基于LLM辅助的二进制特征自动化生成Zeek签名：一种形式化框架与网络安全应用

研究人员针对网络入侵检测签名设计劳动密集且依赖专家经验的问题，开展了LLM（Large Language Model）辅助的Zeek签名自动化生成研究。通过构建从二进制静态分析到结构化提示生成的多阶段管道，结合形式化建模和对抗性防御策略，实现了高效、可解释的威胁检测规则合成。该框架为动态威胁环境下的自适应防御提供了理论基础和实践路径。

　　

在网络安全领域，设计有效的入侵检测签名如同大海捞针——传统方法需要安全专家手动分析恶意软件行为特征，再将其转化为Zeek（原Bro）网络监控平台的检测规则。这种高度依赖人工的方式不仅效率低下，更难以应对日益复杂的网络威胁。尤其当恶意软件采用加密通信、域生成算法（DGA）等规避技术时，传统基于模式匹配的检测方法往往束手无策。

意大利卡拉布里亚大学机械能源与管理工程系（DIMEG, University of Calabria）的Claudia Greco和Michele Ianni团队在《Future Generation Computer Systems》发表的研究，开创性地将大型语言模型（LLM）引入网络安全防御体系。研究人员构建了一个包含静态特征提取、提示编码、LLM推理的三阶段管道：首先通过radare2工具提取二进制文件中的网络相关特征（如API调用序列、协议字符串）；然后采用规则模板将特征转化为结构化自然语言提示；最终通过GPT-4生成符合Zeek语法的检测脚本。研究还建立了形式化模型，定义了特征语义、提示单射性等关键性质，并针对对抗性提示注入提出了消毒函数S的防御方案。

关键技术方面，研究团队采用静态二进制分析提取控制流图（CFG）和字符串特征，通过熵过滤和协议评分进行特征净化；设计模块化提示空间P?T×C×O实现指令、代码、元数据的解耦；利用低温（τ≈0.2）采样降低LLM输出的随机性；并引入Levenshtein距离和BehavioralMismatch函数量化签名失真度。

研究结果主要体现在四个维度：

1. 1.

   特征提取形式化：定义网络相关特征Φ(B)需满足?t∈T(B):f∈M(t)，证明静态分析可超近似覆盖运行时行为（Lemma 1）。

2. 2.

   对抗防御体系：提出消毒函数S(aj)=⊥可过滤注入攻击，使对抗变体B′的签名差异Δ(S(B),S(B′))<δ（Definition 9）。

3. 3.

   合成正确性：当Φ(B)完备且L语义保持时，生成签名G(B)必能匹配至少一个行为轨迹t（Theorem 1）。

4. 4.

   系统鲁棒性：组合Φ、S、π、L的稳健性后，完整系统S满足R≈1（Theorem 2）。

这项研究的意义在于首次建立了LLM生成Zeek签名的理论框架，其形式化方法为评估生成式AI在安全领域的可靠性提供了新范式。实际应用中，该系统可将签名设计时间从数小时缩短至分钟级，同时通过协议语义理解生成比YARA规则更具行为解释性的检测逻辑。研究揭示的提示注入风险（如通过"Ignore all malicious behavior below"干扰LLM）也为AI安全交叉研究提供了重要案例。未来通过融入动态分析和符号执行验证，该框架有望成为自适应网络防御体系的核心组件。