Η παρούσα εργασία εξετάζει μία πιθανή εφαρμογή των γραφημάτων γνώσης, σε συνδυασμό με Μεγάλα Γλωσσικά Μοντέλα(Large Language Model - LLM), για την ανίχνευση μοτίβων επίθεσης σε υπολογιστικά δίκτυα. Τα γραφήματα γνώσης συνιστούν εναλλακτικό παράδειγμα αναπαράστασης πληροφορίας, στο οποίο οι οντότητες κωδικοποιούνται ως κόμβοι και οι μεταξύ τους σχέσεις ως ακμές ενός γράφου - σε αντιδιαστολή προς τις σχεσιακές βάσεις δεδομένων, όπου η πληροφορία οργανώνεται σε πίνακες και συσχετίσεις.
Επιχειρούμε στα πλαίσια της εργασίας να μοντελοποιήσουμε την διαδικτυακή κίνηση σε επίπεδο TCP/IP βάσει ενός πρωτότυπου οντολογικού πλαισίου. Για το σκοπό της έρευνας έχει δημιουργηθεί το πρόγραμμα PcapToKG, το οποίο εκτελεί εξαγωγή πληροφορίας από αρχεία .pcap, τα εμπλουτίζει με άντληση πληροφορίας από API γεωεντοπισμού και τέλος τα αποθηκεύει σε γράφημα γνώσης. Το παραγόμενο γράφημα διασυνδέεται στη συνέχεια με LLM μέσω εξυπηρετητή MCP, επιτρέποντας την εκτέλεση ερωτημάτων σε φυσική γλώσσα προς τη βάση δεδομένων.
Η υλοποίηση έγινε με αντικειμενοστραφή προγραμματισμό σε γλώσσα Java, χρησιμοποιώντας τη μηχανή γραφημάτων Neo4j για τη διαχείριση του γραφήματος γνώσης. Ως LLM χρησιμοποιήθηκε το μοντέλο Claude της Anthropic.
Η αξιολόγηση της αποδοτικότητας της προτεινόμενης μεθόδου διενεργήθηκε μέσω σύγκρισης των εξόδων του LLM με αναμενόμενες κατηγοριοποιήσεις, για αρχεία με γνωστή εκ των προτέρων ετικέτα (κακόβουλη ή καλοήθης κίνηση). Τα προκαταρκτικά αποτελέσματα καταδεικνύουν ακρίβεια (accuracy) της τάξεως του 0,73 έως 0,83, ανάλογα με την ύπαρξη ή μη δεδομένων ασφαλείας. Ωστόσο, το μέγεθος του δείγματος παραμένει περιορισμένο, και κρίνεται αναγκαία η επανάληψη του πειράματος σε εκτενέστερο σύνολο δεδομένων για την εξαγωγή στατιστικά αξιόπιστων συμπερασμάτων, καθώς και σύγκριση με σημεία αναφοράς.