Yifan Wang, Dongliang Xu, Xiaoyong Li, Jing Li, Peter S. Pan, Yue Yao · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31000 · open-access PDF
Les grands modèles linguistiques (LLM) ont montré un fort potentiel pour la cybersécurité, ce qui a entraîné un intérêt croissant pour l'analyse automatique des journaux de cybersécurité basée sur le LLM. Cependant, les ensembles de données actuels (1) sont limitées à l'échelle; (2) s'appuient principalement sur des preuves de source unique; et (3) n'ont que des étiquettes d'attaque binaires ou multi-classe, sans annotations dense du processus de raisonnement. Pour répondre à ces limitations, SecLog-Bench a trois caractéristiques clés. Premièrement, nous construisons une plate-forme de simulation extensible qui couvre 29 scénarios d'attaque, prend en charge l'exécu
Machine translation (Meta M2M100); the English original follows.
Large language models (LLMs) have shown strong potential for cybersecurity, leading to growing interest in LLM-based automated cybersecurity log analysis. However, current datasets (1) are limited in scale; (2) rely mainly on single-source evidence; and (3) have only binary or multi-class attack labels, without dense annotations of the reasoning process. To address these limitations, SecLog-Bench has three key features. First, we build an extensible simulation platform that covers 29 attack scenarios, supports repeated execution and the integration of new scenarios, and enables scalable genera
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31000, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange