Um novo framework chamado MEvince usa LLMs amarrados a uma representação comportamental estruturada para identificar técnicas MITRE ATT&CK em relatórios de análise de malware, em vez de deixar o modelo associar livremente texto a técnicas por plausibilidade. Avaliado contra 11 baselines em 610 relatórios públicos referenciados pelo próprio MITRE ATT&CK, o método melhorou o F1 de identificação exata em 17,4% sobre a melhor baseline. O diferencial central é rastrear cada atribuição de técnica até o trecho exato do relatório que a sustenta, o que importa diretamente para defensabilidade de conclusões em investigações.
Um artigo acadêmico recém-publicado no arXiv (cs.CR) examina o que acontece quando agentes baseados em LLM triam alertas de segurança combinando as saídas de múltiplos detectores sem verificar se essas fontes são confiáveis entre si. Usando o dataset CIC-IDS2017 corrigido, os autores mostram que corromper apenas um de quatro detectores já é suficiente para destruir a acurácia da triagem automatizada, e propõem um mecanismo de verificação cruzada (CAV) que recupera boa parte dessa acurácia a baixo custo computacional.
O SecLog-Bench é um benchmark com 29 cenários de ataque simulados que combina logs de auditoria, de aplicação e de tráfego de rede, anotados com uma cadeia de evidências estruturada passo a passo, para avaliar se LLMs conseguem reconstruir a progressão de um ataque após a detecção inicial. Testando oito modelos mainstream, os autores encontram desempenho modesto (melhor acurácia de 44,44%, Macro-F1 de 45,07%, e apenas 54,87% de F1 no raciocínio por estágio), com casos frequentes de previsão correta acompanhada de raciocínio incorreto.
Um novo estudo propõe uma taxonomia de ataques anti-forenses que exploram o uso de LLMs como assistentes ou agentes autônomos em perícia digital, aproveitando o fato de que a evidência analisada é, por definição, controlada pelo atacante. Os autores demonstram três ataques práticos contra um pipeline de análise assistido por LLM: alterar a conclusão do laudo, gravar conteúdo escolhido pelo atacante na estação do analista e provocar tráfego de rede de saída — tudo isso a partir de texto plantado no próprio dispositivo apreendido.
Um novo estudo acadêmico mede, alegação por alegação, o quanto se pode confiar em laudos de forense móvel Android redigidos com apoio de LLMs (Gemini, Llama e Qwen). Dos 612 enunciados extraídos de seis relatórios, mais de duzentos ficaram sem suporte probatório, contraditórios ou incompletos, mesmo quando os modelos recuperaram corretamente os fatos autorizados pelo caso. O trabalho propõe uma metodologia auditável para rastrear a cadeia entre alegação e evidência, reforçando que a autoridade final sobre o laudo deve permanecer com o perito humano.
Pesquisadores apresentam o MARS, um framework que compara dois modos de usar LLMs na triagem de malware — veredito direto versus pontuação de alegações comportamentais por regras externas — testando 1.195 binários PE e ELF com seis modelos de linguagem. A classificação direta se mostrou mais precisa e com melhor recall de alertas maliciosos em quase todas as combinações avaliadas.
Pesquisadores apresentam o ANCHOR, um sistema que usa LLMs para transformar os alertas brutos de sistemas de detecção de intrusão baseados em proveniência (PIDS) em narrativas de ataque coerentes e organizadas por estágios da kill chain. A ferramenta combina curadoria de evidências com contexto de implantação (linhas de base de comportamento normal do ambiente) e um cache de rastreamento de ataques que mantém o estado da investigação ao longo de múltiplas janelas temporais. Avaliado em seis datasets DARPA Transparent Computing (E3/E5) cobrindo três sistemas operacionais, o sistema melhora a recuperação de indicadores de comprometimento e a atribuição de estágios de ataque em relação a baselines anteriores, a um custo de poucos dólares por dia de auditoria processado.
Um artigo no arXiv apresenta o ALIBI, um ataque que engana ferramentas de triagem de malware baseadas em LLM ao inserir, dentro do próprio binário, uma seção de texto não executável que narra uma justificativa falsa e plausível de produto de segurança legítimo. Sem alterar imports nem comportamento executável, o ataque reduziu drasticamente a taxa de detecção do Gemini 2.5 Pro e provocou quedas relevantes de severidade e confiança até em GPT-5.5 Pro e Claude Opus 4.7.
