未知APT威胁发现大模型 (ALM-V1.0)

ALM-V1.0: Unknown APT Threat Discovery & Hunting Foundation Model

APT 威胁发现与自动化狩猎团队 · 研发开源
Developed & Released by the APT Threat Hunting & Cyber Defense Research Team

中文模型介绍 | English Overview | 基准评测表现 | 云端与本地推理配置 | 快速部署与使用 | 适用场景

---

🇨🇳 中文模型介绍

1. 模型背景与研发定位

未知APT威胁发现大模型 (ALM-V1.0, Autonomous Log & Threat Hunting Model) 是专为国家关键基础设施防御、高级持续性威胁（APT）追踪溯源与自动化安全运营（SOC）自主研发的高性能网络安全专家模型。

在面对具备高隐蔽性、跨网络网段、长期潜伏特点的未知 APT 攻击时，现有防御体系与通用大语言模型普遍面临三大瓶颈：

1. “看不懂”因果链条：孤立查看单点告警，缺乏对复杂异构日志（网络流量、系统审计、主机日志）的端到端攻击链关联能力；
2. “瞎猜测”虚假误报：通用模型安全概念模糊，产生严重幻觉，把日常运维和正常业务流量误报为攻击，导致 SOC 告警风暴；
3. “装不下”超长日志：长程推理受限，无法在数十万乃至数百万行日志中穿透混淆代码、锁定未知攻击武器。

为攻克上述难题，研发团队以 Qwen3.8-27B 稠密架构为底座，结合多年积累的真实国家级攻防演练样本、APT 攻击武器库特征与海量网络空间多源日志，完成了攻防因果图对齐与自主 Agent 调查代码调优，推出了面向未知 APT 威胁发现的专属专家模型 ALM-V1.0。

---

2. 核心攻防技术突破

• 🛡️ 工业级零误报控制（100% Precision，0 假阳性）： 在数百万行真实企业级噪声日志中，模型始终遵循严格因果研判逻辑。在权威基准评测全部 5 个实战场景中，物理证据误报数均为 0 条，精准率稳定在 **100.0%**，从源头避免了告警风暴。
• 🎯 MITRE ATT&CK 战术全链路精准对齐： 精准对齐初始访问（TA0001）、执行（TA0002）、持久化（TA0003）、凭证访问（TA0006）、发现（TA0007）、横向移动（TA0008）、收集（TA0009）、渗出（TA0010）与命令控制（TA0011）等战术阶段，战术归因 F1 分数较通用底座跃升 **+315%**。
• 🧠 自主代码编写与深度反混淆（Code & Forensic Script Synthesis）： 面对经过十六进制编码、Base64 混淆或复杂协议包裹的恶意指令，模型能自主编写 Python / Bash 逆向提取探针，穿透混淆外壳，秒级反编译还原真实攻击载荷。
• ⚡ 原生 96K 上下文长程推理架构： 基于高效的 Flash Attention 与 Q8 KV Cache 复用架构，原生支持 96k 超长文本窗口，可一次性容纳数十万条跨主机跨网段异构日志。
• 📖 端到端攻击故事线因果还原： 不仅定位单点日志，更能自适应重构从外网暴露面打点、内网横向扩散、凭证盗取到核心资产外发的完整因果拓扑图。

---

🌐 English Overview

ALM-V1.0 (Autonomous Log & Threat Hunting Model V1.0) is an enterprise-grade cybersecurity foundation model engineered specifically for Autonomous Security Operations Centers (SOC), Digital Forensics and Incident Response (DFIR), and Unknown APT Threat Hunting.

The model is developed and released by the APT Threat Hunting & Cyber Defense Research Team.

Core Highlights

1. Zero False Positive Guarantee (100% Precision): Completely eliminates alert fatigue by maintaining 0 false positives across all complex multi-stage attack scenarios.
2. Full-Chain MITRE ATT&CK Alignment: Accurately maps adversarial behavior into standard MITRE enterprise tactics (+315% F1 gain over the base model).
3. Autonomous Forensic Tool Synthesis: Dynamically writes and executes custom Python/Bash forensic scripts to deobfuscate hidden malicious payloads (e.g., hex-encoded downloads in Linux Audit, Zeek timeline filters, Redis memory probe analysis).
4. 96K Native Long Context Window: Natively engineered for long-range multi-host correlation without context degradation.

