスに変換するテレメトリインテントである bipartite GED が含まれている。
論文 参考訳（メタデータ） (2026-07-13T13:04:23Z) - Beyond the Prompt: Jailbreaking Function-Calling LLMs via Simulated Moderation Traces [32.850551109913845]
大規模言語モデル(LLM)の安全なデプロイにとって、ジェイルブレイク攻撃は依然として重要な脅威である
このプロンプト中心のパラダイムは、ステートフルで関数呼び出し環境における構造的脆弱性を見落としていることを示す。
我々は、シミュレートされたモデレーショントレースに基づくブラックボックス攻撃フレームワークであるSMTを通じて、このアーキテクチャ欠陥を利用する。
論文 参考訳（メタデータ） (2026-07-01T06:08:07Z) - AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。
本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
論文 参考訳（メタデータ） (2026-04-01T15:17:45Z) - Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。
MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。
本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文 参考訳（メタデータ） (2026-02-08T16:06:12Z) - Constructing Multi-label Hierarchical Classification Models for MITRE ATT&CK Text Tagging [0.0]
我々は、MITRE ATT&CKテキストタグタスクの「タスクスペース」の特徴付けを行う。
テキストタギングタスクのための多ラベル階層分類モデルを構築した。
私たちのモデルは、古典的な機械学習手法にのみ依存しながら、最先端のパフォーマンスを満たしたり、超えたりします。
論文 参考訳（メタデータ） (2026-01-21T00:41:34Z) - Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - CyberLLM-FINDS 2025: Instruction-Tuned Fine-tuning of Domain-Specific LLMs with Retrieval-Augmented Generation and Graph Integration for MITRE Evaluation [0.054619385369457214]
本研究は,Gemma-2Bモデルをドメイン固有のサイバーセキュリティLLMに微調整する手法を提案する。
本稿では,データセット作成,微調整,合成データ生成のプロセスについて詳述するとともに,脅威検出,法医学的調査,および攻撃解析における実世界の応用への示唆について述べる。
論文 参考訳（メタデータ） (2026-01-11T05:07:57Z) - DAG-Math: Graph-Guided Mathematical Reasoning in LLMs [54.231935013127206]
大型言語モデル (LLM) は, CoT (Chain-of-Thought) による数学的問題に対して高い性能を示す
我々は、有向非巡回グラフ(DAG)上の一定の規則に基づくプロセスとしてCoTをモデル化することを提案する。
ここでは,モデルのCoT軌道がDAG構造にどの程度よく依存するかを定量化する計量である論理的近接性を導入する。
論文 参考訳（メタデータ） (2025-10-19T21:05:17Z) - How Robust Are Router-LLMs? Analysis of the Fragility of LLM Routing Capabilities [62.474732677086855]
大規模言語モデル(LLM)ルーティングは,計算コストと性能のバランスをとる上で重要な戦略である。
DSCベンチマークを提案する: Diverse, Simple, and Categorizedは、幅広いクエリタイプでルータのパフォーマンスを分類する評価フレームワークである。
論文 参考訳（メタデータ） (2025-03-20T19:52:30Z) - 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。