Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Малые локальные модели смогли взять на себя обнаружение угроз, разбор оповещений и подготовку правил для центра мониторинга ИБ, если право менять защиту остаётся вне модели. В препринте, который не проходил рецензирование и где числа получили сами авторы, LanG 2.0 потратила как минимум в 650 раз меньше энергии, чем Claude Opus 5.5, в задаче поиска атак в незнакомых сетях. Для команды это смещает выбор с точности отдельной LLM на действия, которые система физически не позволит ей выполнить.
Гарантии работают независимо от ответа модели
LanG собирает оповещения, журналы и сетевые потоки в инциденты, сокращает объём свидетельств, связывает события и передаёт ограниченный набор данных агентам. Вывод модели считается подсказкой, а не фактом или командой к исполнению.
Первый барьер встроен в корреляцию. Система связывает два события, только если у них есть общая сущность: адрес, узел, учётная запись, процесс, файл или индикатор компрометации. Близость по времени и совпадение этапов атаки могут усилить связь, но не могут создать её сами. Это мешает модели объединить в одну кампанию похожие, но не связанные оповещения.
Второй барьер отделяет анализ от изменения защиты. Аналитик подтверждает действия, которые влияют на работу центра мониторинга, а разворачивать правила может только один специализированный агент. При автономной обработке система складывает подготовленные правила в очередь и не применяет их до проверки человеком.
Третий барьер — журнал действий, в котором заметна подмена. Записи образуют цепочку, подписываются секретным ключом, а контрольные значения сохраняются вне основной базы. Поэтому редактирование, удаление, перестановка записей и откат к старой копии можно обнаружить, если злоумышленник не получил ключ и доступ к внешнему хранилищу.
Фильтры входных данных здесь служат дополнительным слоем, а не гарантией. Инструкции, подложенные в телеметрию, иногда меняли приоритет и оценку риска, однако ни одна из 30 атак не превратилась в доброкачественное событие, и каждый процесс дошёл до аналитика. Защита сработала не потому, что модель распознала манипуляцию, а потому, что её вывод не давал права скрыть инцидент или выпустить правило.
Малые модели справились с узкими решениями, но не со всей аналитикой
Привязка к сущностям подняла точность корреляции многоэтапных кампаний с 18,75% до 51,81%. Результат всё ещё оставляет заметную долю неверных связей, поэтому граф свидетельств сокращает работу аналитика, но не заменяет расследование.
При поиске атак в сети, которой не было в обучении, LanG сравнивала потоки с профилем нормального трафика конкретной организации. F1-мера, которая сводит в один показатель полноту и точность, достигла 73,42% без ложных срабатываний. Claude Opus 5.5 получила 58,10% при доле ложных срабатываний 49%.
Дообученные локальные модели статистически сравнялись с Claude Opus 5.5 при классификации оповещений и написании правил. Классические алгоритмы тоже не уступили LLM в части узких задач. Иной результат дала классификация семейства атаки в новой сети: знания из других организаций переносились плохо, поэтому здесь нужен внешний образец или локальная разметка.
Менять стоит схему полномочий, а не только модель
Проверка охватила восемь наборов сетевых потоков из пяти сетей, реальные оповещения Microsoft Defender XDR и сгенерированные многоэтапные кампании. Производительность измеряли на одной рабочей станции. Это испытание методов и защитных механизмов, а не замер работы аналитиков в промышленном центре мониторинга.
Модель угроз предполагает доверенный сбор телеметрии, корректные временные метки и наличие хотя бы части действий атакующего в одном источнике. Поэтому архитектура не решает подмену журналов до их попадания в LanG и уклонение от исходных средств обнаружения. Она ограничивает ущерб после того, как потенциально враждебные данные вошли в агентный процесс.
Командам, которые строят подобную систему, работа даёт практическое разделение задач. Локальной модели можно поручить ограниченную классификацию, разбор небольшого набора событий и черновики правил. Для каждого клиента стоит отдельно хранить профиль нормального трафика, иначе модель запомнит особенности учебной сети вместо признаков атаки.
Название семейства атаки в новой сети следует оставлять внешней модели или аналитику, пока организация не накопит около 50 локальных меток. После этого специализированную модель можно дообучить на данных площадки и снова проверить на отложенной выборке.
Если агент сейчас может одновременно анализировать телеметрию и применять собственное правило, замена большой модели на малую не исправит главный риск. Сначала нужны раздельные полномочия, очередь подтверждения, единственная точка развёртывания и журнал с внешним якорем. Экономия на модели становится безопасной только после того, как качество её ответа перестаёт быть единственной защитой системы.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
