【AI安全论文】ESWA25评估大模型在真实攻击活动中的恶意代码解混淆能力
💡
原文中文，约8300字，阅读约需20分钟。
📝
内容提要
本文研究了大型语言模型（LLM）在Emotet恶意软件解混淆中的应用。结果显示，LLM在提取恶意脚本中的URL和域名方面表现良好，准确率分别为69.56%和88.78%。尽管模型尚不完美，但其在自动化威胁情报中的潜力显著，有望提升网络安全分析的效率与准确性。
🎯
关键要点
- 本文研究了大型语言模型（LLM）在Emotet恶意软件解混淆中的应用。
- LLM在提取恶意脚本中的URL和域名方面表现良好，准确率分别为69.56%和88.78%。
- 尽管模型尚不完美，但其在自动化威胁情报中的潜力显著。
- LLM能够有效去除载荷混淆，提升网络安全分析的效率与准确性。
- 研究强调了针对特定任务进行模型微调的重要性。
- 本文首次在大规模真实世界数据集上系统性应用LLM开展恶意脚本去混淆研究。
- 实验结果显示，GPT-4在准确率与稳定性方面显著领先于其他模型。
- LLM在恶意代码分析中展现出强大的潜力，尤其是在处理复杂混淆技术时。
- 未来研究应集中于降低幻觉现象、优化训练数据质量和探索轻量化模型。
- LLM可作为传统分析工具的重要补充，提升恶意软件分析与威胁情报流程的自动化程度。
❓
延伸问答
大型语言模型在恶意代码解混淆中的应用效果如何？
大型语言模型在提取恶意脚本中的URL和域名方面表现良好，准确率分别为69.56%和88.78%。
研究中使用了哪些大型语言模型进行恶意代码解混淆？
研究中使用了GPT-4、Gemini Pro、Code Llama和Mixtral四种大型语言模型。
LLM在恶意代码分析中有哪些潜在优势？
LLM能够有效去除载荷混淆，提升网络安全分析的效率与准确性，尤其在处理复杂混淆技术时表现出强大潜力。
研究强调了什么关于模型微调的重要性？
研究强调了针对特定任务进行模型微调的重要性，以提升LLM在恶意代码解混淆中的表现。
未来的研究方向有哪些？
未来研究应集中于降低幻觉现象、优化训练数据质量和探索轻量化模型。
GPT-4在恶意代码解混淆中的表现如何？
GPT-4在准确率与稳定性方面显著领先于其他模型，尤其在提取域名时表现最佳，准确率高达88.78%。
➡️
