Crimson: Empowering Strategic Reasoning in Cybersecurity through Large Language Models-优快云博客

本文是LLM系列文章，针对《Crimson: Empowering Strategic Reasoning in Cybersecurity through Large Language Models》的翻译。

Crimson：通过大型语言模型增强网络安全中的战略推理能力

摘要
1 引言
2 背景
3 方法
4 实验
5 结论

摘要

我们介绍了Crimson，这是一个在网络安全领域增强大型语言模型（LLM）战略推理能力的系统。通过将CVE与MITRE ATT&CK技术相关联，Crimson推进了威胁预测和战略防御工作。我们的方法包括定义和评估网络安全战略任务，同时实施全面的人在环数据合成工作流程，以开发CVE到ATT&CK映射（CVEM）数据集。我们通过一种新颖的检索感知训练（RAT）过程及其精细迭代RAT-R，进一步增强了LLM的推理能力。
我们的研究结果表明，使用我们的技术微调的LLM，拥有70亿个参数，接近GPT-4的性能水平，显示出明显更低的幻觉和错误率，并在战略推理任务中超过了其他模型。此外，嵌入模型的特定领域微调显著提高了网络安全环境中的性能，突显了我们方法的有效性。通过利用Crimson将原始漏洞数据转换为结构化和可操作的见解，我们加强了主动的网络安全防御。

1 引言

2 背景

3 方法

4 实验

5 结论

我们的研究证实了使用大型语言模型提供从CVE到ATT&CK技术的可操作映射的可行性，从而在网络安全防御中提供了战略优势。微调方法RetrievalAware Training（RAT）及其改进版本RAT-R被证明可以显著增强LLM的推理能力，确保威胁预测的可靠性。
实验结果强调了特定领域的微调、检索增强和推理模式的集成对于提高模型预测的准确性和可解释性的重要性。未来的工作应侧重于