AIarXiv cs.CR (암호학·보안)AI 점수 85%
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Narratives Mislead: An Empirical Study of How LLMs Misjudge CVSS Severity in Bug Bounty Reports (원문, 새 창)
AI 인사이트
대상 독자:개발자
- LLM 기반 CVSS 심각도 채점 정확도를 Huntr·HackerOne에서 모은 4,281건 중 240건의 벤더 검증 벡터 기준으로 평가
- 8개 LLM·4가지 프롬프팅·미세조정 비교, 최고 프롬프팅은 49.58%, 7B 미세조정은 최대 56.25% 등급 정확도
- 오류는 과대평가 쪽에 체계적으로 편향되며, 모델은 낮은 심각도 취약점을 거의 인식하지 못함
- 잠재적 대 실현된 영향, 영향 범위 대 권한 범위, 불확실성 대 최악상황 가정 등 세 경계에서 오류가 집중됨을 규명
왜 중요한가
버그바운티 신고량이 벤더의 심사 역량을 압도하는 상황에서 LLM에 CVSS 채점을 맡기려는 시도가 늘고 있는데, 정확도가 50%대에 그치고 심각도를 과대평가하는 쪽으로 체계적으로 편향된다는 사실은 자동 채점을 우선순위 결정에 그대로 쓸 경우 리소스 배분이 왜곡될 위험을 보여준다.
본문 미리보기
arXiv:2610.24623v1 Announce Type: new Abstract: Bug bounty platforms receive vulnerability reports faster than vendors can triage them, and Large Language Models (LLMs) are increasingly considered for assigning the Common Vulnerability Scoring System (CVSS) severity that drives prioritization. Prior evaluations score short CVE descriptions and report accuracy, but deployment depends on how models err, not only how often. CVSS gives each metric a formal meaning that departs from how researchers
전체 내용이 궁금하다면?
arXiv cs.CR (암호학·보안)에서 원문을 직접 읽어보세요
공유
- #LLM평가
- #CVSS
- #버그바운티
- #추론오류
이 글이 만들어진 과정
- 11:24AI 초안