arXiv 2603.17784
초록 정보가 없습니다.
이 이메일 도메인이 관측된 논문 4건
초록 정보가 없습니다.
Constrained-Action AI Remediation for SIEM/XDR via a NeMo-Guardrails Proxy
정보기술(IT) 및 운영기술(OT) 보안관제센터(SOC)는 상관관계가 분석된 경보의 쇄도와 분석가 부족이라는 공통적인 침해사고 대응 문제에 직면해 있습니다. 대규모 언어 모델(LLM)은 경보를 분류하고, 자율 운영 환경에서는 운영 호스트의 IP를 차단하거나 프로세스를 강제 종료하고 파일을 격리하는 명령을 내리는 추론 엔진으로 점점 더 많이 제안되고 있습니다. 그러나 이러한 결합은 새로운 위험을 초래합니다. 단 하나의 적대적 경보가 LLM의 추론을 거쳐 원격 코드 경로로 악용될 수 있으며, 그 결과 SOC가 실행하는 조치를 LLM이 권고하도록 유도할 수 있습니다. 본 논문에서는 두 개의 조율된 계층으로 구성된 제약 행동(constrained-action) 아키텍처를 제시합니다. (i) 상관관계가 분석된 호스트 이벤트에 치료(remediation)를 그라운딩(grounding)하고, 인자 검증기(argument validator)의 지원을 받아 경량 엔드포인트 에이전트가 템플릿화된 명령을 실행하는 폐쇄형 의도 어휘 집합으로 LLM 출력을 제한하는 SIEM/XDR 제어 평면, 그리고 (ii) 본 연구에서 공개하는 SOC 특화 적대적 코퍼스를 대상으로 기본 설정 그대로 평가되었으며, SOC 분석가 LLM을 입력 및 출력 레일 정책으로 감싸는 NeMo-Guardrails 프록시입니다. 기본 제공 프록시는 0.1%의 위양성률에서 인젝션 재현율을 25.0%에서 94.5%로 향상시키며, 실전 레드팀 테스팅(red-teaming) 훈련을 통해 폐쇄형 의도 어휘와 인자 검증기가 어떤 명령도 신뢰 경계를 넘기 전에 관찰된 LLM 실패 모드를 차단함을 확인했습니다. 아키텍처적 적합성 관점에서(실제 운영기술 환경에 배포하여 측정한 것은 아님), 이러한 제약 행동 특성은 잘못된 치료 조치가 단순한 운영상의 문제를 넘어 물리적 영향을 미칠 수 있는 중요 인프라 환경에 적합합니다. 다만 측정된 레일 지연 시간으로 인해 인라인 제어는 범위를 벗어나므로, 이 루프는 인간 참여형(human-in-the-loop) 또는 지연 실행 방식으로 운영하는 것이 가장 적합합니다.
Explainable Rule Mining of IPv6 Extension-Header Presence Patterns from Paired-Vantage Captures
단편화(fragmentation), 세그먼트 라우팅(segment routing), 인시츄 텔레메트리(in-situ telemetry)와 같은 IPv6 확장 헤더(EH)는 운영상 중요하지만 전송 중에 널리 드롭(drop)되며, 패킷 캡처로부터 이러한 동작을 특성화하는 것은 반복적으로 발생하는 측정 문제이다. 우리는 설명 가능한 마이너(miner)가 EH 동작에 대한 사람이 읽을 수 있는 규칙을 복원할 수 있는지를 묻고, 재사용 가능한 두 가지 도구를 제시한다: 마이닝된 "시간적(temporal)" 네트워크 규칙이 진정한 패킷 간(cross-packet) 동역학을 반영하는지 아니면 단순한 패킷 내(within-packet) 동시 발생을 반영하는지를 진단하는 음성 대조(negative-control) 프로토콜, 그리고 발신자 조건부(sender-conditioned)의 패밀리별 EH 유지(retention) 측정이다. 해석 가능한 시간 논리(temporal-logic) 규칙 마이너를 JAMES 페어드-밴티지 데이터셋에 적용하여, 우리는 이식 가능한(portable) Fragment-EH 규칙을 복원하였는데, 해당 프로토콜은 이 규칙이 시간적 패턴이 아니라 패킷 내의 거의 정의상(near-definitional) 동시 발생임을 드러낸다. 따라서 시간 논리 기법은 이 지배적인(dominant) 규칙에 대해 아무런 역할도 하지 못하며, 유지 측정은 독립적으로 EH 관측 가능성(observability)에 대한 예상된 윈도우 내(within-window) 순서를 복원한다. 따라서 우리의 주요 결과는 실행된 결정 트리(decision-tree) 및 대규모 언어 모델(LLM) 베이스라인에 의해 뒷받침되는, 정직하고 통제된 부정적 결과(negative finding)이다: 평가된 JAMES 트레이스에서 네트워크-시간적 구조는 지배적인 Fragment-EH 신호를 전달하지 않으며, 우리는 이것이 언제 성립할 수 있는지를 확립하는 대조군을 제공하고, 이는 진정한 패킷 간 의존성을 포함하는 합성 양성 대조(synthetic positive control)로 검증되었다.
Confidence-Aware Teacher-Student Distillation for 3D Medical Segmentation
의료 이미지 분할 모델은 일반적으로 대량의 밀집 주석이 달린 체적 데이터에 의존하여, 작업과 영상 방식 전반에 걸친 확장성을 제한한다. 본 연구는 극단적인 주석 희소성 하에서 전체 3D 해부학적 구조를 예측하는 문제를 다룬다. 체적당 단일 2D 슬라이스에 점 프롬프트(point prompt) 집합만 입력으로 요구하는, 자동 3D 의료 분할용 주석 효율적 교사-학생 프레임워크를 제안한다. 파운데이션 모델이 오프라인 교사로 작동하며, 선택된 슬라이스의 점 프롬프트를 이용해 학생 학습 전에 전체 체적 의사 주석과 이에 대응하는 공간적 신뢰도 점수를 생성한다. 노이즈가 있는 의사 주석의 오류 전파를 줄이기 위해, 과제별 3D 학생 네트워크를 신뢰도 인식 최적화(optimization) 전략으로 학습한다. 교사의 사전 계산된 신뢰도 점수를 활용해, 이 전략은 의사 주석 중 정적으로 불확실한 영역을 손실(loss) 계산에서 명시적으로 제외하고, 동시에 신뢰도가 더 높은 영역을 강조한다. 3D 심장 MRI 데이터셋(dataset)에서 평가한 결과, 제안 프레임워크는 최신 준지도(semi-supervised) 방법을 능가하며 이미지 분할 성능을 최대 43.6% 향상시킨다. 또한 체적당 소수의 양성 점 프롬프트만으로 수동 주석 부담을 크게 줄이면서, 교사 대비 표면 경계 정밀도(precision)를 최대 14.7% 개선하고, 완전 지도 학습 상한 대비 성능 격차의 최대 34.1%를 회복한다.