该论文聚焦于大语言模型（LLM）被引入安全运营中心（SOC）后所引入的新型攻击面。作者指出，将 LLM 用于威胁情报的聚合、解读与优先级排序虽然显著提升了分析效率，但同时也打开了间接提示注入（indirect prompt injection）的通道：攻击者可将恶意指令嵌入系统日志、告警字段等本应被视为"数据"的内容中，借助日志投毒（log poisoning）劫持 LLM 的推理逻辑，进而编排多步骤的"promptware"杀伤链，使 AI 分析代理变成攻击者的执行器。 论文将防御困境概括为一种两难：确定性规则/正则类防御计算开销低但"语义盲"，无法识别语义层面伪装的注入；纯神经网络（如另一个 LLM 做判别或裁判）的语义评估虽然更聪明，却带来不可接受的延迟以及概率性判定带来的漏报与不稳定。 为此，作者提出一种神经-符号（neurosymbolic）纵深防御架构，目标是保障 AI-SOC 流水线的端到端完整性。整体分为两层加一个闭环反馈机制：第一层是确定性预过滤，利用定制化的 SIEM 解析器（decoders）在数据摄入边缘做结构化清洗与规范化，直接中和体积型填充攻击以及基于特征签名的注入；第二层在告警进入 LLM 之前，使用 NeMo Guardrails 对已结构化的 SIEM 告警实施严格的自检式语义边界校验，从而在保留语义理解能力的同时限制模型输出空间。此外，架构集成了闭环遥测系统，把被拦截攻击的可见性直接呈现在 SOC 控制台中，实现人在环（HITL）监督。 实验部分作者按 MITRE ATLAS 分类法组织评估，针对多种提示注入场景进行测试。结果显示该协同方案能有效拆解 promptware 杀伤链，用可验证的约束约束 LLM 的随机性，并为下一代 AI-SOC 提供具备高可观测性的弹性防御机制。

本文提出了一种将生产环境安全信息与事件管理（SIEM）数据转化为可复用网络安全工件的方法论。研究背景是：安全运营中心（SOC）的生产遥测数据是最真实的，但由于隐私和机密性限制，原始日志无法公开，导致安全研究长期依赖合成数据集或过时数据，缺乏现实性。作者来自金融行业SOC和学术机构，他们设计了一个流程：从生产金融SOC中提取SIEM数据，通过匿名化、结构化处理，并严格验证，在声明隐私边界的前提下保留任务相关的调查结构。核心方法包括保持时间顺序和实体一致性，以支持MITRE ATT&CK映射的挑战（HIKARI数据集中的37个挑战）。作者通过两个消费场景评估工件：作为训练材料时，匿名化必须精确保留时间顺序和实体一致性，否则训练效果显著下降；作为测量基座时，在200个SOCpilot事件中，确定性验证器检测到大型语言模型（LLM）的合规动作，而这些动作在人类基线中不存在，揭示了隐私-效用权衡。论文的主要贡献是给出了一个可度量的隐私-效用边界，而非形式化的匿名性声明。本文适合安全研究人员、SOC运营者以及数据隐私工程师阅读，提供了一个从原始生产数据到共享研究数据的可行转换范例。

本文提出 Smart-SIEM，一个为开源 Wazuh SIEM 平台设计的 AI 模块，旨在解决传统基于规则的关联引擎在检测多步 Web 应用攻击时缺乏上下文感知的问题。核心贡献包括：1) 为每个源 IP 构建行为上下文向量，包含 HTTP 响应状态分布、峰值规则触发计数及最近最多 N 个历史事件的 MITRE ATT&CK 技术频率；2) 两级混合级联模型：第一级使用 LightGBM 进行二分类（攻击/正常），第二级使用 XGBoost 进行六类攻击类型分类。实验在 46,454 个精心构造的 Wazuh 安全事件上进行，结果显示上下文特征使所有测试的梯度提升算法在二分类平均宏 F1 从约 0.705 提升至 0.947-0.967（平均增益 +0.254），在六类分类中提升至 0.876-0.914（平均增益 +0.324）。混合级联模型在二分类上达到 0.967 F1，六类分类上达到 0.914 F1。特别地，Wazuh 原生规则引擎对暴力破解和认证破坏事件的检测率为 0%，而 AI 模块分别检测到 100% 和 98.3%。此外，自适应重训练机制能应对概念漂移：当出现未知攻击类型时，F1 从 0.905 降至 0.465，但在合并语料库上重训练后恢复至 0.814。该研究适合 SIEM 安全分析师、AI 安全研究员及 SOC 团队阅读，提供了将行为画像与 MITRE ATT&CK 框架集成到开源 SIEM 中的可行方案。