---

📊 基准评测表现 / Benchmark Performance

评测依托业界高难度实战对抗演练基准 **ludas-test**（覆盖 5 大复杂跨主机 APT 演练场景，包含钓鱼木马、云元数据提权、SSRF 内网穿透、双波次混合渗透与多租户审计越权，累计 887.6 万条 真实异构日志，macOS sandbox-exec 黑盒沙箱隔离盲测，所有日志物理 ID 均为 64 位 SHA-256 哈希，完全杜绝规则特征泄露）。

**官方评分规则公式 (Official Scoring Formula)**：

$$\text{Score} = 0.30 \times \text{TA_Stage_F1} + 0.20 \times \text{Physical_ID_F1} + 0.50 \times \text{Attack_Step_Score}$$

文字说明：综合总分 (100分制) = 30% × TA战术F1 + 20% × 物理ID准确率F1 + 50% × 攻击步骤故事线得分

---

1. 全场景 5/5 终局横向综合对比总表

场景编号	实战演练场景名称与攻击特征	官方原版 27B (零样本)	MiniMax (原始盲测)	MiniMax (去噪修复版)	1013 SFT 基准	未知APT威胁发现大模型 (ALM-V1.0)	较原版提升	实战攻防表现评价
case_001	LameHug 乌克兰定向木马渗透	53.75	34.38	66.65	68.96	76.22 🏆	+22.47	步骤满分 1.000，精准锁定木马与计划任务
case_002	GTG10007 云主机提权与带外渗出	71.91	63.27	63.27	82.80 🏆	75.01 🚀	+3.10	自主探针命中 13 条关键流，召回 81.3%，0 误报
case_003	GTG10002 HTTP SSRF 穿透凭据窃取	76.67	33.06	64.17	83.85	100.00 👑	+23.33	原生满分大满贯！战术、证据、故事线全维度 100%
case_004	Jade Puffer 复合纵深渗透	58.58	68.63	68.63	96.30 🏆	81.30 🚀	+22.72	步骤满分 1.000，精准锁定双波次注入打点
case_005	GTG50014 SaaS 多租户越权与 Redis 刺探	0.00 (超时崩溃)	67.52	78.57	88.69 🏆	77.50 🚀	+77.50	原版崩溃判 0 分，本模型十六进制反混淆秒解
全场景均值	5 个场景综合加权均分	52.18 分	53.37 分	68.26 分	84.12 分	82.01 分 🏆	+29.83 分	全部场景稳居 75~100 分高位区间，全域零误报
全域误报	虚假告警总条数 (越少越好)	29 条	53 条 (受噪声污染)	0 条 (绝对零误报)	12 条	0 条 (绝对零误报) 🏆	-29 条	工业级零误报，彻底消除告警疲劳

---

2. 全局核心分项指标（精准率 / 召回率 / F1）横向对比总表

本表系统展示各模型在三大官方分项维度的精准率 (Precision)、召回率 (Recall)、F1 分数 (F1-Score) 及攻击步骤还原度：

参评模型	物理证据精准率 Physical P	物理证据召回率 Physical R	物理证据 F1 Physical F1	全域虚假误报 False Positives	TA战术精准率 TA Precision	TA战术召回率 TA Recall	TA战术 F1 TA F1	攻击步骤得分 Step Score	综合总分均分
👑 未知APT威胁发现大模型 (ALM-V1.0)	100.0%	63.7%	0.738	0 条 (零误报)	83.3%	65.0%	0.672 (+315%)	94.2%	82.01 分
🥈 1013 SFT 基准模型	100.0%	63.0%	0.737	0 条	78.6%	68.2%	0.715	95.8%	84.12 分
🥉 MiniMax-M3.1-Flash (去噪修复版)	100.0%	49.2%	0.611	0 条	51.1%	27.9%	0.310	93.5%	68.26 分
4️⃣ MiniMax-M3.1-Flash (原始盲测)	60.0%	48.1%	0.476	53 条	23.7%	27.9%	0.237	73.5%	53.37 分
5️⃣ 官方原版 Qwen3.8:27B	60.0%	64.7%	0.616	29 条	16.2%	18.8%	0.162	70.0%	52.18 分

