НАСКРІЗНІ МЕТОДИ ВИКОРИСТАННЯ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ ДЛЯ ПРОАКТИВНОЇ КІБЕРРОЗВІДКИ В IOT/EDGE-ІНФРАСТРУКТУРАХ

Михайло Єрьомкін; Сергій Семенюк

doi:10.28925/2663-4023.2026.35.1383

Автор(и)

Михайло Єрьомкін Національний університет "Львівська політехніка" https://orcid.org/0009-0008-6067-2382
Сергій Семенюк Національний університет "Львівська політехніка" https://orcid.org/0000-0002-8143-5887

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1383

Ключові слова:

інформаційна безпека, великі мовні моделі, кіберрозвідка, проактивна кібербезпека, IoT, Edge Computing, індикатори компрометації, атрибуція загроз, TTP, пріоритизація вразливостей, CVSS/EPSS, генерація з доповненням пошуком

Анотація

Стрімкий розвиток мереж інтернету речей та розподілених периферійних обчислень на тлі паралельного ускладнення кіберзагроз створює умови, за яких традиційні реактивні системи безпеки не забезпечують адекватного захисту від цільових атак і загроз нульового дня. Метою статті є обґрунтування архітектури наскрізного фреймворку та методів використання великих мовних моделей в рамках аналізу кіберзагроз для переходу від традиційного реактивного захисту до проактивної і контекстно-залежної парадигми безпеки в розподілених та корпоративних ІТ-інфраструктурах.. У роботі запропоновано трирівнену архітектуру екосистеми, у межах якої функціонують окремі субкомпоненти-методи: контекстне виявлення аномалій мережевої та системної поведінки IoT/Edge-пристроїв; проактивне прогнозування наступного пакета та типу мережевої активності; виділення й класифікація індикаторів компрометації; атрибуція суб'єкта загрози та тактик, технік і процедур (TTP); пріоритизація вразливостей за метриками CVSS та EPSS; кореляція кібератак і кампаній. Для кожного з компонентів описано теоретичну модель, спосіб інтеграції LLM (навчання в контексті, тонке налаштування, RAG) та наведено емпіричні результати з проаналізованих джерел. Рівні запропонованої архітектури (стратегічний, синхронізаційний, оперативний рівні), об’єднують розглянуті субкомпоненти в єдиний цикл проактивної кіберрозвідки. Також для практичного впровадження визначено ключові обмеження, як-от ресурсомісткість LLM на периферійних пристроях, часову асинхронію між Edge- та Cloud-рівнями, ризик каскадного поширення помилок і відсутність єдиних семантичних стандартів для передачі ймовірнісних висновків моделей.

Завантаження

Дані завантаження ще не доступні.

Посилання

Vavilenkova, A. (2026). Large language models for optimizing tasks in information retrieval and protection. Cybersecurity: Education, Science, Technique, 1(33), 833–841. https://doi.org/10.28925/2663-4023.2026.33.1276

Hasan, S. M., Alotaibi, A. M., Talukder, S., & Shahid, A. R. (2024). Distributed threat intelligence at the edge devices: A large language model-driven approach. 2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC), 1496–1497. https://doi.org/10.48550/arXiv.2405.08755

Diaf, A., Korba, A. A., Karabadji, N. E., & Ghamri-Doudane, Y. (2024). Beyond detection: Leveraging large language models for cyber attack prediction in IoT networks. 2024 20th International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT), 117–123. https://doi.org/10.48550/arXiv.2408.14045

Diaf, A., Korba, A. A., Karabadji, N. E., & Ghamri-Doudane, Y. (2024). BARTPredict: Empowering IoT security with LLM-driven cyber threat prediction. Research Paper. https://doi.org/10.48550/arXiv.2501.01664

Otoum, Y., Asad, A., & Nayak, A. (2024). LLM-based threat detection and prevention framework for IoT ecosystems. IEEE. https://doi.org/10.48550/arXiv.2505.00240.

Clairoux-Trépanier, V., Beauchamp, I.-M., Ruellan, E., Paquet-Clouston, M., Paquette, S.-O., & Clay, E. (2024). The use of large language models (LLM) for cyber threat intelligence (CTI) in cybercrime forums. White Paper, Université de Montréal & Flare Systems. https://doi.org/10.48550/arXiv.2408.03354

Liu, X., Liang, J., Yan, Q., Jang, J., Mao, S., Ye, M., Jia, J., & Xi, Z. (2025). CyLens: Towards reinventing cyber threat intelligence in the paradigm of agentic large language models. https://doi.org/10.48550/arXiv.2502.20791

Paul, S., Alemi, F., & Macwan, R. (2024). LLM-assisted proactive threat intelligence for automated reasoning. IEEE Transactions. https://doi.org/10.48550/arXiv.2504.00428

Chawla, A., & Prasad, U. (2025). Proactively detecting threats: A novel approach using LLMs. https://doi.org/10.48550/arXiv.2601.09029

Andreiev, D., Chornyi, A., Stopochkina, I., & Ilin, M. (2026). Methodology for automating cyber incident reports using LLM. Cybersecurity: Education, Science, Technique, 1(33), 274–285. https://doi.org/10.28925/2663-4023.2026.33.1156

OASIS Open. (n.d.). STIX introductory walkthrough. https://oasis-open.github.io/ctidocumentation/stix/walkthrough

Y. Momryk, Y., & Sabodashko, D. (2026). Model and methodology for the formation of intelligent human factor error management with adaptive self-learning in large language models. CEUR Workshop Proceedings, 4223, 113–126. https://ceur-ws.org/Vol-4223/paper9.pdf