基于联邦检索和增强生成的LLM模型，用于提升能源互联网中的网络威胁检测能力

《IEEE Network》：Federated Retrieval-Augmented Generation-Based LLM for Enhanced Cyber Threat Detection in the Internet-of-Energy

FeRAG系统通过联邦检索增强生成技术提升物联网能环境中的网络安全威胁检测性能，在保障隐私的前提下优化多源数据融合分析，实验表明其检测精度显著优于传统LLM方法。

　　

摘要：

能源互联网（IoE）代表了数字技术和基于人工智能的分析技术与能源基础设施的深度融合，形成了一个智能生态系统，该系统能够优化跨互联电网、可再生资源以及智能消费设备的能源生成、分配和消耗。虽然这种互联互通带来了前所未有的效率提升，但也引入了重大的网络安全风险，因为每个组件都可能成为敌对势力干扰关键操作的入口点。大型语言模型（LLMs）凭借其强大的自然语言理解能力、语义推理能力和稳健的知识表示能力，在解决网络安全问题方面展现出了巨大潜力。然而，LLMs在处理敏感的分布式数据以及在IoE环境中执行实时威胁检测时面临显著的限制。在本文中，我们提出了FeRAG，这是一种基于联邦检索增强生成的LLM系统，用于自主日志分析，旨在提高网络安全威胁检测的性能，同时显著提升检测效率并降低隐私风险。我们使用GPT-3.5-turbo和GPT-4o作为LLM模型对方法进行了评估，实验结果表明FeRAG在网络安全威胁检测的精确度方面优于其他基于LLM的日志分析方法。我们的研究还探讨了通过将LLMs与多种多模态数据源集成来扩展其网络安全能力的前景，从而在不断发展的IoE环境中实现更全面的威胁检测。