Large Language Models are Few-shot Generators: Proposing Hybrid Prompt Algorithm

UnknownBody

于 2024-05-14 10:30:55 发布

阅读量90

点赞数

分类专栏： LLM Daily LLM Prompt 文章标签：语言模型 prompt 人工智能自然语言处理

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/138843127

版权

LLM Daily 同时被 2 个专栏收录

1201 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

LLM Prompt

40 篇文章

订阅专栏

本文提出了一种混合提示算法，利用大型语言模型（如GPT-3.5、GPT-4、code-llama-34B）生成webshell转义样本，解决缺乏复杂恶意特征数据集的问题。实验显示，该算法能有效提高webshell的逃逸率和存活率，同时具有良好的可扩展性和泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《Large Language Models are Few-shot Generators: Proposing Hybrid Prompt Algorithm To Generate Webshell Escape Samples》的翻译。

大型语言模型是小样本生成器：提出混合提示算法生成Webshell Escape样本

摘要
1 引言
2 前言
3 算法设计
4 实验
5 讨论与局限性
6 相关工作
7 结论

摘要

网络攻击的频繁发生，使得webshell攻击与防御逐渐成为网络安全领域的研究热点。然而，由于缺乏公开的基准数据集，以及过度依赖手动定义的webshell转义样本生成规则，导致webshell转义采样生成策略和基于人工智能的webshell检测算法的研究进展缓慢。为了解决webshell样本转义能力较弱、缺乏具有复杂恶意特征的webshell数据集的缺点，并促进webshell检测技术的发展，我们提出了借助大型语言模型生成webshell转义样本的混合提示算法。混合提示算法是专门为webshell样本生成而开发的一种提示算法，它不仅结合了思想链、思想树等多种提示思想，还结合了webshell层次模块、小样本示例等多种组件，便于LLM学习和推理webshell逃生策略。实验结果表明，混合提示算法可以与多个具有良好代码推理能力的LLM协同工作，生成高质量的webshell样本，其逃逸率（在VIRUSTOTAL检测引擎上使用GPT-4模型时为88.61%）和存活率（GPT-4模型时为54.98%）都很高。