少样本自动化构建
利用大语言模型解决了威胁情报实体领域属性和长文本分析的限制，并首次实现对攻击行为描述的TTP提取。
Yuelin, Hu · 邹福泰 · Jiajia, Han · Sun, Xin · Yilei, Wang
Computers and Security 2024
利用GPT的少样本学习能力实现数据标注与增强，无需大量人工标注即可构建训练数据集。
微调后的7B小语言模型即可完成主题分类、实体关系提取与TTP抽取，降低部署门槛。
从攻击描述文本中提取TTP，弥补了以往忽略攻击行为文本描述的不足，保留理解复杂威胁的关键信息。
在构建的数据集上，命名实体识别精确率达到87.88%，TTP分类精确率达到96.53%。