Studio Valida la Granularità dei Predicati nella Generazione Automatica di Catene di Attacco

Un'indagine empirica pubblicata su arXiv (2608.00143) esplora come la granularità della rappresentazione dei predicati influenzi la generazione automatica di catene di attacco nella cybersecurity. Questa ricerca contrappone il modello di collegamento delle azioni di attacco a nove categorie (AALM) utilizzato dal sistema AURORA con un modello semplificato a cinque categorie basato sui dati di esecuzione di Atomic Red Team (ART). Utilizzando una pipeline, un Large Language Model (LLM) traduce le tecniche in predicati simbolici, mentre il motore Fast Downward esegue il ragionamento deterministico. I risultati di un dataset di sedici tecniche rivelano che il modello a cinque categorie può eguagliare la validità, il costo e la fedeltà del piano rispetto al modello più dettagliato a nove categorie. Questi risultati implicano che rappresentazioni dei predicati meno granulari potrebbero essere sufficienti per una pianificazione efficace degli attacchi, potenzialmente semplificando i futuri sistemi automatici. Questo studio migliora la pianificazione dell'IA nella cybersecurity offrendo approfondimenti empirici sull'equilibrio tra granularità della rappresentazione ed efficienza della pianificazione.