MEvince：用知识约束的 LLM 推理从恶意软件报告中识别 ATT&CK 技术

查看 PDF HTML（实验性）

摘要：将恶意软件分析报告中的行为情报映射到 ATT&CK 技术有助于威胁分析与防御，但可靠识别仍具挑战性。支撑证据往往分散在冗长、异构的报告中，而密切相关的技术在行为线索上相似，仅在细微但决定性的细节上存在差异。尽管大语言模型（LLM）可以利用外部知识解读报告，但它们可能基于看似合理的关联而非充分证据来分配技术。我们提出 MEvince，一个知识约束的 LLM 推理框架，用于报告级恶意软件技术识别。其核心是连接报告观察与技术定义的共享行为表示。该表示通过智能体挖掘技术文档构建，并支持两个在线阶段：1）原语引导的抽取使用行为原语来结构化 LLM 抽取的观察，将其链接到源段落，并对分散的证据进行分组；2）证据对齐检索通过相同的概念将此证据与技术画像匹配，保留可能的候选和易混淆的替代项，供 LLM 比较区分性行为。两个阶段的控制机制验证证据引用并检查技术特定要求。该表示还支持无需参数更新的适配，其中离线智能体审计诊断概念弱点并改进抽取或检索策略。我们使用 MITRE ATT&CK 引用的 610 份公开恶意软件报告数据集，将 MEvince 与涵盖四个方法家族的 11 个基线进行评估。MEvince 将精确 ID F1 较最强基线提升 17.4%，其概念引导检索将金标签候选覆盖率从 31.6% 提升至 47.9%。在小型适配集下，离线改进带来进一步增益，并优于更新模型参数的基线。

提交历史

来自：Yiling He [查看电子邮件]
[v1] 2026年11月5日星期四 05:45:20 UTC（476 KB）