Mitre ATT&CK
PulseAugur coverage of Mitre ATT&CK — every cluster mentioning Mitre ATT&CK across labs, papers, and developer communities, ranked by signal.
- used by Gotit.pub 80%
- used by ScienceCast 80%
- used by DagsHub 80%
- used by cyber threat intelligence 80%
- used by CatalyzeX 80%
- affiliated with Common Vulnerabilities and Exposures ID 70%
- used by alphaXiv 70%
- affiliated with MITRE ATLAS 70%
- used by National Vulnerability Database 70%
- used by Royal Galician Academy 70%
- affiliated with cyber threat intelligence 60%
- used by Common Vulnerabilities and Exposures ID 60%
6 天有情绪数据
-
LLM 增强智能电网网络物理攻击路径识别
一篇新的研究论文提出了一个框架,该框架使用大型语言模型 (LLM) 来识别智能电网中潜在的网络物理攻击路径。这种 LLM 引导的方法将系统拓扑与 STRIDE 和 MITRE ATT&CK 等威胁建模框架相结合,并参考了基于物理的冲击排名。在 IEEE 14 母线系统上的评估表明,与地面实况的一致性有了显著提高,关键节点重叠率提高到 100%,路径级别的一致性达到 48%。与现有的基于融合的策略相比,所提出的方法还将运行时间大幅缩短了…
-
LLM驱动的蜜罐利用叙事欺骗来诱捕攻击者
一篇新的研究论文探讨了叙事欺骗在网络安全中的有效性,特别是使用大型语言模型(LLM)来创建更具说服力的蜜罐。该研究提出了一种策略,防御者将攻击者行为映射到特定技术,并部署相互关联的伪造物来模拟一个连贯的事件。实验表明,与简单的欺骗方法相比,即使在资源有限的情况下,这种叙事方法也能显著提高攻击者的参与度并减少放弃率。
-
System One决策模型在恶意软件检测方面展现出潜力
System One决策模型正在评估其在Windows可移植可执行文件恶意软件检测方面的有效性。这些模型为特定类型问题的答案提供概率,比传统的LLM提供更易于解释的输出。一种新的集成模型S1Mal结合了类型化答案和CLM-8B的嵌入,实现了高准确率,在1.45%的误报率下检测到93.47%的恶意软件。
-
Vulners推出AI漏洞管理工具Cube
Vulners推出了Cube,一个AI驱动的漏洞管理平台。该工具集成了基础设施上下文和业务影响评估,以及CISA SSVC和MITRE ATT&CK等优先级排序框架。Cube还支持与OpenAI和Anthropic兼容的LLM。
-
开源LLM旨在通过本地警报分类减少SOC分析师的工作量
一位安全分析师开发了一个基于LLM的安全运营中心(SOC)分类模型,该模型设计为在笔记本电脑上本地运行,在不将数据发送到外部的情况下处理警报。虽然该模型在合成测试集上表现完美,但在真实警报上产生了大量的虚假升级。进行了调整,包括在实际的良性警报数据上进行训练,并实施基于模式的验证来限制模型的输出,这提高了准确性,但也带来了新的权衡。
-
新LLM框架MEvince改进恶意软件技术识别
研究人员开发了MEvince,一个利用知识约束LLM推理从分析报告中改进恶意软件技术识别的新框架。该系统通过构建提取的观察结果并将其链接到特定的源文本段落来提高准确性,同时还促进了紧密相关技术的比较。MEvince在F1分数上比现有基线有了显著提高,并增加了正确技术识别的覆盖范围。
-
LLM 在无需再训练的分层网络防御中展现潜力
研究人员探索了大型语言模型(LLM)在分层网络防御系统中的应用。通过将 LLM 集成到网络防御的规划和执行阶段,他们发现足够强大的冻结 LLM 可以在各种网络规模下保持强大的防御性能,而无需进行特定任务的再训练。这种方法,特别是当 LLM 控制扩展到战术执行时,与通常需要针对不同网络规模进行再训练的传统强化学习基线相比,显示出显著的改进。
-
新系统AHLERT可自动从CTI报告中生成威胁搜寻线索
研究人员开发了AHLERT,一个旨在从网络威胁情报(CTI)报告中自动生成可操作威胁搜寻线索的新型系统。与以往仅关注实体或孤立分析报告的方法不同,AHLERT采用了一种混合检索系统,结合了向量搜索和知识图谱遍历,并专门利用了MITRE ATT&CK框架。该系统还采用了一种本体接地检索增强生成方法,以确保线索与防御者特定的操作环境和资产相关。评估表明,AHLERT显著提高了证据接地线索的提取,使平均F1分数翻倍,并在有效性方面优于现成的LLM模型。
-
新的LLM框架BEACON构建网络威胁情报知识图谱
研究人员开发了BEACON,一个使用LLM从网络威胁情报(CTI)报告构建知识图谱的新框架。该方法将提取的信息锚定到MITRE ATT&CK的标准化攻击行为,从而能够整合来自不同来源的数据,即使这些来源对相同威胁使用不同的命名约定。BEACON的两个阶段过程,包括一个提议-验证范式和一个分层对齐策略,旨在减少LLM的误分类和幻觉。为了评估BEACON,创建了两个新数据集,该框架在性能上优于现有方法。
-