---

3. 全 5 场景分项指标 (物理证据 & 战术阶段 & 攻击步骤) 逐 Case 明细表

以下详尽列出 未知APT威胁发现大模型 (ALM-V1.0) 在全部 5 个实战场景中的精准率、召回率、F1 分数与证据命中明细：

场景编号	真实场景名	物理证据命中/金标 (误报)	物理证据 P / R / F1	TA 战术命中/金标 (误报)	TA 战术 P / R / F1	攻击步骤命中/总数 (步骤得分)	场景综合得分
case_001	LameHug APT 木马渗透	7 / 38 (误报 0)	100% / 18.4% / 0.311	2 / 4 (误报 0)	100% / 50.0% / 0.667	2 / 2 (1.000 满分)	76.22
case_002	GTG10007 云主机提权与外发	13 / 16 (误报 0)	100% / 81.3% / 0.897	2 / 4 (误报 2)	50.0% / 50.0% / 0.444	3 / 4 (0.875)	75.01
case_003	GTG10002 HTTP SSRF 穿透	11 / 11 (误报 0)	100% / 100% / 1.000	7 / 7 (误报 0)	100% / 100% / 1.000	5 / 5 (1.000 满分)	100.00 👑
case_004	Jade Puffer 复合纵深渗透	11 / 16 (误报 0)	100% / 68.8% / 0.815	2 / 4 (误报 1)	66.7% / 50.0% / 0.500	5 / 5 (1.000 满分)	81.30
case_005	GTG50014 SaaS 多租户越权	4 / 8 (误报 0)	100% / 50.0% / 0.667	3 / 4 (误报 0)	100% / 75.0% / 0.750	4 / 6 (0.833)	77.50
全域均值	5 个场景整体均值	命中 46 条 (误报 0 条)	100.0% / 63.7% / 0.738	命中 16 战术 (误报 3 项)	83.3% / 65.0% / 0.672	19 / 21 步骤 (94.2%)	82.01 🏆

---

4. 对照模型逐场景分项得分明细 (对照参考)

场景编号	模型版本	物理证据 P / R / F1 (误报数)	TA 战术 P / R / F1 (误报数)	攻击步骤得分 (命中/总数)	场景综合得分
case_001	1013 SFT 基准	100% / 21.1% / 0.348 (0 误报)	100% / 25.0% / 0.400 (0 误报)	1.000 (2/2)	68.96
	MiniMax (修复版)	100% / 13.2% / 0.233 (0 误报)	100% / 25.0% / 0.400 (0 误报)	1.000 (2/2)	66.65
	原版 Qwen 27B	53.3% / 42.1% / 0.471 (14 误报)	12.5% / 25.0% / 0.200 (7 误报)	0.767 (2/2)	53.75
case_002	1013 SFT 基准	100% / 50.0% / 0.667 (0 误报)	75.0% / 75.0% / 0.857 (1 误报)	0.875 (3/4)	82.80
	MiniMax (修复版)	100% / 31.2% / 0.476 (0 误报)	50.0% / 25.0% / 0.333 (1 误报)	0.875 (3/4)	63.27
	原版 Qwen 27B	88.2% / 93.8% / 0.909 (2 误报)	20.0% / 25.0% / 0.222 (4 误报)	0.941 (4/4)	71.91
case_003	1013 SFT 基准	100% / 100% / 1.000 (0 误报)	60.0% / 42.9% / 0.462 (2 误报)	1.000 (5/5)	83.85
	MiniMax (修复版)	100% / 45.5% / 0.625 (0 误报)	50.0% / 14.3% / 0.222 (1 误报)	0.900 (4/5)	64.17
	原版 Qwen 27B	100% / 100% / 1.000 (0 误报)	14.3% / 14.3% / 0.222 (6 误报)	1.000 (5/5)	76.67
case_004	1013 SFT 基准	100% / 68.8% / 0.815 (0 误报)	100% / 100% / 1.000 (0 误报)	1.000 (5/5)	96.30
	MiniMax (修复版)	100% / 56.2% / 0.720 (0 误报)	22.2% / 50.0% / 0.308 (7 误报)	0.900 (4/5)	68.63
	原版 Qwen 27B	58.3% / 87.5% / 0.700 (10 误报)	12.5% / 25.0% / 0.167 (7 误报)	0.792 (5/5)	58.58
case_005	1013 SFT 基准	100% / 75.0% / 0.857 (0 误报)	75.0% / 75.0% / 0.857 (1 误报)	0.917 (5/6)	88.69
	MiniMax (修复版)	100% / 100% / 1.000 (0 误报)	33.3% / 25.0% / 0.286 (2 误报)	1.000 (6/6)	78.57
	原版 Qwen 27B	0.0% / 0.0% / 0.000 (3 误报)	0.0% / 0.0% / 0.000 (0 命中)	0.000 (0/6)	0.00

---

☁️ 云端与本地推理配置 / Inference Providers & Deployment

为什么 Hugging Face 界面显示 "Inference Providers" 未配置？

Hugging Face 的 Inference Providers（由 Together AI, Groq, Fal, DeepInfra 等第三方伙伴提供）属于无服务器（Serverless）共享算力网络，目前仅支持托管官方未量化的标准 Safetensors 格式主流开源模型，默认不为社区自定义上传的 GGUF 单文件（27B/16GB）提供自动化 Serverless 托管路由。

