사이버 위협 인텔리전스(Cyber Threat Intelligence, CTI) 보고서는 실제 공격 과정을 풍부하게 기술하지만, 비구조화된 서술은 자동화된 공격 경로 추론에 바로 활용할 수 없다. 기존 CTI 추출 방법은 지표, 엔티티, TTP 라벨에 초점을 맞추며 각 공격 단계의 실행 조건과 결과 상태를 모델링하지 않기 때문에, 추출된 지식은 상태 매칭이나 다단계 공격 체인에 걸친 도달 가능성(reachability) 분석을 지원하지 못한다. 본 논문은 각 공격 단계를 사전조건, 공격 행위, 사후조건으로 구성된 공격 단위로 모델링하여 도달 가능한 공격 체인을 추출하는 자동화 프레임워크를 제안한다. 대규모 언어 모델(LLM)이 보조하는 다단계 파이프라인은 공격 행위 골격을 추출하고, 이들의 사전조건과 사후조건을 복원하며, 이를 사전 정의된 술어(predicate)로 정규화하고, 끊어진 의존성을 복구한다. 그 결과 생성된 단위는 공격 목표 도달 가능성 추론을 위해 Datalog 스타일 규칙으로 컴파일된다. 334개의 사람 검증 주석 단계를 포함한 20개 CTI 보고서 데이터셋에서, 본 프레임워크는 대표적인 CTI 추출 시스템보다 공격 행위 복원에서 더 높은 주석 단계 커버리지를 달성한다. 또한 사전조건과 사후조건을 명시적으로 생성함으로써, end-to-end LLM 베이스라인이 생성한 것보다 더 완전하고 일관된 공격 단위를 산출한다. 추출된 체인에 대해 Datalog 추론은 20개 보고서 중 19개에서 지정된 공격 목표에 도달하며, 역방향 탐색은 생성된 규칙 하에서 34개의 공격 경로를 산출한다. 소스 코드와 실험 산출물은 익명화된 저장소에서 제공된다.
MITRE Adversarial Tactics, Techniques, and Common Knowledge(ATT&CK)를 이용한 사이버 위협 인텔리전스(CTI) 분류는 선제적 방어에 필수적이지만, 역사적으로 광범위한 인적 노력이 필요했다. 대규모 언어 모델(LLM) 이전의 자동화는 이 과정을 가속했지만, 비구조화 CTI 보고서에서 발견되는 복잡한 언어와 다단계 공격 패턴을 해결하지 못했다. LLM은 맥락적 추론을 통해 비구조화 텍스트를 이해함으로써 이전의 한계를 해소했다. 그러나 현재 평가는 실제 CTI 보고서의 복잡성을 무시하는 단순화된 단일 기법 문장에 의존하며, 이는 종종 과대평가된 성능 결과로 이어진다. 결과적으로, 복잡한 비구조화 CTI 보고서에서 오픈소스 LLM의 기준선 성능은 아직 평가되지 않은 상태이다. 이 공백을 해소하기 위해, 우리는 83개의 복잡한 비구조화 CTI 보고서에서 2,076개의 인간 주석 문장(기법 양성 1,281개, 음성 795개)으로 구성된 정답(ground-truth) 데이터셋을 구축했다. 이 문장들은 6단계 주석 프로세스를 통해 114개의 고유 ATT&CK 기법에 매핑되었으며, 주석자 간 합의도 κ = 0.68을 달성했다. 이 데이터셋을 사용해, 프롬프트 전략과 temperature 구성에 걸쳐 8B부터 236B 매개변수까지 범위의 7개 오픈소스 LLM을 평가했다. 최고 성능 LLM은 micro-averaged F1 점수 0.22를 달성하여, 복잡한 비구조화 CTI에서의 다중 레이블 ATT&CK 분류에 대한 실증적 기준선을 확립했다. 매개변수 크기는 F1 점수와 통계적으로 유의한 양의 상관관계를 보였다. 프롬프트 전략과 temperature는 모델 구성 전반에 걸쳐 통계적으로 유의한 향상을 가져오지 않았다. 이 결과는 현재 오픈소스 LLM이 프로덕션 수준의 ATT&CK 분류에는 불충분함을 나타낸다. 데이터셋, 벤치마크, 그리고 연구 결과는 향후 CTI 연구를 위한 재현 가능한 기반을 제공한다.