論文の概要: REFINE: A Resilient Evolution Framework for Intelligent Enterprise Alert Triage in Security Operations Centers

• arxiv url: http://arxiv.org/abs/2609.32516v1
• Date: Sat, 26 Sep 2026 12:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 07:53:36.980415
• Title: REFINE: A Resilient Evolution Framework for Intelligent Enterprise Alert Triage in Security Operations Centers
• Title（参考訳）: REFINE: セキュリティ運用センターにおけるインテリジェントエンタープライズアラートトリアージのためのレジリエントな進化フレームワーク
• Abstract要約: REFINEはエンタープライズアラートトリアージのためのフレームワークである。 REFINEはアナリストの専門知識を構造化スキルとしてエンコードする。 これは、偽陽性の自動閉鎖を最大化するために、進化中のハード制約としてリコール = 1.0を強制する。
• 参考スコア（独自算出の注目度）: 14.840482751399454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security Operations Centers (SOCs) process large volumes of alerts daily. Alert triage prioritizes high-risk threats while reducing manual review of benign alerts. LLM agents can reason over logs and threat intelligence, but struggle to keep aligned with organization-specific, rapidly evolving SOC operational standards. We introduce REFINE, an LLM-agent framework for enterprise alert triage. REFINE encodes analyst expertise as structured skills and continuously adapts using analyst disposition feedback. It enforces recall = 1.0 as a hard constraint during evolution to maximize auto-closure of false positives, and identifies judgment blind spots by combining alert distributions with model error boundaries. Evaluated on four real industrial SOC scenarios across four MITRE ATT&CK phases with temporal split: REFINE achieves recall=1.0 on all evolution sets. On future test windows, it retains recall=1.0 in three scenarios; the degraded case reaches 0.807 recall, still outperforming self-evolution baselines (0.49-0.58).
• Abstract（参考訳）: セキュリティオペレーションセンター(SOC)は、毎日大量のアラートを処理する。 アラートトリアージはリスクの高い脅威を優先順位付けし、良心的な警告のマニュアルレビューを減らします。 LLMエージェントはログと脅威インテリジェンスを推論するが、組織固有の、急速に進化するSOCの運用標準に適合し続けるのに苦労する。 エンタープライズアラートトリアージのためのLLMエージェントフレームワークであるREFINEを紹介する。 REFINEはアナリストの専門知識を構造化されたスキルとしてエンコードし、アナリストの配置フィードバックを使用して継続的に適応する。 偽陽性の自動閉鎖を最大化するために、進化中のハード制約としてリコール = 1.0を適用し、警告分布とモデルエラー境界を組み合わせることで判断盲点を識別する。 REFINEは4つのMITRE ATT&CKフェーズの4つの実産業SOCシナリオを時間分割で評価する: REFINEはすべての進化集合でリコール=1.0を達成する。 将来のテストウィンドウでは、リコール=1.0を3つのシナリオで保持し、劣化したケースは0.807リコールに達し、依然として自己進化ベースライン(0.49-0.58)を上回っている。

関連論文リスト

• SEABench: Benchmarking Endogenous Misalignment In Self-Evolving Agents [49.54988737892722]
  自己進化型LDMエージェントは、ハーネスを変更することで、デプロイ後に改善する能力で有名になった。 SEABenchは、エージェントの自己進化から生じる内因性不整合を研究するためのベンチマークである。 自己進化はタスク完了率を高めるが、安全上の失敗の犠牲になることが多い。
  論文  参考訳（メタデータ） (2026-09-28T16:46:25Z)
• Can Risk-Based Alerting Mitigate Cybersecurity Alert Fatigue? [4.44483539967295]
  リスクベースの警告(RBA)の最初の体系的評価について述べる。 我々は5つの基本的なリスク仮説を蒸留し、それらを独立にパラメトリズ可能なモジュールとして定式化し、新しい実験スイートCATSに実装する。 RBAは、アナリストがレビューしなければならない誤報の数を大幅に削減できるため、サイバーセキュリティ警告の疲労を軽減する可能性がある、と結論付けています。
  論文  参考訳（メタデータ） (2026-09-02T11:37:41Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Boiling the Frog: A Multi-Turn Benchmark for Agentic Safety [2.661610409070365]
  ツール使用のAIモデルがインクリメンタルアタックの影響を受けやすいかどうかを評価するベンチマークであるBoiling the Frogを紹介した。 シナリオは3段階の運用リスク分類によって編成される。 9モデルパネル全体では、総攻撃成功率(ASR)は44.4%である。
  論文  参考訳（メタデータ） (2026-05-21T15:50:18Z)
• On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
  既存の安全アライメント信号は、主に応答レベルまたは政治外である。 FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。 FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling [3.1262100364392205]
  分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-03-14T08:25:42Z)
• ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
  IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。 本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。 時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
  論文  参考訳（メタデータ） (2026-02-26T23:20:42Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)

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。