Large Language Models for Cyber Security: A Systematic Literature Review

大型语言模型（LLMs）的快速发展为在各个领域，包括网络安全中利用人工智能开辟了新的机会。随着网络威胁的数量和复杂性不断增加，需要智能系统来自动检测漏洞、分析恶意软件并应对攻击。在本次调查中，我们对LLMs在网络安全（LLM4Security）中的应用文献进行了全面的回顾。通过全面收集超过30,000篇相关论文，并系统地分析来自顶级安全和软件工程期刊的127篇论文，我们旨在提供LLMs如何在网络安全领域解决多样化问题的全面视角。通过分析，我们确定了几个关键发现。首先，我们观察到LLMs被应用于广泛的网络安全任务中，包括漏洞检测、恶意软件分析、网络入侵检测和钓鱼检测。其次，我们发现用于训练和评估这些任务中的LLMs的数据集往往规模和多样性有限，突显了需要更全面和代表性的数据集。第三，我们确定了几种有前途的技术，以适应特定的网络安全领域，如微调、迁移学习和领域特定的预训练。最后，我们讨论了LLM4Security未来研究的主要挑战和机遇，包括需要更具可解释性和可解释性的模型、解决数据隐私和安全问题的重要性以及利用LLMs进行主动防御和威胁猎杀的潜力。总的来说，我们的调查提供了LLM4Security当前最先进的综述，并确定了几个有前途的未来研究方向。

综述了大语言模型在网络安全领域的应用现状和未来发展趋势。

大语言模型被广泛应用于网络安全领域，包括漏洞检测、恶意软件分析、网络入侵检测和钓鱼检测等任务。同时，文章指出当前数据集的规模和多样性存在局限性，需要更全面和代表性的数据集。文章还探讨了适应大语言模型到特定网络安全领域的方法，如微调、迁移学习和领域特定预训练等。

文章综述了大量相关文献，分析了当前大语言模型在网络安全领域的应用现状和存在的问题。文章提出了一些有希望的解决方案，并探讨了未来研究的挑战和机遇。

近期的相关研究包括《Deep Learning for Network Security: A Survey》、《A Survey of Deep Learning for Cybersecurity》、《Deep Learning for Cybersecurity: A Review》等。