深度分析
利用模仿學習與神經符號行為樹在 CybORG 環境中預測紅色代理人政策
隨著高階網路攻擊頻傳，研究提出以模仿學習於部分可觀測環境中推斷攻擊者政策，結合神經符號行為樹即時預測紅色行動，實驗顯示在多種攻擊策略下預測準確率超過九成。此方法可在藍方觀測到的主機與子網狀態下，利用先前觀測與藍方行動推斷紅方策略，對比傳統僅依賴藍方行為的 RL 模型，提升偵測與回應速度。
MITRE ATT&CK
深度分析
多代理入侵回應平台 Agentra：從 IDS/EDR 警報到可審計的回應計畫
企業入侵回應仍依賴靜態劇本，導致偵測與防禦時差。Agentra以多代理、LLM輔助規劃，結合MITREATT&CK、D3FEND與NISTCSF，透過Planner‑Validator迴路與風險評分審核，將F1從0.61提升至0.84，且將危險行動率降至0%。
深度分析
從攻擊模擬到 SIEM 規則：利用 OWASP/MITRE 標籤與 Sigma 模板的決定性合成
安全團隊常利用攻擊與防禦模擬（BAS）檢驗監控是否能偵測真實入侵，然而將模擬結果手動轉寫為 SIEM 可用的 Sigma 規則耗時且依賴分析師經驗。
深度分析
TTPrint：發散後收斂的 TTP 擷取管線與 MITRE ATT&CK 驗證機制
資安報告自動擷取MITRE ATT&CK技術常陷於遺漏或幻覺的兩難。TTPrint採「發散後收斂」：先把報告拆成原子行為廣泛提出候選，再以句段定位與官方定義交叉驗證篩選。實驗在修正後TRAM與新文檔基準上顯著提升整體F1，並強化預測可追溯性。
深度分析
OntoLogX：以本體、RAG 與 LLM 將系統日誌轉換為威脅知識圖譜
系統日誌蘊含豐富威脅情報，但格式零散難以直接利用。OntoLogX結合本體、檢索增強生成與迭代校正，利用大型語言模型將原始日誌轉成本體驅動的知識圖譜，並以會話群組對應MITRE ATT&CK戰術。實驗也顯示檢索與校正能提升精準與召回，程式碼專用模型對結構化日誌特別有利。
深度分析
TraceScope 互動式取證架構：視覺隔離、GUI 沙箱與 MITRE ATT&CK 清單裁決
網頁釣魚採用互動門檻與執行期隱藏，傳統快照式檢測易失效。TraceScope 以沙箱化操作員驅動真實瀏覽器並凍結會話，獨立裁決者以 MITRE ATT&CK 清單核證證據，生成稽核級報告。實驗於 708 個活躍網址上達到 0.94 精確度與 0.78 召回率，此系統定位為按需取證工具，適合替代人工繁瑣調查流程。