تهدیدیابی هوشمند در لاگ های سازمانی با استفاده از مدل های زبانی بزرگ (LLM) تقویت شده و گراف دانش امنیتی

با گسترش زیرساخت های فناوری اطلاعات، حجم لاگ های تولیدشده در سازمان ها به شکل فزاینده ای رشد کرده است. سیستم های سنتی مدیریت اطلاعات و رویدادهای امنیتی (SIEM) به دلیل وابستگی به قوانین از پیش تعریف شده، با چالش هایی نظیر هشدارهای کاذب گسترده و «خستگی از هشدار» مواجه اند که اثربخشی تحلیل گران مراکز عملیات امنیت (SOC) را کاهش می دهد. این مقاله یک معماری نوین برای تهدیدیابی هوشمند ارائه می دهد که از مدل های زبانی بزرگ (LLM) در ترکیب با گراف دانش امنیتی (Security Knowledge Graph) بهره می برد. از آنجا که LLMها مستعد پدیده توهم (Hallucination) بوده و فاقد آگاهی از توپولوژی شبکه سازمان هستند، استفاده از رویکرد تولید تقویت شده با بازیابی مبتنی بر گراف (Graph-RAG) پیشنهاد شده است. در این معماری، گراف دانش به عنوان پایگاه حقیقت عمل کرده و روابط میان موجودیت ها، دارایی ها و شاخص های سازش (IoC) را مدل می کند. نتایج تحلیلی نشان می دهد که ادغام این دو فناوری می تواند ضمن کشف حملات پیچیده و چندمرحله ای نظیر APT، دقت تحلیل را افزایش داده و سرعت پاسخ گویی به حوادث سایبری را بهینه سازد.

کلیدواژه ها:

تهدیدیابی سایبری ، مدل های زبانی بزرگ (LLM) ، گراف دانش امنیتی ، مرکز عملیات امنیت (SOC) ، خستگی از هشدار.