PLLM-CS: Pre-trained Large Language Model (LLM) for Cyber Threat Detection in Satellite Networks

卫星网络在为各种关键基础设施提供通信服务方面至关重要。这些网络可以与各种系统无缝集成。然而，由于缺乏有效的入侵检测系统，其中一些系统容易受到攻击，这可以归因于有限的研究和部署、微调、监测和应对安全漏洞所涉及的高成本。为了解决这些挑战，我们提出了一种预训练的大型语言模型（PLLM-CS），它是预训练变压器的变体，包括一个专门的模块，用于将网络数据转换为上下文适当的输入。这种转换使得所提出的LLM能够在网络数据中编码上下文信息。为了验证所提出的方法的有效性，我们使用两个公开可用的网络数据集UNS_NB 15和TON_IoT进行了实证实验，两个数据集都提供了基于物联网（IoT）的流量数据。我们的实验表明，所提出的LLM方法优于BiLSTM、GRU和CNN等最先进的技术。值得注意的是，PLLM-CS方法在UNS_NB 15数据集上实现了100%的出色准确度水平，为该领域的基准性能设立了新标准。

提高卫星网络的网络安全性，解决系统缺乏有效入侵检测系统的问题。

提出了一种基于预训练的大型语言模型（PLLM-CS）的方法，将网络数据转化为上下文适当的输入，从而在网络数据中编码上下文信息，以提高网络安全性。

实验使用了两个公开的IoT数据集进行验证，证明了PLLM-CS方法的有效性，其准确率达到了100%。

相关研究包括使用BiLSTM、GRU和CNN等方法进行网络安全性检测的研究。