Fugu-MT 論文翻訳(概要): Reasoning Topology Matters: A Controlled Study of LLM-Based Cybersecurity Analysis

論文の概要: Reasoning Topology Matters: A Controlled Study of LLM-Based Cybersecurity Analysis

arxiv url: http://arxiv.org/abs/2609.24710v1
Date: Mon, 21 Sep 2026 14:52:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.009028
Title: Reasoning Topology Matters: A Controlled Study of LLM-Based Cybersecurity Analysis
Title（参考訳）: トポロジーの理由:LCMに基づくサイバーセキュリティ分析の制御された研究
Abstract要約: セキュリティ推論トポロジーを導入し、線形、分岐、グラフの3つの代表構造をモデル化する。我々は、MITRE ATT&CKネットワークトラフィック、サイバー脅威インテリジェンス(CTI)、CVE脆弱性分析を含む3つのサイバーセキュリティデータセットの実験を行った。結果から、グラフ推論は、データセット全体で9.8-12.2ポイントのプロンプトにより、いくつかのショットよりも改善され、全体的な精度が最も高いことが示されている。
参考スコア（独自算出の注目度）: 0.685068326729525
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) are increasingly used in cybersecurity, where accurate analysis often requires multi-step and context-dependent reasoning over complex and heterogeneous data. However, existing prompting approaches typically focus on eliciting reasoning without explicitly considering how intermediate reasoning steps are structurally organized. We introduce Security Reasoning Topology, which models reasoning through three representative structures: Linear, Branching, and Graph. To evaluate their effects, we conduct controlled experiments on three cybersecurity datasets covering MITRE ATT&CK network traffic, cyber threat intelligence (CTI), and CVE vulnerability analysis. We evaluate multiple LLMs, including Llama 2 (7B, 13B, 70B), GPT-5.1, and Mistral Large 3, while keeping task inputs consistent and controlling reasoning structure through system-level prompting. Results show that reasoning topology substantially affects performance: Graph reasoning achieves the highest overall accuracy, improving over few-shot prompting by 9.8-12.2 percentage points across datasets, while Branching provides a strong intermediate solution. The results further show that the effect of reasoning topology remains consistent across model families and scales, highlighting reasoning topology as an important design factor for LLM-based cybersecurity analysis.
Abstract（参考訳）: 大規模言語モデル(LLM)はサイバーセキュリティにおいてますます使われており、正確な分析には複雑で異質なデータに対する多段階およびコンテキスト依存の推論が必要となることが多い。しかしながら、既存のプロンプトアプローチは、中間的推論ステップがどのように構造的に組織化されているかを明確に考慮することなく、推論を引き出すことに重点を置いている。セキュリティ推論トポロジーを導入し、線形、分岐、グラフの3つの代表構造をモデル化する。その効果を評価するために、MITRE ATT&CKネットワークトラフィック、サイバー脅威インテリジェンス(CTI)、CVE脆弱性分析を含む3つのサイバーセキュリティデータセットの制御実験を行った。 Llama 2 (7B, 13B, 70B), GPT-5.1, Mistral Large 3 など複数の LLM の評価を行った。グラフ推論は、データセット間での9.8-12.2ポイントのプロンプトにより、いくつかのショットよりも改善され、ブランチは強力な中間解を提供する。さらに, LLMに基づくサイバーセキュリティ分析において, 推論トポロジが重要な設計要因であることから, 推論トポロジの効果はモデルファミリやスケールで一定であることが示唆された。