Pesquisadores apresentam o RuleAutoPilot, um framework agentivo que produz regras Suricata implantáveis diretamente a partir de capturas de tráfego malicioso (PCAPs), sem depender de inteligência de ameaças previamente curada. O sistema filtra tráfego benigno conhecido antes de acionar o LLM e usa um ciclo de verificação fundamentado em execução para corrigir regras que falham em sintaxe, não disparam na amostra de origem ou geram falsos positivos.
Pesquisadores testaram 22 modelos de linguagem contra 13 contratos inteligentes construídos deliberadamente para disfarçar mecanismos de drenagem de fundos, em um cenário que simula forense de bytecode em investigações de blockchain. O resultado: técnicas de camuflagem simples derrubaram a taxa de detecção em 20 pontos percentuais, e apenas 5 dos 22 modelos ultrapassaram 50% de acerto.
Um novo benchmark, o SCRIPTIOC-BENCH, reúne 634 amostras reais e verificadas manualmente de malware em JavaScript, PowerShell e VBScript para medir a capacidade de LLMs de extrair estaticamente indicadores de comprometimento — URLs, domínios, IPs e artefatos de sistema de arquivos — sem executar o código. O modelo mais forte avaliado atingiu apenas 65,4 de F1, o que mostra que a extração automatizada de IOCs continua não confiável quando os indicadores estão ofuscados ou exigem decodificação, mesmo usando os modelos mais capazes disponíveis.
Pesquisadores propõem um agente que trata a localização de dados pessoais (PII) em bancos SQLite de aplicativos móveis como um problema de busca adaptativa sob incerteza, em vez de varredura exaustiva de todas as tabelas e colunas. Testado no corpus CTF da Cellebrite, com 25 bancos de 10 apps Android e iOS, o método reduziu o espaço de busca em quase 80% mantendo F1 de 94,5% com o Gemini 2.5 Pro, mas mostrou variação relevante entre os 12 modelos avaliados.
Um novo benchmark reprodutível avalia se agentes baseados em LLM conseguem inferir corretamente relacionamentos entre tabelas em bancos SQLite forenses sem documentação, tratando separadamente o sucesso de execução de uma consulta e a correção estrutural da inferência relacional. Usando o banco de SMS do Android e o banco do Snapchat como casos de teste, o estudo mostra que os agentes funcionam bem em esquemas regulares, mas produzem joins plausíveis e executáveis, porém estruturalmente incorretos, à medida que a irregularidade do esquema aumenta.
Um novo artigo no arXiv propõe uma gramática estrutural para decompor ataques de prompt injection em sete campos (carrier, delivery vector, concealment, context-break, privilege escalation, payload e return channel), em vez de tratá-los como strings isoladas. O framework é validado com um estudo de caso real, o incidente EchoLeak (CVE-2025-32711), e mira equipes de CTI e red team que precisam catalogar e comparar variantes de ataque. A proposta busca preencher uma lacuna que hoje força analistas a depender de correspondência frágil de texto para rastrear campanhas.
Pesquisadores propuseram o (EC)2, um framework multi-agente baseado em LLMs que realiza investigacao estruturada e guiada por hipoteses para explicar alertas de deteccao de anomalias em centros de operacoes de seguranca (SOC), voltado principalmente a pequenas e medias empresas. A proposta busca ir alem de explicacoes de features isoladas, entregando ao analista contexto acionavel sobre entidades e relacoes envolvidas no alerta.
Mark Scanlon, pesquisador de referencia em forense digital, publicou na Forensic Science International: Digital Investigation um artigo sobre como investigar LLMs, sistemas de IA generativa e plataformas de IA proprietaria do ponto de vista pericial -- discutindo evidencia digital, prontidao investigativa (forensic readiness) e o cenario regulatorio em torno dessas ferramentas. O tema aborda diretamente uma lacuna pratica: como peritos devem tratar rastros deixados por assistentes de IA em investigacoes.
Um novo conjunto de avaliação com 500 casos reais de disco e memória do NIST, 700 questões e 150 desafios estilo CTF mede o quanto modelos de linguagem realmente ajudam na forense digital — e revela que, em tarefas periciais complexas, a acurácia dos modelos ainda beira zero.