arXiv cs.AI· Anes Abdennebi, Nadjia Kara, Laaziz Lahlou, Hakima Ould-Slimane·· 1 天前AI 评分58
LanG 2.0：面向大规模半自动化安全运营的节能智能体系统
LanG 2.0: Energy-Efficient Agentic AI for Semi-Automated Security Operations at Scale
AI 导读
LanG 2.0 是一个智能体系统，用于检测威胁、关联证据并编写规则，探索小型本地模型能否在结构性保障而非模型精度提供保证的前提下，低成本且安全地替代前沿模型。
正文 · AI 翻译
摘要：安全运营中心（SOC）需要将数 TB 的告警、日志和流量转化为可信、可负担的决策，以揭示隐藏的威胁。我们提出 LanG 2.0，一个智能体系统，能够检测威胁、关联证据并编写规则，研究在结构性防护措施（而非模型准确率）提供保障的前提下，小型本地模型能否以可负担且安全的方式取代前沿模型。它融合了实体锚定的关联、规则变更的人工审批以及防篡改账本。测试涵盖来自五个网络的八个流量数据集、真实 XDR 告警和多阶段攻击活动。与其前代相比，攻击活动关联精确率从 18.75% 提升至 51.81%，规则接受率从至多 60.00% 提升至 98.33%。与 Claude Opus 5.5 相比，按各网络正常流量对流量进行评分，可在未见网络上以 73.42% 的 F1 检测攻击且无假阳性，而后者为 58.10% 且假阳性率 49.00%，能耗至少低 650 倍。微调模型在告警分类和规则编写上与其在统计上相当，能耗低 5.6 至 59 倍。该工作展示了 LanG 的实际可扩展性，6.4 分钟处理 333 万条记录，每小时超过 3000 万条，其防护措施抵御了提示注入、标签投毒和账本篡改，因此小型本地模型能够以可负担且安全的方式承担大部分 SOC 检测工作。
| 主题： | 人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2610.41072 [cs.AI] |
| （或本版本的 arXiv:2610.41072v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.41072 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Anes Abdennebi [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 23:37:42 UTC（127 KB）
来源：arXiv cs.AI · arxiv.org