arXiv cs.AI· Pedro Beltr\'an-L\'opez, Raul Gonzalez Jimenez, Dario Maddaloni, Manuel Gil P\'erez, Pantaleone Nespoli·· 4 小时前AI 评分38
自适应 LLM 蜜罐 vs. LLM 攻击者:叙事连贯性能否提升欺骗效果?
Adaptive LLM-Driven Honeypots vs. LLM-Driven Attackers: Does Narrative Coherence Improve Deception?
AI 导读
论文提出“叙事欺骗”策略:防御方将攻击者命令映射到 MITRE ATT&CK 技术,从基于 MITRE Engage 的场景库中选取兼容场景,在入侵过程中于仿真 Ubuntu 主机上部署相互引用的文件、进程、服务和日志。
正文 · AI 翻译
摘要:大型语言模型(LLM)使蜜罐能够按需生成响应和欺骗性产物,然而现有方法每次只评估一条回复所生成的内容,并且对于共同描述一个连贯事件的产物是否比不相关的产物更能留住攻击者,仍未有定论。随着由 LLM 驱动的自主攻击型智能体成为现实中的对手,这一问题变得愈发紧迫。本文提出叙事欺骗,这是一种反应式策略:防御方将观察到的每条攻击者命令映射到 MITRE ATT&CK 技术,基于 MITRE Engage 从精选目录中选择兼容场景,并在入侵进行期间于模拟的 Ubuntu 主机上部署相互引用的产物(文件、进程、服务和日志)。由 LLM 驱动的防御方与自主 LLM 攻击者通过真实 SSH 会话进行交互,攻击者的终止策略区分因怀疑欺骗而放弃与因失去兴趣而放弃。一项包含 1,150 个会话的实验活动在四种开放权重攻击者模型、四种防御者模型和三种攻击者技能水平上比较了四种复杂度递增的条件(Static、Same-TTP、Multi-TTP 和 Chain)。参与度在每一步都显著提升。在每次反应使用相同产物预算的情况下,连贯场景将高级攻击者的会话长度中位数从 40 条命令提升到 165 条命令,并将其放弃率从 86% 降至 52%。该效果随攻击者技能提高而增强,在全部十六个模型组合中均成立,且推理成本相当。几乎所有会话都是因失去兴趣而非被检测而结束,这表明欺骗应当维持有意义的发现,而不仅仅是仿真器的保真度。
| 主题: | 密码学与安全(cs.CR);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22589 [cs.CR] |
| (或 arXiv:2611.22589v1 [cs.CR] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22589 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Pedro Beltran [查看电子邮件]
[v1]
2026年11月17日星期二 11:13:12 UTC(275 KB)
来源:arXiv cs.AI · arxiv.org