関連論文リスト

ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models [73.59878306788815]
ReasoningLensは、複雑な推論チェーンの階層的な可視化と診断監査のために設計されたオープンソースのフレームワークである。 ReasoningLensは、(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化し、(2)エージェント監査を自動エラー検出とツール拡張検証に活用する。
論文参考訳（メタデータ） (2026-06-22T14:28:35Z)
Feedback-Driven Execution for LLM-Based Binary Analysis [6.612857121548629]
本稿では,LLMに基づく解析をフィードバック駆動実行プロセスとして再考するシステムFOGEを提案する。 FORGEは推論-動作-観測ループを介して推論とツール相互作用をインターリーブする。実世界3,457のファームウェアバイナリ上でFOGEを評価した。
論文参考訳（メタデータ） (2026-04-16T15:15:58Z)
METER: Evaluating Multi-Level Contextual Causal Reasoning in Large Language Models [61.33372454250959]
コンテキスト因果推論は、大規模言語モデルにとって重要なが難しい能力である。既存のベンチマークでは、コンテキスト整合性を保証するか、完全な因果階層をカバーすることができない。私たちはMETERの先駆者であり、因果はしごの3つのレベルすべてにわたってLSMを体系的にベンチマークしました。
論文参考訳（メタデータ） (2026-04-13T14:07:11Z)
Reasoning-Driven Multimodal LLM for Domain Generalization [72.00754603114187]
DomainBed-Reasoning データセットを用いた領域一般化における推論の役割について検討する。 MTCT(Multi-Task Cross-Training)とSARR(Self-Aligned Reasoning Regularization)の2つのコンポーネントからなるフレームワークであるRD-MLDGを提案する。標準のDomainBedデータセットの実験は、RD-MLDGが補完的な最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2026-02-27T08:10:06Z)
RHINO: Guided Reasoning for Mapping Network Logs to Adversarial Tactics and Techniques with Large Language Models [9.065322387043546]
人間の推論を反映した3つの解釈可能なフェーズに大言語モデルを分解するフレームワークであるRHINOを紹介する。 RHINOは、構造的推論による出力信頼性を改善しながら、低レベルの観測と反対方向のセマンティックギャップを橋渡しする。以上の結果から,RHINOは脅威解析の解釈可能性やスケーラビリティを著しく向上させ,LLMを運用上のセキュリティ設定にデプロイするための青写真を提供することが示された。
論文参考訳（メタデータ） (2025-10-16T02:25:46Z)
Bridging Semantics & Structure for Software Vulnerability Detection using Hybrid Network Models [0.0]
我々は複雑な相互作用ネットワークとして制御とデータフローの関係を捉えている。本フレームワークでは,グラフ表現と軽量(4B)局所LLMを組み合わせる。提案手法は,グラフ注意ネットワークによる埋め込みよりも93.57%の精度で8.36%向上する。
論文参考訳（メタデータ） (2025-10-11T19:32:00Z)
Curse of Knowledge: When Complex Evaluation Context Benefits yet Biases LLM Judges [72.3356133063925]
審査員としての大規模言語モデル(LLM)のパラダイムはスケーラブルなソリューションとして登場したが、以前の作業は主に単純な設定に焦点を当てていた。我々の詳細な分析は、評価信号の精度と妥当性を向上させるための重要な洞察を提供する。
論文参考訳（メタデータ） (2025-09-03T15:48:33Z)
Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
論文参考訳（メタデータ） (2025-09-02T14:16:02Z)
An ontological lens on attack trees: Toward adequacy and interoperability [27.953120979995557]
アタックツリー(AT)は、セキュリティ分析の一般的な形式である。 ATは、セキュリティリスク管理シナリオを表現するための概念モデリング機能を提供する。しかしAT言語は、存在論的基盤が欠如しているため、制限を課している。
論文参考訳（メタデータ） (2025-06-30T13:31:34Z)
AttackSeqBench: Benchmarking Large Language Models in Analyzing Attack Sequences within Cyber Threat Intelligence [17.234214109636113]
サイバー脅威インテリジェンス(CTI)は、敵の行動と行動可能な知識への意図に関する証拠を合成し、サイバー脅威の観察を文書化している。 CTIレポートの非構造的かつ冗長な性質は、セキュリティ実践者が手動でこのようなシーケンスを抽出し分析する上で大きな課題となる。大規模言語モデル(LLM)は、エンティティ抽出や知識グラフ構築などのサイバーセキュリティタスクにおいて有望であるが、それらの理解と行動シーケンスに対する推論能力はいまだ探索されていない。
論文参考訳（メタデータ） (2025-03-05T04:25:21Z)

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。