RAGRank: 使用PageRank对抗CTI LLM管道中的中毒

于红博

摘要: 检索增强生成（RAG）已成为在网络威胁情报（CTI）系统中实现大型语言模型（LLM）使用的主要架构模式。然而，这种设计容易受到毒化攻击的影响，先前提出的防御措施可能在CTI环境下失效，因为网络威胁信息通常对新兴攻击是全新的，而复杂的威胁行为者可以模仿合法的格式、术语和风格约定。为了解决这个问题，我们建议通过在语料库上应用源可信度算法（以PageRank为例）来加速现代RAG防御的稳健性。在我们的实验中，我们定量证明了我们的算法对恶意文档应用较低的权威分数，同时促进信任内容，使用标准化的MS MARCO数据集。我们还展示了我们的算法在CTI文档和信息源上的概念验证性能。

更新时间: 2025-10-23 17:43:00

领域: cs.CR,cs.AI,cs.IR

下载: http://arxiv.org/abs/2510.20768v1