Improving LLM-Based SSH Honeypots Through Prompting and Fine-Tuning | AIChainDay

한국어 요약by Claude · 2026. 8. 23.

LLM 기반 SSH 허니팟은 셸 재현성이 뛰어난 클로즈드 클라우드 모델을 주로 쓰지만, 버전 불안정성과 비용 등 배포 문제가 있다. 이 연구는 프롬프트 설계와 지도 미세조정으로 로컬 오픈웨이트 모델의 셸 에뮬레이션 정확도를 개선할 수 있는지 검증했다. shelLM의 GPT-3.5 모델과 7개 오픈웨이트 모델을 34개 자동 유닛 테스트로 평가한 결과, 프롬프트 설계의 효과가 크고 미세조정 효과는 데이터셋 구성에 크게 좌우됨을 확인했다. 기존 112개 대화 데이터셋으로는 성능 향상이 없었지만, 허니팟 로그 기반으로 확장한 데이터셋은 뚜렷한 개선을 보여, 로컬 LLM 허니팟의 실용적 개선 경로를 제시한다.

•GPT-3.5 기반 shelLM과 7개 오픈웨이트 모델을 34개 유닛 테스트로 비교 평가
•프롬프트 설계가 셸 에뮬레이션 정확도에 가장 큰 영향을 미침
•원본 112개 대화 데이터셋 미세조정은 성능 개선 없음
•허니팟 로그 기반 확장 데이터셋 미세조정 시 뚜렷한 성능 향상 확인

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.

AI2026년 8월 20일AI 점수: 85%

Improving LLM-Based SSH Honeypots Through Prompting and Fine-Tuning

출처:arXiv cs.CR (암호학·보안)

AI 인사이트

개발자

1.로컬 오픈웨이트 LLM 기반 SSH 허니팟의 셸 에뮬레이션 정확도를 프롬프트·파인튜닝으로 개선
2.shelLM GPT-3.5 포함 총 8개 모델을 각 베이스 모델과 비교 평가
3.34개 자동 단위테스트로 단일·신규 세션 셸 에뮬레이션 정확도 측정
4.원본 112대화 데이터셋 파인튜닝은 효과 없고 허니팟 로그 확장 데이터셋은 뚜렷한 개선

왜 중요한가?

클로즈드 클라우드 LLM 허니팟의 배포 문제(버전 불안정·비용·모델 단종)를 해결하기 위해 로컬 모델의 프롬프트 설계와 파인튜닝 효과를 체계적으로 비교한 실증 연구다.

언급 프로젝트

shelLM GPT-3.5

본문 미리보기

arXiv:2608.18686v1 Announce Type: new Abstract: LLM-based SSH honeypots often use closed cloud LLMs because they give strong shell realism, but cloud models create deployment problems. These include no stable versioning, provider-side changes, attacker-driven cost, and model decommissioning. Local open-weight models avoid these problems, but they usually perform worse and make mistakes that reveal the honeypot. These mistakes include malformed outputs, command echoing, inconsistent filesystem s

전체 내용이 궁금하다면?

원문을 직접 읽어보세요

원문 보기