正文
介绍NDSS 2026录用论文的配套开源项目，提出一种基于轻量级LLM的安全事件响应决策支持方法，通过微调、信息检索和决策理论规划解决大模型幻觉问题，可在普通硬件上运行，并公开首个安全事件响应微调数据集。
章节 01
本文介绍NDSS 2026录用论文的配套开源项目（GitHub仓库：Kim-Hammar/llm_incident_response_ndss26，发布于2026-06-02）。核心内容是提出一种基于轻量级大语言模型（LLM）的安全事件响应决策支持方法，通过领域特定微调、信息检索增强和决策理论规划解决模型幻觉问题，可在普通硬件上运行，并公开首个安全事件响应微调数据集。关键词：网络安全、事件响应、LLM、模型幻觉、微调、DeepSeek、Qwen、NDSS、开源数据集、决策支持
章节 02
传统安全事件响应依赖人工经验，效率低下且易出错。LLM虽为自动化决策提供可能，但存在核心挑战：模型幻觉（生成看似合理却错误的响应）；现有方案依赖前沿大模型提示工程，成本高且难以在普通硬件部署。墨尔本大学与帝国理工学院团队针对这些问题提出轻量级LLM方法
章节 03
该方法通过三个关键技术解决问题：1.领域特定微调：构建首个公开安全事件响应微调数据集，对DeepSeek-R1-Distill-Qwen-14B模型微调，掌握专业知识与决策模式；2.信息检索增强：检索相似历史案例和最佳实践，减少幻觉；3.决策理论规划：评估动作序列长期影响，确保响应可行性。优化后可在普通消费级GPU运行，降低部署门槛
章节 04
系统分三阶段：输入阶段接收系统日志、告警等数据，预处理为结构化格式；处理阶段：微调LLM通过检索模块获取背景知识，结合输入推理，决策理论规划模块选择最优响应序列；输出阶段生成结构化响应计划（含具体动作、执行理由、预期效果），便于分析师理解或自动化处理
章节 05
项目开源完整 artifacts：1.微调数据集：首个公开，托管于Hugging Face，含真实场景与专家标注响应，覆盖多攻击类型；2.模型权重：基于DeepSeek-R1-Distill-Qwen-14B，采用LoRA参数高效微调，文件体积合理；3.可复现代码：Python库，含数据集加载、微调、响应生成等功能，支持macOS/Ubuntu，兼容Python3.8-3.13
章节 06
实验验证有效性：1.幻觉抑制：微调后幻觉率显著降低，信息检索进一步提升准确性；2.响应质量：专家盲评显示接近人类专家水平，常见攻击响应表现优异；3.效率：RTX8000上单响应生成时间秒级，16GB显存设备稳定运行，满足实时需求
章节 07
应用场景：SOC辅助决策（缩短响应时间）、安全培训（作为学习材料）、SOAR自动化编排（对接平台）。局限性：攻击类型覆盖有限、英文优化为主、大规模并发延迟问题。未来工作：扩展数据集（新增攻击/行业场景）、多语言支持、模型量化与推理加速
继续阅读同一主题下的更多内容。
Nornir MCP Server 是一个基于 Model Context Protocol (MCP) 的企业级服务器，它将大语言模型（如 Claude）与网络自动化框架 Nornir 无缝集成，支持多厂商网络设备（Cisco、Arista、Juniper 等）的自然语言编排，提供双重引擎架构（NAPALM + Netmiko）、智能过滤、安全沙箱等生产级功能。
Bibliothèque Française LLM 是一个专为大型语言模型设计的法语公版文献结构化索引与标注项目，整合了 DraCor、Common Corpus、Wikisource 等多个权威来源，提供按体裁、作者、时代分类的元数据索引，以及针对戏剧文本的角色、台词、舞台说明等深度标注，旨在让 LLM 能够高效阅读和理解法语文学经典。
Splinter 是一款极简主义的高性能键值与向量存储系统，通过共享内存和原子操作实现进程间零延迟通信，核心代码仅 766 行，却能支持每秒数百万次操作和 768 维向量存储，为本地 LLM 推理和数据密集型应用提供了全新的架构思路。
一份面向初学者的完整云原生AI应用开发指南，通过Amazon EC2、Apache、Python CGI和Amazon Bedrock构建简单的生成式AI聊天机器人，涵盖架构设计、IAM权限配置、安全最佳实践及成本优化建议。