基于大模型的 APT 攻击事件抽取及微调安全风险审计

01研究背景

高级持续性威胁(APT)严重威胁国家网络空间安全。近年来 APT 攻击的隐蔽性和复杂性持续提升,传统防御技术往往难以满足高效检测的需求。对 APT 攻击事件进行结构化抽取与理解,是提升检测能力的重要前提——只有把散落在安全报告、博客、论坛中的攻击事件要素(攻击阶段、事件类型、实体属性)自动化地抽取出来,才能支撑后续的关联分析与研判。

同时,大模型在安全领域的应用离不开领域微调,而微调过程本身可能引入安全对齐遗忘、隐私泄露等风险。如何在使用大模型提升检测能力的同时,对微调链路进行系统性安全审计,是 AI 安全交叉研究的重要问题。

02研究问题

本论文聚焦两个核心问题:

• APT 攻击事件的自动化抽取:如何从非结构化中文安全文本中,准确抽取出符合领域本体定义的 APT 攻击事件(事件类型、触发词、实体属性等)?
• 微调链路的安全审计:大模型用于事件抽取往往需要领域微调,而微调过程本身可能引入安全风险(如遗忘安全对齐、隐私泄露)——如何对微调过程进行系统性的安全审计?

03研究方法与贡献

论文的主要贡献如下:

04实验与结果

为验证方法有效性,论文构建了中文 APT 攻击事件抽取数据集:语料来自奇安信、天际友盟、绿盟、深信服、360 等机构共 28 份官方 APT 报告,以及 CSDN 安全博客 895 份、ATT&CK 官网分析样本 1025 份、GitHub APT 数据集 1522 份。经标注与分类,最终得到简单样本 300 份(300 个攻击事件)、复杂样本 500 份(1422 个攻击事件),按 6:2:2 划分为训练 / 验证 / 测试集。

模型选取上,大模型采用 DeepSeek-R1-Distill-Qwen-7B(兼顾推理能力与轻量化部署),小模型采用 Qwen3-0.6B;微调方式为 LoRA 轻量化领域微调,并与 DeepSeek-R1、Kimi 等大模型进行对比实验。实验表明,基于大小模型的联合抽取方案在事件级与属性级指标上均表现卓越:

模型:DeepSeek-R1-Distill-Qwen-7B + Qwen3-0.6B · 对比:DeepSeek-R1、Kimi · 微调:LoRA

05论文信息