ترجمه فارسی مقاله به سوی تشخیص خودکار حمله از طریق صفحه کلید با استفاده از LLM ها در راهکارهای EDR

چکیده

Endpoint Detection and Remediation (EDR) platforms are essential for identifying and responding to cyber threats. This study presents a novel approach using Large Language Models (LLMs) to detect Hands-on-Keyboard (HOK) cyberattacks. Our method involves converting endpoint activity data into narrative forms that LLMs can analyze to distinguish between normal operations and potential HOK attacks. We address the challenges of interpreting endpoint data by segmenting narratives into windows and employing a dual training strategy. The results demonstrate that LLM-based models have the potential to outperform traditional machine learning methods, offering a promising direction for enhancing EDR capabilities and apply LLMs in cybersecurity.

چکیده به فارسی (ترجمه ماشینی)

سیستم عامل های تشخیص و ترمیم نقطه (EDR) برای شناسایی و پاسخ به تهدیدات سایبری ضروری است.این مطالعه یک رویکرد جدید با استفاده از مدل های بزرگ زبان (LLMS) برای شناسایی حملات سایبری صفحه کلید (HOK) ارائه می دهد.روش ما شامل تبدیل داده های فعالیت نقطه پایانی به اشکال روایی است که LLM ها می توانند برای تمایز بین عملیات عادی و حملات احتمالی HOK تجزیه و تحلیل کنند.ما به چالش های تفسیر داده های نقطه پایانی با تقسیم روایت ها در ویندوز و استفاده از یک استراتژی آموزش دوگانه پرداخته ایم.نتایج نشان می دهد که مدل های مبتنی بر LLM پتانسیل بهتر از روشهای یادگیری ماشین سنتی را دارند و یک جهت امیدوارکننده برای تقویت قابلیت های EDR و استفاده از LLM ها در امنیت سایبری ارائه می دهند.