Enhancing Cybersecurity Threat Detection with Counterfactual Reasoning: A 'What-If' Ontology Approach Using Large Language Models
Notice bibliographique
Résumé
This paper proposes a novel approach to enhancing cybersecurity threat detection by integrating counterfactual reasoning with large language models (LLMs) through a structured "what-if" ontology. Traditional AI-based systems often function as black boxes, identifying threats without offering causal explanations or scenario reasoning. Our framework enables LLMs to simulate hypothetical attack scenarios and assess alternative outcomes, thereby improving detection accuracy and interpretability. Grounded in the TOVE ontology engineering methodology, the system aims to formalize key cybersecurity entities, causal relations, and counterfactual conditions using languages like OWL and SWRL. We evaluate the framework based on metrics such as detection accuracy, narrative quality, and reasoning robustness. By unifying theoretical foundations from causal reasoning, scenario planning, and facets of explainable AI, our ontology serves as a semantic backbone for LLM-guided analysis. This work contributes a proactive, explainable, and extensible model for anticipating cyber threats and guiding defensive strategies, with implications for future research and implementation in intelligent threat detection systems.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».