Towards Hierarchical Cyber Defense with Large Language Models: From Planning to Execution
本篇论文研究自主网络防御中强化学习(RL)防御智能体的泛化瓶颈：用 RL 训练出的自主防御者通常与其训练所在的网络绑定，一旦网络规模发生变化，策略能力就会下降，往往需要按新规模重新训练。分层强化学习通过把"战略层目标选择"与"战术层动作执行
#mitre-attack
共收录 11 条相关情报。
← 返回所有主题Learning Intrusion Response Strategies for OT Systems
该论文面向工业控制系统（OT，Operational Technology）的自动化入侵响应问题。OT 系统负责监控和控制电力、水务、制造等关键工业过程，一旦遭受网络攻击，可能直接影响社会基础服务的可用性与安全性，因此仅靠人工响应已难以满足
A Decade of Healthcare Cyber Threats: Empirical Analysis, Evidence-Based Prioritisation, and AI Threat Model
本研究针对医疗行业网络威胁在2017至2024年间的发展趋势进行了首次大规模、多源实证分析。研究整合了MITRE ATT&CK行为框架、CISA已知已利用漏洞目录（KEV）和NIST国家漏洞数据库（NVD）三个权威数据源，共收集1,214条
Multi-LLM Consensus Framework for Evaluating Banking-Sector NIDS Dataset Coverage of MITRE ATT&CK Techniques
该论文针对全球银行网络面临的高级持续性威胁(APT)问题，指出现有网络入侵检测系统(NIDS)在标准基准上表现良好，但在真实银行运营环境中往往失效，主要原因在于通用数据集缺乏金融行业特有的攻击模式，例如与SWIFT和ATM相关的入侵行为。为
TRACE-CTI: Auditable Post-Extraction Governance of TTP Claims with Knowledge Graphs
安全运营中心（SOC）越来越依赖自动化工具将网络威胁情报（CTI）报告映射到MITRE ATT&CK框架，但提取器的输出仍然存在错误，且通常不附带证据、溯源和验证历史，导致难以判断单个映射的可信度。本文提出TRACE-CTI，一个事后提取声
Fully Automated End-to-End Adversary Emulation from MITRE ATT\&CK Based Cyber Threat Intelligence Using LLMs
该论文提出了一种基于大语言模型（LLM）的端到端全自动对手模拟框架，能够从符合MITRE ATT&CK框架的网络威胁情报（CTI）报告中自动生成并执行对手模拟剧本，并在执行失败时自动恢复。与以往工作（如AURORA）需要手动干预或部分自动化
CVE-TTP KG: Knowledge Graph Linking Software Vulnerabilities to Attack Behaviors
本文针对当前威胁环境中，CVE/NVD 等漏洞数据库缺乏与攻击者行为（如 MITRE ATT&CK 战术和技术）的显式关联，导致安全团队难以快速理解漏洞的实际利用后果问题，提出了一种将软件漏洞与攻击行为模式链接的知识图谱构建方法。作者首先构
Agentra: A Supervisable Multi-Agent Framework for Enterprise Intrusion Response
企业入侵响应仍依赖于静态剧本和安全分析师的手动操作，导致从告警生成到威胁遏制之间存在严重延迟。为此，本文提出Agentra——一个可监督的多智能体入侵响应系统框架。Agentra以MITRE ATT&CK、MITRE D3FEND和NIST
AutoSUT: The Environment Semantics Gap in Structured CTI for Adversary Emulation
该论文研究了结构化网络威胁情报（CTI）在对手模拟、检测评估和网络靶场设计中的应用，重点探讨了目标系统测试环境（SUT）与公开CTI描述之间的语义差距。作者通过分析MITRE ATT&CK的STIX数据包（覆盖企业、移动、工业控制系统等场景
reconCTI: A Proactive Approach to Cyber-Threat Intelligence
随着信息技术的快速发展，传统线下模式向高效互联的线上环境转变，但同时也带来了身份盗窃、冒充和网络钓鱼等网络威胁的增加。侦察（即信息收集）是攻击者的关键阶段，通常利用开源情报（OSINT）来收集目标的敏感和广泛信息。为应对这一挑战，本研究提出
Machine Learning Based Approach for the Automated Mapping of Discovered Vulnerabilities to Adversial Tactics.
该论文提出了一种基于机器学习的方法，用于自动将新发现的漏洞映射到 MITRE ATT&CK 框架中的对抗战术。背景在于，网络防御者需要识别并修复漏洞，但漏洞数量激增且修复资源有限，因此有必要根据漏洞可能被利用的战术来优先处理。作者将漏洞映射