Large Language Models are Few-shot Generators: Proposing Hybrid Prompt Algorithm

本文是LLM系列文章，针对《Large Language Models are Few-shot Generators: Proposing Hybrid Prompt Algorithm To Generate Webshell Escape Samples》的翻译。

摘要

网络攻击的频繁发生，使得webshell攻击与防御逐渐成为网络安全领域的研究热点。然而，由于缺乏公开的基准数据集，以及过度依赖手动定义的webshell转义样本生成规则，导致webshell转义采样生成策略和基于人工智能的webshell检测算法的研究进展缓慢。为了解决webshell样本转义能力较弱、缺乏具有复杂恶意特征的webshell数据集的缺点，并促进webshell检测技术的发展，我们提出了借助大型语言模型生成webshell转义样本的混合提示算法。混合提示算法是专门为webshell样本生成而开发的一种提示算法，它不仅结合了思想链、思想树等多种提示思想，还结合了webshell层次模块、小样本示例等多种组件，便于LLM学习和推理webshell逃生策略。实验结果表明，混合提示算法可以与多个具有良好代码推理能力的LLM协同工作，生成高质量的webshell样本，其逃逸率（在VIRUSTOTAL检测引擎上使用GPT-4模型时为88.61%）和存活率（GPT-4模型时为54.98%）都很高。

1 引言

2 前言

3 算法设计

4 实验

5 讨论与局限性

6 相关工作

7 结论

在本文中，我们提出了混合提示，这是一种结合了ToT、Few shot-CoT、SC等各种提示策略的webshell转