Using Retriever Augmented Large Language Models for Attack Graph Generation

📄 arXiv: 2408.05855v1 📥 PDF

作者: Renascence Tarafder Prapty, Ashish Kundu, Arun Iyengar

分类: cs.CR, cs.LG

发布日期: 2024-08-11

💡 一句话要点

利用检索增强的大语言模型自动生成攻击图，提升网络安全态势感知。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 攻击图生成 大型语言模型 网络安全 漏洞管理 威胁建模 CVE 安全态势感知

📋 核心要点

  1. 传统攻击图生成依赖专家知识和手动分析，难以应对漏洞和攻击的快速演变，覆盖范围有限。
  2. 该论文提出利用大型语言模型（LLM）自动生成攻击图，通过智能链接CVE和分析威胁报告，降低人工成本。
  3. 论文验证了LLM在攻击图生成方面的潜力，但具体的实验结果和性能提升幅度未知。

📝 摘要（中文）

随着现代系统复杂性的增加，通过有效的漏洞管理和威胁建模技术评估其安全态势变得越来越重要。攻击图是网络安全专业人员的重要工具，它表示系统中所有潜在的攻击路径，攻击者可能利用这些路径来实现特定目标。传统的攻击图生成方法涉及专家知识、手动管理和计算算法，但由于漏洞和攻击的不断演变，这些方法可能无法覆盖整个威胁环境。本文探讨了利用大型语言模型（LLM），如ChatGPT，通过智能地链接基于其前提条件和影响的常见漏洞和暴露（CVE），来自动生成攻击图的方法。它还展示了如何利用LLM从威胁报告中创建攻击图。

🔬 方法详解

问题定义：当前网络安全态势感知中，攻击图的构建至关重要，但传统方法依赖人工和特定算法，无法有效应对新型漏洞和复杂攻击场景，存在覆盖率不足和更新滞后的问题。

核心思路：利用大型语言模型（LLM）的自然语言理解和生成能力，自动从CVE描述和威胁报告中提取攻击路径信息，并将其转化为攻击图。这种方法旨在减少人工干预，提高攻击图生成的效率和覆盖范围。

技术框架：该方法主要包含两个阶段：1) 基于CVE的攻击图生成：LLM分析CVE的描述，提取攻击的前提条件和结果，构建CVE之间的依赖关系，形成攻击路径。2) 基于威胁报告的攻击图生成：LLM解析威胁报告，识别攻击者的目标、使用的技术和已知的漏洞，构建针对特定威胁场景的攻击图。

关键创新：该方法的核心创新在于将LLM应用于攻击图生成，利用LLM的知识推理能力自动发现潜在的攻击路径，无需人工定义规则或依赖预定义的攻击模式。这使得攻击图能够更全面地反映系统的安全风险。

关键设计：论文中未详细描述LLM的具体选择、提示工程（prompt engineering）策略、以及如何处理LLM生成结果中的噪声和不确定性。这些是影响攻击图质量的关键设计因素，具体实现细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了利用LLM生成攻击图的可行性，但缺乏具体的实验数据和性能指标。未来的研究需要进一步评估LLM生成的攻击图的准确性、完整性和效率，并与传统方法进行比较，以验证其优越性。具体的性能数据、对比基线、提升幅度等未知。

🎯 应用场景

该研究成果可应用于自动化渗透测试、漏洞管理、威胁情报分析和安全态势感知等领域。通过自动生成攻击图，安全团队可以更快速地识别潜在的攻击路径，评估系统的安全风险，并制定相应的防御策略。该技术有助于提高网络安全防御的效率和有效性。

📄 摘要（原文）

As the complexity of modern systems increases, so does the importance of assessing their security posture through effective vulnerability management and threat modeling techniques. One powerful tool in the arsenal of cybersecurity professionals is the attack graph, a representation of all potential attack paths within a system that an adversary might exploit to achieve a certain objective. Traditional methods of generating attack graphs involve expert knowledge, manual curation, and computational algorithms that might not cover the entire threat landscape due to the ever-evolving nature of vulnerabilities and exploits. This paper explores the approach of leveraging large language models (LLMs), such as ChatGPT, to automate the generation of attack graphs by intelligently chaining Common Vulnerabilities and Exposures (CVEs) based on their preconditions and effects. It also shows how to utilize LLMs to create attack graphs from threat reports.