针对数字取证对大型语言模型进行微调：案例研究及通用建议

《Digital Threats: Research and Practice》：Fine-Tuning Large Language Models for Digital Forensics: Case Study and General Recommendations

大型语言模型（LLMs）在数字取证中的应用尚存不足，本文提出LLMs微调建议并验证其有效性。通过聊天摘要案例研究展示微调模型在证据整理中的潜力，对比评估多组模型性能，发现领域知识注入可提升任务准确率至89.7%。

　　

摘要

大型语言模型（LLMs）在各个领域迅速获得了普及，包括数字取证（DF）。在这些领域中，LLMs 有潜力加速调查流程。尽管已有许多研究探索了 LLMs 在证据识别、文物分析以及报告撰写等任务中的应用，但针对特定取证场景对模型进行微调的研究仍然较少。本文旨在填补这一空白，提出了针对数字取证任务对 LLMs 进行微调的建议。通过一个聊天摘要的案例研究来展示这些建议的可行性，我们评估了多个经过微调的模型以评估它们的性能。研究最后总结了从该案例研究中获得的经验教训。