第23期 | GPTSecurity周报

GPTSecurity是一个涵盖了前沿学术研究和实践经验分享的社区，集成了生成预训练 Transformer（GPT）、人工智能生成内容（AIGC）以及大型语言模型（LLM）等安全领域应用的知识。在这里，您可以找到关于GPT/AIGC/LLM最新的研究论文、博客文章、实用的工具和预设指令（Prompts）。现为了更好地知悉近一周的贡献内容，现总结如下。

Security Papers

1. DIVAS: An LLM-based End-to-End Framework for SoC Security Analysis and Policy-based Protection

简介：在这项工作中，研究者提出了一个名为DIVAS的新框架，它利用LLM的知识库从用户定义的单片系统规范中识别安全漏洞，将它们映射到相关的通用弱点枚举（CWE），并通过执行安全策略来采用安全措施。从开源单片系统SoC基准测试中获得的实验结果证明了我们提出的框架的有效性。

链接：

https://arxiv.org/pdf/2308.06932.pdf

2. ChatGPT的软件包推荐是可信赖的吗？

简介：在这项研究中，研究者发现攻击者可以很容易地使用ChatGPT来帮助他们将恶意软件包传播到开发人员的环境中。考虑到人工智能技术在各领域的广泛采用，研究者认为，向网络和IT安全专业人员发出预警是必要、及时和适当的。

链接：

https://vulcan.io/blog/ai-hallucinations-package-risk

3. LLM Platform Security: Applying a Systematic Evaluation Framework to OpenAI's ChatGPT Plugins

主页：https://llm-platform-security.github.io/chatgpt-plugin-eval

开源项目：[chatgpt-plugin-eval]

https://github.com/llm-platform-security/chatgpt-plugin-eval

简介：在本文中，研究者提出了一个框架，为LLM平台设计者分析和改进当前和未来插件集成LLM平台的安全性、隐私性和安全性奠定了基础。作为迭代过程的一部分，研究者将该框架应用于OpenAI的插件生态系统中。最后，本文讨论了新的挑战，并提出了改进当前和未来基于LLM的计算平台的安全性、隐私性和安全性的建议。

链接：

https://arxiv.org/pdf/2309.10254v1.pdf

4. LogGPT: Log Anomaly Detection via GPT

简介：最近，深度学习模型已被广泛用于日志异常检测。其核心思想是将日志序列建模为自然语言，并采用深度序列模型，如LSTM或Transformer，通过语言建模对日志序列中的正常模式进行编码。然而，语言建模和异常检测之间存在差距，因为通过语言建模类训练序列模型的目标与异常检测没有直接关系。为了填补这一空白，研究者提出了LogGPT，这是一种利用GPT进行日志异常检测的新框架。在三个数据集上的实验结果表明，LogGPT显著优于现有的最先进的方法。

链接：

https://browse.arxiv.org/pdf/2309.14482.pdf

5. Cyber Sentinel: Exploring Conversational Agents’ Role in Streamlining Security Tasks with GPT-4

简介：本文介绍了Cyber Sentinel，这是一个以创新任务为导向的网络安全对话系统，能够有效地管理两个核心功能：向用户解释组织内潜在的网络威胁，以及在用户指示时采取主动/被动的安全行动。最终结论显示，该框架不仅提高了系统的透明度，而且简化了决策过程和应对威胁响应过程，在网络安全通信领域取得了重大进展。

链接：

https://browse.arxiv.org/pdf/2309.16422.pdf