🚨 GPT в борьбе с киберугрозами: реальный кейс
Анализ инновационного подхода из исследования Clemson University и TraCR
🧠 Контекст
С каждым годом транспортная инфраструктура становится всё более цифровой — а значит, и более уязвимой. Рост числа кибератак в авиации, морских перевозках, на железной дороге и в автомобильной отрасли требует масштабируемых аналитических решений.
Исследователи из Clemson University предложили использовать GPT-4o как интеллектуального помощника для анализа киберинцидентов.
🌐 Объем угроз
Порт Лос-Анджелеса в 2024 году зафиксировал 60 миллионов атак в месяц (в 2014 — только 7 млн).
На железнодорожный транспорт число атак выросло на 220% за 5 лет.
В автомобильной отрасли — +225% инцидентов за три года.
При этом до 95% нарушений происходят по вине сотрудников (по данным IBM 2024).
⚙️ Архитектура решения
Процесс обработки инцидентов состоит из двух основных модулей:
1⃣ Интеграция и фильтрация данных
Исследователи собрали информацию из пяти ключевых источников, включая:
- UMCED (более 14 000 записей)
- EuRepoC (около 3 400 кейсов)
- Maritime Cyber Attack DB (279 инцидентов)
- CSIS Significant Incidents
- Набор данных TraCR (124 случая в транспортной сфере)
Все данные были нормализованы в JSON-формат. Далее — с помощью дообученной версии GPT-3.5 Turbo была проведена фильтрация релевантных кейсов, классификация по категориям транспорта и исключение дублей.
Точность классификации — 89%. Финальный датасет включает более 98% релевантных инцидентов.
2⃣ Интеллектуальная система ответов на запросы
На следующем этапе используется Retrieval-Augmented Generation (RAG) с GPT-4o. Для поиска релевантных кейсов применяются гибридные ретриверы:
- Семантический поиск через embeddings (text-embedding-ada-002)
- Классический поиск по вхождению слов (BM25)
Такая схема позволяет добиться высокой точности и минимизировать галлюцинации при генерации ответов.
📈 Результаты
Система справилась с 50 сложными вопросами, например:
Вопрос: Сколько клиентов Air India пострадало в 2021 году?
Ответ:
Из 50 вопросов — 49 были отвечены без ошибок. В одном случае была допущена неточность в геолокации.
Коэффициент ROUGE-L составил 0.50, Recall — 0.60, общее соответствие данным — 98%.
💡 Где GPT превзошёл ожидания
- В 20% случаев GPT-4o давал более подробные ответы, чем ground truth, включая поля motive, impact, attack_type.
- Он автоматически объединял дублирующиеся кейсы, встречающиеся в разных источниках.
- Обеспечивал корректную классификацию даже в случаях смешанных (мультимодальных) атак.
🚧 Ограничения решения
- В некоторых ответах отсутствует информация о городе происшествия.
- Сложности при обработке мультимодальных инцидентов, когда один случай связан с несколькими видами транспорта.
- Пока нет автоматического обновления базы — данные добавляются вручную.
🚀 Развитие
Разработка команды TraCR движется в сторону:
- Публичного портала для фильтрации инцидентов по транспорту, географии и типу атак.
- Интеграции с веб-краулерами для автообновления базы.
- Создания визуальных дашбордов для мониторинга трендов угроз.
🧩 Вывод
📎 Ссылки:
Исследование: arXiv:2508.02523
Центр TraCR: tracr.clemson.edu
Пример инцидент-базы: github.com/TraCR-Cyber/incident-db
Stay secure and read SecureTechTalks 📚
#TransportSecurity #GPT4o #GPT #RAG #CyberSOC #IncidentResponse #AIInCyber #Cybersecurity
Анализ инновационного подхода из исследования Clemson University и TraCR
🧠 Контекст
С каждым годом транспортная инфраструктура становится всё более цифровой — а значит, и более уязвимой. Рост числа кибератак в авиации, морских перевозках, на железной дороге и в автомобильной отрасли требует масштабируемых аналитических решений.
Исследователи из Clemson University предложили использовать GPT-4o как интеллектуального помощника для анализа киберинцидентов.
🌐 Объем угроз
Порт Лос-Анджелеса в 2024 году зафиксировал 60 миллионов атак в месяц (в 2014 — только 7 млн).
На железнодорожный транспорт число атак выросло на 220% за 5 лет.
В автомобильной отрасли — +225% инцидентов за три года.
При этом до 95% нарушений происходят по вине сотрудников (по данным IBM 2024).
⚙️ Архитектура решения
Процесс обработки инцидентов состоит из двух основных модулей:
1⃣ Интеграция и фильтрация данных
Исследователи собрали информацию из пяти ключевых источников, включая:
- UMCED (более 14 000 записей)
- EuRepoC (около 3 400 кейсов)
- Maritime Cyber Attack DB (279 инцидентов)
- CSIS Significant Incidents
- Набор данных TraCR (124 случая в транспортной сфере)
Все данные были нормализованы в JSON-формат. Далее — с помощью дообученной версии GPT-3.5 Turbo была проведена фильтрация релевантных кейсов, классификация по категориям транспорта и исключение дублей.
Точность классификации — 89%. Финальный датасет включает более 98% релевантных инцидентов.
2⃣ Интеллектуальная система ответов на запросы
На следующем этапе используется Retrieval-Augmented Generation (RAG) с GPT-4o. Для поиска релевантных кейсов применяются гибридные ретриверы:
- Семантический поиск через embeddings (text-embedding-ada-002)
- Классический поиск по вхождению слов (BM25)
Такая схема позволяет добиться высокой точности и минимизировать галлюцинации при генерации ответов.
📈 Результаты
Система справилась с 50 сложными вопросами, например:
Вопрос: Сколько клиентов Air India пострадало в 2021 году?
Ответ:
4.5 миллиона клиентов Air India стали жертвами утечки данных после компрометации системы бронирования.
Из 50 вопросов — 49 были отвечены без ошибок. В одном случае была допущена неточность в геолокации.
Коэффициент ROUGE-L составил 0.50, Recall — 0.60, общее соответствие данным — 98%.
💡 Где GPT превзошёл ожидания
- В 20% случаев GPT-4o давал более подробные ответы, чем ground truth, включая поля motive, impact, attack_type.
- Он автоматически объединял дублирующиеся кейсы, встречающиеся в разных источниках.
- Обеспечивал корректную классификацию даже в случаях смешанных (мультимодальных) атак.
🚧 Ограничения решения
- В некоторых ответах отсутствует информация о городе происшествия.
- Сложности при обработке мультимодальных инцидентов, когда один случай связан с несколькими видами транспорта.
- Пока нет автоматического обновления базы — данные добавляются вручную.
🚀 Развитие
Разработка команды TraCR движется в сторону:
- Публичного портала для фильтрации инцидентов по транспорту, географии и типу атак.
- Интеграции с веб-краулерами для автообновления базы.
- Создания визуальных дашбордов для мониторинга трендов угроз.
🧩 Вывод
GPT-4o превращает расследование инцидентов в управляемый процесс, экономя сотни часов аналитиков.
Он не заменяет SOC, но усиливает его как цифровой ассистент нового поколения.
📎 Ссылки:
Исследование: arXiv:2508.02523
Центр TraCR: tracr.clemson.edu
Пример инцидент-базы: github.com/TraCR-Cyber/incident-db
Stay secure and read SecureTechTalks 📚
#TransportSecurity #GPT4o #GPT #RAG #CyberSOC #IncidentResponse #AIInCyber #Cybersecurity