Sec-Llama: a Compact Fine-Tuned LLM for Network Intrusion Detection in Kubernetes Clusters
Notice bibliographique
Résumé
In today’s interconnected world, cyber threats have grown both pervasive and sophisticated, especially in the Artificial Intelligence (AI) era, where digital systems face unprecedented risks. As companies and enterprises increasingly rely on Kubernetes to orchestrate an enormous number of microservices and deliver high-quality services to users, a serious security threat endangers the application flow. In particular, recent advances in generative AI have increased the pace, scale, and level of cyberattacks on microservice-based systems. At the network level, traditional defensive tools fail to detect these threats accurately and timely, increasing the average latencies of detection and remediation and hence, risking worse damages on the services and system levels. Due to their excessive computation and memory requirements, large language models (LLM) have not been considered viable network intrusion detection systems (NIDS) or tools within the Kubernetes clusters. We developed Sec-Llama, a compact LLM for intrusion detection. We demonstrated a case study where we applied a memory-efficient data-driven technique incorporating Byte-based transformation of the raw network flow, to optimize the model’s training and inference processes, on resource-wise, while maintaining a 96% threat detection F1-score. To facilitate the model’s training and deployment processes for users, we have developed an application to monitor, train, and launch our Sec-Llama for real-time inferences that took, on average, 21.1ms per inference while occupying only 172 MB.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».