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利用人工智能解决问题，包括网络安全，开辟了新的机遇。随着网络威胁的数量和复杂性不断增长，需要能够自动检测漏洞、分析恶意软件并应对攻击的智能系统越来越多。在这项调查中，我们对LLMs在网络安全领域（LLM4Security）的应用文献进行了全面回顾。通过收集超过30,000篇相关论文，并系统地分析了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在网络安全领域解决各种问题的整体视角。通过我们的分析，我们发现了几个关键结果。首先，我们观察到LLMs正在被应用于广泛的网络安全任务，包括漏洞检测、恶意软件分析、网络入侵检测和网络钓鱼检测。其次，我们发现用于这些任务的LLMs训练和评估数据集通常规模和多样性有限，凸显了需要更全面和代表性的数据集的必要性。第三，我们确定了几种有前途的技术，可以使LLMs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现有技术的全面概述，并确定了未来研究的几个有前途的方向。

综述了大语言模型在网络安全领域中的应用现状，探讨了其在漏洞检测、恶意代码分析、网络入侵检测和钓鱼检测等方面的应用。

文章提出了大语言模型在网络安全领域中的应用现状和存在的问题，并探讨了如何通过微调、迁移学习和领域特定预训练等技术来提高模型的性能。

通过分析127篇论文，发现大语言模型在网络安全领域中的应用现状和存在的问题。文章还提出了如何通过微调、迁移学习和领域特定预训练等技术来提高模型的性能。同时，文章也探讨了大语言模型在网络安全领域中存在的挑战和机遇，如如何提高模型的可解释性和解释性，如何解决数据隐私和安全问题，以及如何利用大语言模型进行主动防御和威胁狩猎等。

最近的相关研究包括：《Deep Learning for Network Security: A Survey》、《A Survey on Deep Learning for Cyber Security》、《A Survey of Machine Learning Techniques for Malware Analysis》等。