論文の概要: Know the Normal, Track the Attack: Context-Grounded and Stateful LLM Investigation over System Provenance

• arxiv url: http://arxiv.org/abs/2609.36494v1
• Date: Tue, 29 Sep 2026 01:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.107266
• Title: Know the Normal, Track the Attack: Context-Grounded and Stateful LLM Investigation over System Provenance
• Title（参考訳）: ノーマルを知り, 攻撃を追跡して - システム障害に関する文脈とステートフルなLLM調査
• Abstract要約: 本稿では,エビデンスキュレーションと文脈的LLM推論を組み合わせた調査指向の証明システムANCHORを提案する。 ANCHORは、ドル単位のAPIコストで完全な監査日を処理し、ウィンドウを横断する実用的なコンテキストベースの調査をサポートする。
• 参考スコア（独自算出の注目度）: 16.417915994081223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Provenance-based intrusion detection systems (PIDSs) identify suspicious activity in audit streams, but their outputs remain difficult to turn into coherent attack narratives. Direct LLM analyses of local anomalous subgraphs lack deployment-specific normal-behavior knowledge and validated attack state across evidence fragments. This can cause unsupported attack interpretations of routine activities and incorrect attribution of temporally dispersed evidence to attack stages. We present ANCHOR, an investigation-oriented provenance system that combines evidence curation with context-grounded LLM reasoning. It calibrates anomaly judgments by relation type and links anomalous windows through rare relation-role patterns. The resulting evidence queues preserve causal structure, temporal boundaries, and cross-window continuity. The investigator interprets process-centered evidence using two complementary forms of context. Deployment Context combines environment-specific interaction and object baselines with high-risk security knowledge. Case Context uses a confidence-gated Attack-Tracking Cache to maintain investigation state across windows. Correlating current evidence with high-confidence prior findings, ANCHOR incrementally reconstructs attack narratives organized by kill-chain stages. We evaluate ANCHOR on six DARPA Transparent Computing E3/E5 datasets across three operating systems. Controlled evidence-level and end-to-end comparisons show improved overall IoC recovery and attack-stage attribution over state-of-the-art provenance-based baselines. These gains persist under a fixed LLM backbone in our evaluation. ANCHOR processes a full audit day at dollar-level API cost, supporting practical, context-grounded investigation across windows.
• Abstract（参考訳）: 確率に基づく侵入検知システム(PIDS)は、監査ストリームにおける不審な活動を特定するが、そのアウトプットを一貫性のある攻撃物語に変換することは困難である。 局所異常部分グラフの直接LCM解析では、配備固有の通常の行動知識と証拠断片にわたる攻撃状態が欠如している。 これは、定期的な活動の攻撃解釈や、時間的に分散した証拠の不正な帰属を攻撃段階に導く可能性がある。 本稿では,エビデンスキュレーションと文脈的LLM推論を組み合わせた調査指向の証明システムANCHORを提案する。 関係型によって異常判定を校正し、稀な関係ロールパターンを通して異常ウィンドウをリンクする。 結果として得られたエビデンスキューは、因果構造、時間的境界、およびウィンドウ間の連続性を保存する。 調査員は、2つの補完的な文脈を用いてプロセス中心の証拠を解釈する。 Deployment Contextは環境固有のインタラクションとオブジェクトベースラインを高リスクなセキュリティ知識と組み合わせます。 Case Contextは、ウィンドウをまたいだ調査状態を維持するために、信頼性の高いAttack-Tracking Cacheを使用する。 信頼度の高い事前発見と現在の証拠との関連で、ANCHORは殺し鎖の段階によって組織された攻撃の物語を段階的に再構築する。 DARPA Transparent Computing E3/E5データセットのANCHORを3つのオペレーティングシステムで評価した。 制御されたエビデンスレベルとエンドツーエンドの比較では、最新技術に基づくベースラインに対する全体的なIoC回復とアタックステージの属性が改善された。 評価では, 固定LLMバックボーン下において, これらの利得が持続する。 ANCHORは、ドル単位のAPIコストで完全な監査日を処理し、ウィンドウを横断する実用的なコンテキストベースの調査をサポートする。

関連論文リスト

• When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations [2.406359246841227]
  XIONは、良性トラフィックのみに基づいて、ネットワークフローの特徴間の関係をモデル化する手法である。 検出中は、期待される機能依存の違反によって異常が識別される。 XIONは、どの機能関係が壊れるかを特定することで、アラート後の分析をサポートする。
  論文  参考訳（メタデータ） (2026-08-27T09:05:09Z)
• AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
  AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。 本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
  論文  参考訳（メタデータ） (2026-08-26T11:48:38Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• Towards Comprehensive Stage-wise Benchmarking of Large Language Models in Fact-Checking [64.97768177044355]
  大規模言語モデル(LLM)は、現実のファクトチェックシステムにますます多くデプロイされている。 FactArenaは、完全に自動化されたアリーナスタイルの評価フレームワークである。 本研究では,静的クレーム検証精度とエンドツーエンドのファクトチェック能力の相違点を明らかにした。
  論文  参考訳（メタデータ） (2026-01-06T02:51:56Z)
• Probing Latent Knowledge Conflict for Faithful Retrieval-Augmented Generation [46.03923254984181]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の現実性を高めるための強力なパラダイムとして登場した。 既存の文脈忠実性を改善するアプローチは、プロンプトエンジニアリング、デコード制約、報酬に基づく微調整など、外部からの介入に依存している。 文脈を微粒な文レベルの知識に分解するフレームワークであるCLEAR(Conflict-Localized and Enhanced Attention for RAG)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T12:48:24Z)
• FactCHD: Benchmarking Fact-Conflicting Hallucination Detection [64.4610684475899]
  FactCHD は LLM からファクトコンフリクトの幻覚を検出するために設計されたベンチマークである。 FactCHDは、バニラ、マルチホップ、比較、セット操作など、さまざまな事実パターンにまたがる多様なデータセットを備えている。 Llama2 に基づくツール強化 ChatGPT と LoRA-tuning による反射的考察を合成する Truth-Triangulator を提案する。
  論文  参考訳（メタデータ） (2023-10-18T16:27:49Z)
• ADC: Adversarial attacks against object Detection that evade Context consistency checks [55.8459119462263]
  文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。 このような防御を覆す実例を生成するための適応型フレームワークを提案する。 我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2021-10-24T00:25:09Z)
• A Rule Mining-Based Advanced Persistent Threats Detection System [2.75264806444313]
  高度な永続的脅威(APT)は、標的組織から貴重な情報を盗もうとするステルスなサイバー攻撃である。 活動間の因果関係を見つけ出し、不審な出来事を発生させるのに役立てることができるため、希少な追跡と痕跡採掘は有望であると考えられている。 プロセスアクティビティを反映するOSに依存しない特徴を活用する教師なしの手法を導入し,プロファイランストレースから現実的なAPTライクな攻撃を検出する。
  論文  参考訳（メタデータ） (2021-05-20T22:13:13Z)

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。