Trust Gateway 管道通过 12 级验证完善安全性
Trust Gateway,此前被错误地标记为防火墙,现在是一个 12 级验证管道,旨在在任何阶段拒绝请求。它包含了提示注入检测规则和参数检查,尽管这些并未被呈现为完整的防御措施,而是一个隔离层。该系统已经过大量使用变异凭证的模糊测试,确保了拒绝而不会崩溃,并且基于属性的测试验证了规范化不变性。未来的更新将包括用于增强安全性的工具输出的执行后过滤和伪影摘要固定。
-
新的AUTOSIGMA系统将网络威胁情报自动化生成为Sigma规则
研究人员开发了AUTOSIGMA,一个旨在将非结构化的网络威胁情报(CTI)转换为可操作的Sigma规则以进行威胁检测的自动化系统。该系统通过整合结构化知识库进行丰富,并利用LLM-as-a-Judge机制进行迭代验证,超越了仅依赖语言模型的方法,从而增强了规则生成能力。评估表明,在规则有效性、相关性、MITRE ATT&CK覆盖率和鲁棒性方面,AUTOSIGMA优于替代解决方案和独立的LLM。
-
新的CTIFoundry语料库脚手架提升LLM代理的网络威胁情报能力
研究人员推出CTIFoundry,一个旨在增强LLM代理在网络威胁情报(CTI)方面能力的新语料库脚手架。该系统通过从CVE、CWE、CAPEC和ATT&CK等权威知识库创建本体图谱,并使用规范实体索引威胁报告来构建CTI数据。CTIFoundry通过专门的工具和技能为代理提供结构化信息访问,从而提高调查的准确性和效率。
-
AI代码生成管道应对安全漏洞
一篇新的研究论文介绍了一个自动化管道,旨在检测和修复由AI开发工具生成的代码中的安全漏洞。该管道处理来自LLM生成提示的代码,使用CodeQL和Bandit等工具进行扫描,并利用LLM来验证和修复发现的问题。对四种Claude模型(Opus 4.8、Sonnet 4.6、Sonnet 5和Haiku 4.5)的评估显示,静态分析器发现的问题显著减少,尽管修复有时会引入新的漏洞。
-
新理论认证自动化安全决策的风险
一篇新论文介绍了一种决策契约理论,用于解决自动化安全决策的风险认证挑战,特别是在基于LLM的入侵检测系统背景下。该理论旨在防止系统仅通过不采取行动而显得风险受限。研究提出了一个误差守恒定律和一个非退化可操作性证书,以确保误差在自动化、人类延迟和语义掩蔽之间得到核算。使用六种不同的LLM在三个入侵检测数据集上进行的实证结果表明,所提出的方法可以在超过90%的配置中实现目标风险水平,同时保持高正确的自动化率。
-
新框架 TTP-R1 增强网络威胁情报分析
研究人员开发了 TTP-R1,一个新颖的两阶段框架,旨在改进从网络威胁情报 (CTI) 文本中提取攻击技术。该框架结合了检索增强监督微调和强化学习,使用可验证的奖励直接监督预测技术集的精度、召回率和格式。TTP-R1 的性能显著优于现有方法,在使用检索增强的情况下,其在子技术级别的 F1 分数比 Claude Sonnet 4.5 提高了 7.4 个百分点,同时运行速度也快得多。
-
AI推荐投毒:“AI总结”按钮可破坏大语言模型记忆
微软发现了一种名为AI推荐投毒的新威胁,看似无害的“AI总结”按钮会永久性地改变大语言模型助手的记忆。通过点击一个特制的链接,用户会无意中指示其AI助手在未来的交互中优先考虑某些网站或信息作为权威。微软Defender研究人员记录的这种技术,已在30多家各行各业的公司中被观察到,其中一些公司甚至开发了生成这些恶意链接的工具,对企业环境中AI驱动的决策完整性构成了重大风险。
-
L1.9 提示注入筛选系统更名,计划发布公共语料库
L1.9 系统,此前被称为防火墙,现更名为提示注入筛选。此更改反映了其作为静态预 admission 过滤器而非运行时执行层的职能。开发者计划发布一个名为 marketnow-l1.9-corpus 的已标记语料库,其中包含已知攻击、良性提示和释义攻击的测试用例,以展示该系统的有效性。他们还承认需要运行时监控和执行来解决工具结果投毒和受损更新等问题,这些问题由 L3 和 L4 系统处理。
-
生成式AI工具AegisShield实现网络威胁建模民主化
研究人员开发了AegisShield,这是一种生成式AI工具,旨在自动化和简化网络威胁建模,特别是对于资源有限的组织。该工具集成了STRIDE框架和MITRE ATT&CK技术,并从公共数据库中提取实时威胁情报。评估表明,AegisShield显著降低了复杂性,产生的威胁与专家生成的威胁相当,并能准确地将威胁映射到MITRE ATT&CK技术,从而实现更早的风险评估并促进安全设计实践。
-
MITRE ATLAS 将代理攻击技术添加到人工智能威胁目录
MITRE 更新了其人工智能系统对抗性威胁态势(ATLAS)知识库,以包含针对自主人工智能代理的特定技术。这些新技术,例如人工智能供应链攻击(AML.T0010)和人工智能代理工具投毒(AML.T0110),记录了针对人工智能系统使用的真实攻击方法。此次更新旨在为防御者和研究人员提供一个通用词汇表,以讨论和应对针对人工智能代理及其供应链的威胁。
-
新 AI 系统 ThreatForest 可自动从代码生成攻击树
研究人员开发了 ThreatForest,一个新颖的多智能体系统,旨在自动化云原生软件开发的威胁建模。该系统分析代码库以生成结构化的攻击树,将攻击步骤映射到 MITRE ATT&CK 和 CAPEC 等框架中的对手策略、技术和过程 (TTP)。ThreatForest 还综合了可操作的缓解措施,并纳入了人工干预验证点。虽然整个系统在生成威胁陈述、攻击树和缓解措施方面显示出有希望的结果,但 TTP 映射的嵌入阶段的准确性仍然是一个瓶颈。