LLM Evidence Grounding Cyber Threat Intelligence Verification
摘要

从网络威胁情报报告中提取 MITRE ATT&CK 技术是一项开放集多标签任务,需兼顾高召回率与高精确度。现有方法难以两全:规则与监督方法泛化性差,而单步 LLM 方法易产生幻觉且精度不足。本文提出 TTPrint,模仿人类分析师工作流程,采用“先发散后收敛”策略:首先将报告分解为原子行为并广泛生成候选技术;随后通过确定性跨度定位将候选锚定至具体证据窗口;最后在收敛验证阶段,仅保留同时具备局部证据支持且符合权威定义的技术。实验表明该方法在多个基准上显著优于现有基线。

AI 推荐理由

论文提出发散 - 收敛验证框架,核心在于提升 LLM 在证据 grounding 下的逻辑推理与事实核查能力。

研究机构
Virginia Tech Universitas Ary Gunanjar, Jakarta, Indonesia Amazon
论文信息
作者 Yutong Cheng, Changze Li, Raihan Sultan Pasha Basuki, Qian Cui, Wei Ding et al.
发布日期 2026-05-25
arXiv ID 2605.25836
相关性评分 8/10 (高度相关)