一、文章主要内容总结该研究聚焦勒索软件的可解释性检测，提出了一种融合大型语言模型（LLM）与可解释人工智能（XAI）的混合框架。核心工作如下：数据处理：采用UGRansome（网络行为数据）和Process Memory（PM，主机内存行为数据）两个结构化数据集，通过填充缺失值、KBinsDiscretizer离散化、令牌编码等步骤，将数值型和分类型勒索软件特征转换为文本序列，适配LLM的输入格式。模型训练与评估：对BERT、RoBERTa、DeBERTa三种Transformer-based LLM进行微调，基于约2500个标注样本，以准确率、F1分数、ROC-AUC为评估指标。结果显示RoBERTa综合性能最优（F1分数最高），BERT的ROC-AUC表现最佳，DeBERTa精度最高。可解释性分析：运用LIME和SHAP两种XAI技术解析模型决策逻辑，发现三种模型对勒索软件特征的侧重不同：BERT依赖文件操作特征，RoBERTa均衡关注网络和金融信号，DeBERTa对金融交易和网络流量指标敏感。对比与验证：将该框架与K-NN、强化学习、RNN等传统方法对比，证实其在检测准确率、上下文理解能力和可解释性上更具优势，可覆盖勒索软件从初始感染到加密执行的全生命周期检测。二、文章创新点方法论创新：首次将结构化勒索软件数据（网络流量、内存行为）转换为文本序列，使L
一、文章主要内容总结该研究聚焦勒索软件的可解释性检测，提出了一种融合大型语言模型（LLM）与可解释人工智能（XAI）的混合框架。核心工作如下：数据处理：采用UGRansome（网络行为数据）和Process Memory（PM，主机内存行为数据）两个结构化数据集，通过填充缺失值、KBinsDiscretizer离散化、令牌编码等步骤，将数值型和分类型勒索软件特征转换为文本序列，适配LLM的输入格式。模型训练与评估：对BERT、RoBERTa、DeBERTa三种Transformer-based LLM进行微调，基于约2500个标注样本，以准确率、F1分数、ROC-AUC为评估指标。结果显示RoBERTa综合性能最优（F1分数最高），BERT的ROC-AUC表现最佳，DeBERTa精度最高。可解释性分析：运用LIME和SHAP两种XAI技术解析模型决策逻辑，发现三种模型对勒索软件特征的侧重不同：BERT依赖文件操作特征，RoBERTa均衡关注网络和金融信号，DeBERTa对金融交易和网络流量指标敏感。对比与验证：将该框架与K-NN、强化学习、RNN等传统方法对比，证实其在检测准确率、上下文理解能力和可解释性上更具优势，可覆盖勒索软件从初始感染到加密执行的全生命周期检测。二、文章创新点方法论创新：首次将结构化勒索软件数据（网络流量、内存行为）转换为文本序列，使L
)