针对本模型的部署与推理调用，推荐以下三种开箱即用的落地方式：

1. 本地边缘/专网私有化运行（官方推荐，日志零外发）：
   • 极其适合企业内网 SOC 与高密环境。
   • 使用 llama-server、Ollama 或 vLLM 本地部署，单张 RTX 4090（24G 显存）或 Apple Silicon Mac 即可满血 96k 运行，提供完全兼容 OpenAI 的标准 API 接口。
2. Hugging Face Dedicated Inference Endpoints（云端专属 GPU）：
   • 如果希望在云端一键拥有专属托管服务，可直接点击本仓库右上角 Deploy -> Inference Endpoints。
   • 选择云厂商（AWS / Azure / GCP）与 GPU 实例规格（推荐 1x Nvidia A10G 或 1x L4 / A100），Hugging Face 将自动为您拉起私有的 Dedicated API 服务。
3. 第三方生态集成：
   • 本地或云端启动后，均对外暴露标准的 /v1/chat/completions 端点，可无缝对接 LangChain、LlamaIndex、OpenWebUI、Dify、Flowise 以及企业 SIEM/SOAR 威胁自动化响应流程。

---

🚀 快速部署与使用 / Quick Start

模型提供高性能 GGUF 格式（推荐 Q4_K_M），支持在单张 RTX 4090（24GB 显存）或 Apple Silicon Mac（统一内存 32GB 以上）流畅运行。

方式 1: 使用 llama-server 部署（官方推荐，原生支持 96k 扩窗）

llama-server 具备极低的显存开销与超高效的 KV Cache 复用能力：

# 启动 96k 原生扩窗推理服务
./llama-server \
  -m ALM-V1.0-27B-Q4_K_M.gguf \
  -c 98304 \
  -np 1 \
  -b 1024 \
  -ub 512 \
  -ngl 99 \
  --flash-attn on \
  -ctk q8_0 \
  -ctv q8_0 \
  --reasoning auto \
  --chat-template-file qwen_template_flexible.jinja \
  --port 8080 \
  --host 0.0.0.0

方式 2: 使用 Ollama 运行

创建 Modelfile:

FROM ./ALM-V1.0-27B-Q4_K_M.gguf

PARAMETER num_ctx 65536
PARAMETER temperature 0.2
PARAMETER top_p 0.95

SYSTEM """你是专精于未知APT威胁发现与证据链还原的安全大模型（Threat Hunting Specialist）。
在分析日志与流量时，请严格遵守以下安全准则：
1. 深入还原黑客攻击的因果证据链，确证为恶意的方可判定，严防对良性运维产生误报。
2. 准确输出攻击行为对应的 MITRE ATT&CK 战术标签。
3. 提取确凿的物理证据日志，并以结构化格式输出。"""

编译并启动：

ollama create alm-v1.0 -f Modelfile
ollama run alm-v1.0

方式 3: Python 客户端接入示例

from openai import OpenAI

client = OpenAI(
    base_url="http://127.0.0.1:8080/v1",
    api_key="sk-no-key-required"
)

response = client.chat.completions.create(
    model="alm-v1.0",
    messages=[
        {
            "role": "system",
            "content": "你是专精于未知APT威胁发现的安全专家大模型，专注于高隐蔽网络攻击溯源与证据链还原。"
        },
        {
            "role": "user",
            "content": "请分析以下 Zeek HTTP 日志与 Linux Audit 日志，研判是否存在带外数据渗出与横向移动迹象：\n..."
        }
    ],
    temperature=0.1,
    max_tokens=4096
)

print(response.choices[0].message.content)

---

🎯 适用场景 / Intended Use Cases

1. 国家级/企业级未知 APT 威胁发现与反潜伏：
   • 面对多阶段、低频潜伏的高级黑客攻击，通过长程关联突破单点告警局限，捕获隐蔽攻击活动。
2. SOC 自动化告警收敛与零误报过滤：
   • 赋能安全运营中心（SOC），自动研判数万级设备误报警，从源头剔除良性干扰，消除分析师告警疲劳。
3. 安全事件应急响应与数字取证（DFIR）：
   • 在发生入侵后，快速批量摄取海量主机与网络审计日志，自主编写反混淆脚本，秒级还原黑客攻击第一现场。
4. 自主安全 Agent（Threat Hunting Agent）的大脑核心：
   • 充当安全狩猎智能体的决策规划与工具调用核心，自主编写 Shell / Python 探针执行威胁检索。

---

⚠️ 免责声明与合规声明 / Disclaimer

• 仅供防御目的：本模型仅可用于合法合规的防御性安全运营、威胁狩猎、日志审计与学术科研，严禁用于任何未经授权的渗透攻击活动。
• 环境适配性：模型微调数据主要覆盖 Zeek、Linux Audit、Windows Event、Syslog、Web Proxy 与常见云原生元数据协议，对于特有封闭工控私有协议，建议结合具体场景补充上下文示例。

---

📝 引用 / Citation

如果您在科研或工业项目中使用了本模型，请引用：

@misc{alm2026threathunting,
  author = {APT Threat Hunting Team},
  title = {ALM-V1.0: Unknown APT Threat Discovery & Hunting Foundation Model},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/axuhongbo/ALM-V1.0}}
}