Leveraging Large Language Models for Preliminary Security Risk Analysis

本文是LLM系列文章，针对《Leveraging Large Language Models for Preliminary Security Risk
Analysis

摘要

初步安全风险分析（PSRA）提供了一种快速方法来识别、评估特定场景中的潜在风险并提出补救措施。有效的PSRA所需的广泛专业知识和大量与文本相关的任务阻碍了在关键任务背景下进行快速评估，而在关键任务环境下，及时和迅速的行动至关重要。PSRA中人类专家的速度和准确性会显著影响响应时间。大型语言模型可以在比人类更短的时间内快速总结信息。据我们所知，先前没有研究探讨PSRA中微调模型（FTM）的功能。我们的案例研究调查了FTM协助PSRA从业者的熟练程度。在过去五年中，我们从工业背景团队存档的50多项关键任务分析中手动整理了141个代表性样本。我们比较了FTM与七位人类专家的熟练程度。在工业环境中，我们的方法已被证明在减少PSRA中的错误、加快安全风险检测以及最大限度地减少误报和漏报方面取得了成功。这意味着通过避免与实施不必要的对策相关的不必要费用，为公司节省了成本。因此，专家可以专注于更全面的风险分析，利用LLM在更短的时间内进行有效的初步评估。

1 引言

2 方法

3 结果

4 讨论

5 对有效性的威胁

6 结论

在本节中，我们简要得出结论。我们的研究深入探讨了LLM在PSRA中的熟练程度。研究结果强调，GPLLM适用于PSRA，但微调对于缩小模型对特定任务的关注范围至关重要。值得注意的是，我们的FTM在准确性指标、错误数量和评估时间方面都优于七分之六的人