PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.18190v1cs.CR

다중 소스 사이버보안 로그: ATT&CK 라벨 데이터셋과 SLM 평가

Multi-Source Cybersecurity Logs: An ATT&CK-Labeled Dataset and SLM Evaluation

다단계 사이버 공격은 시스템, 네트워크, 브라우저 로그에 걸쳐 발생한다. 이를 탐지하려면 세 소스 전체에 걸친 이벤트를 상관 분석해야 한다. 머신러닝 방법은 이러한 교차 소스 패턴을 학습할 수 있지만, 라벨이 붙은 다중 소스 데이터가 필요하다. 기존 공개 데이터셋은 이를 충족하지 못한다. CICIDS, UNSW-NB15와 같은 네트워크 전용 데이터셋은 호스트 및 브라우저 활동을 포함하지 않는다. LMDG, CICAPT-IIoT와 같은 호스트 중심 데이터셋은 브라우저 텔레메트리가 없다. ATLAS는 세 소스를 모두 포함하지만 이벤트를 악성/정상으로만 라벨링하며, MITRE 적대적 전술·기법 및 공통 지식(MITRE Adversarial Tactics, Techniques, and Common Knowledge, ATT&CK) 기법 수준의 세분화가 없다. 세 소스를 모두 포함하면서 항목별 ATT&CK 기법 라벨을 제공하는 공개 데이터셋은 없다. 우리는 870개 세션(공격 70, 정상 800)과 약 230만 개 이벤트로 구성된 다중 소스 로그 데이터셋을 구축하여 이 간극을 메운다. Windows 엔드포인트에서 시스템, 네트워크, 브라우저 활동을 동시에 수집했다. 악성 이벤트에는 ATT&CK 기법 ID로 라벨을 부여했으며, 12개 전술과 53개 기법을 포함한다. 원격 접근 트로이목마(Remote Access Trojan, RAT), 명령 및 제어(Command and Control, C2) 터널, 클라우드 유출 등 실제 도구를 사용하여 모든 공격 데이터를 생성했다. 학습 가능성을 입증하기 위해, 저랭크 적응(Low-Rank Adaptation, LoRA)을 사용하여 세 가지 소형 언어 모델(Small Language Model, SLM)(Qwen2.5-1.5B, Llama-3.2-3B, Phi-4-Mini)을 미세조정했다. 두 가지 과제—청크 분류 및 ATT&CK 기법 식별—에서 10개 지표에 걸쳐 각 모델을 기본 변형과 비교했다. 미세조정은 모든 지표에서 모든 모델의 성능을 향상시켰다. 청크 분류 정확도는 기본 변형에서 약 8%에서 미세조정 후 90%에서 97% 사이로 상승했다. 기법 식별은 여전히 어려웠으며, 최고의 정확 일치(exact-match) 정확도는 42%였지만, 높은 부분 일치(partial-match) 점수는 모델이 기저 추론의 대부분을 포착했음을 보여준다.