論文の概要: Integrating Perception, Comprehension, and Projection for Alert Validation: A Unified Cyber Situational Awareness Framework

• arxiv url: http://arxiv.org/abs/2610.39849v1
• Date: Thu, 29 Oct 2026 11:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:31:11.486964
• Title: Integrating Perception, Comprehension, and Projection for Alert Validation: A Unified Cyber Situational Awareness Framework
• Title（参考訳）: アラート検証のための認識・理解・予測の統合:統合されたサイバー状況認識フレームワーク
• Abstract要約: 本稿では,統合された警告検証フレームワークにおいて,認識・理解・投影レベルのCSAを初めて体系的に評価する。 Captain と Kairos を用いてマルチレベル CSA を生成し,正の非競合型マルチインスタンス学習タスクとして警告バリデーションを定式化する。 DARPA TCデータセットの実験的評価は、理解レベルCSAが因果攻撃コンテキストを取り入れることで、検証を大幅に改善することを示している。
• 参考スコア（独自算出の注目度）: 18.992934463780525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security Operation Centres (SOCs) must validate large volumes of alerts with limited analyst resources, yet alerts often lack sufficient context to determine whether suspicious activity is attack related. While provenance-based intrusion detection research has progressed from perception-level signals to comprehension- and projection-level cyber situational awareness (CSA), it remains unclear whether richer CSA consistently improves alert validation. This paper presents the first systematic evaluation of perception-, comprehension-,and projection-level CSA within a unified alert validation framework. Using Captain and Kairos, we generate multi-level CSA and formulate alert validation as a positive-unlabelled multi-instance learning (PU-MIL) task over CSA-derived behavioural hypotheses. Experimental evaluation on the DARPA TC dataset shows that comprehension-level CSA substantially improves validation by incorporating causal attack context. Relative to the Queue and Max. CSG baselines, PU-MIL achieves up to 28.6 and 75 percentage-point gains in Recall@5, and 24.6% and 86.8% reductions in mean positive rank on Cadets and Theia, respectively. Projection-level CSA can yield additional benefits, reducing the mean positive rank on Theia from 22.0 to 8.5 at a 40-minute projection horizon, although its effectiveness varies across projection horizons. Overall, richer CSA does not necessarily lead to better alert validation. Rather, its value depends on when and how it is introduced, motivating adaptive CSA progression that selectively enriches alerts according to validation requirements.
• Abstract（参考訳）: セキュリティオペレーションセンター(SOC)は、限られたアナリストリソースで大量のアラートを検証する必要があるが、不審な活動が攻撃に関連するかどうかを判断するための十分なコンテキストが欠如していることが多い。 プロビデンスに基づく侵入検知研究は、認識レベルから理解レベル、投射レベルのサイバー状況認識(CSA)まで進歩してきたが、よりリッチなCSAが常に警告検証を改善しているかどうかは不明だ。 本稿では,統合された警告検証フレームワークにおいて,認識・理解・投影レベルのCSAを初めて体系的に評価する。 Captain と Kairos を用いて多レベル CSA を生成し,CSA 由来の行動仮説に対する正アンラベレート型マルチインスタンス学習 (PU-MIL) タスクとして警告検証を定式化する。 DARPA TCデータセットの実験的評価は、理解レベルCSAが因果攻撃コンテキストを取り入れることで、検証を大幅に改善することを示している。 キューとマックスの関連。 CSGのベースラインであるPU-MILは、Recall@5で最大28.6ポイント、75ポイント、CadetsとTheiaでそれぞれ24.6%、86.8%の減少を達成した。 射影レベルCSAは、40分間の射影地平線でテアの平均正のランクを22.0から8.5に下げるが、その効果は射影地平線によって異なる。 全体として、よりリッチなCSAは、必ずしもより良い警告検証につながるとは限らない。 むしろ、その価値はいつ、どのように導入されるかによって異なり、適応的なCSA進捗を動機付け、検証要求に応じてアラートを選択的に強化する。

関連論文リスト

• SEEK: Agentic Knowledge Graph Retrieval for Secure Code Generation [52.549964800555124]
  大きな言語モデル(LLM)は、悪用可能なセキュリティ脆弱性を導入しながら、機能的に正しいコードを生成することができる。 本稿では,セキュリティ知識グラフを構成するセキュアコード生成のためのエージェントグラフRAGフレームワークであるSEEKを提案する。 我々は、C、C++、PythonにまたがるCodeGuard+とCyberSecEvalの配布外設定でSEEKを評価した。
  論文  参考訳（メタデータ） (2026-10-10T14:37:22Z)
• 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)
• 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)
• ThreatLens: Evidence-Guided Ranking of High-Priority CVEs [0.19573380763700712]
  ThreatLensは各レビューポイントで、カットオフ無効の証拠のみを使用して脆弱性をランク付けする。 システムは、今後のCISA KEVエントリから、エクスプロイト関連性の弱い監視として学習する。
  論文  参考訳（メタデータ） (2026-08-23T09:10:40Z)
• 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)
• ActFER: Agentic Facial Expression Recognition via Active Tool-Augmented Visual Reasoning [55.562958315741646]
  本稿では, アクティブな視覚的エビデンス獲得とマルチモーダル推論を兼ね備えたエージェントフレームワークであるActFERを提案する。 さらに,エージェントFERに適した強化学習アルゴリズムである実用性キャリブレーションGRPOを開発した。
  論文  参考訳（メタデータ） (2026-04-10T05:53:19Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• 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)
• USCSA: Evolution-Aware Security Analysis for Proxy-Based Upgradeable Smart Contracts [13.147747002201848]
  我々は,アップグレードプロセスに関連するリスクを評価する,アップグレード可能なスマートコントラクトセキュリティアナライザ (USCSA) を提案する。 更新可能なコントラクトにおける脆弱性の3,546件を収集,解析し,再帰性やアクセス制御の欠陥,整数オーバーフローといった一般的な脆弱性カテゴリをカバーした。 USCSAの精度は92.3%、リコールは89.7%、F1スコアは91.0%である。
  論文  参考訳（メタデータ） (2025-12-09T08:55:11Z)
• ReVul-CoT: Towards Effective Software Vulnerability Assessment with Retrieval-Augmented Generation and Chain-of-Thought Prompting [9.735224996021591]
  本稿では,検索・拡張生成(RAG)とChain-of-Thought(COT)のプロンプトを統合した新しいフレームワークを提案する。 ReVul-CoTでは、RAGモジュールは構築されたローカル知識ベースからコンテキスト関連情報を動的に取得する。 DeepSeek-V3.1 上に構築されている CoT は LLM に対して,利用性や影響範囲,関連する要因に関するステップバイステップの推論を行うように促している。
  論文  参考訳（メタデータ） (2025-11-21T08:01:49Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)

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。