PulseAugur
中
实时 09:29:55
English(EN) Beyond Heavy Log Curation: Perplexity-Based APT Detection via Unsupervised, Context-Augmented Language Models

新的CAPTAIN方法利用语言模型进行APT检测，数据整理需求更少

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CAPTAIN，一种用于大规模日志中检测高级持续性威胁（APT）的新方法。与需要大量数据整理和预处理的先前方法不同，CAPTAIN利用预训练语言模型，只需极少、与领域无关的步骤。它编码最近的日志历史并将此上下文注入语言模型以计算困惑度，从而指示潜在威胁。此方法旨在降低APT检测相关的开发和运营成本。 AI

影响 这项研究可以通过利用通用语言模型，显著降低网络安全威胁检测的成本和复杂性。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的基于AI的威胁检测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的CAPTAIN方法利用语言模型进行APT检测，数据整理需求更少

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shoya Otsu, Kei Suzuki, Toshiaki Koike-Akino, Jing Liu, Ye Wang ·

    超越繁重的日志整理：基于困惑度的无监督、上下文增强语言模型APT检测

    arXiv:2607.20832v1 Announce Type: cross Abstract: Advanced Persistent Threats (APTs) remain difficult to detect because only a small fraction of events in large-scale logs are attack-related, and investigation is expensive and hard to scale. Prior machine-learning approaches can …

相关实体

相关话题