數量龐大的威脅情資難以單純用人力解決，而其中亦有著許多不利於機器自動分析的非結構性文章資訊。如何利用自然語言處理的方式，自動化威脅情資應用流程，向來是一項廣受討論的議題。近期，隨著 ChatGPT 的出現，人們更是重新探討了自然語言模型的應用情境；在本議程中，我們將回顧威脅情資處理流程四個步驟：威脅情資彙集分流、威脅情資分析、威脅情資正規化及整合報告撰寫，並分別介紹在這些流程中，自然語言模型可以如何協助資安分析師降低處理時間。

This presentation will delve into the need for semiconductors, notably flash memory and microcontrollers, developed from their inception, that address the ever-growing need to secure products, systems and data surrounding AI. The presentation will ask, then answer these core questions: What are the chip challenges designers face in the age of AI? Which particular security issues – now and in the future – will determine how semiconductors and AI work in unison? What anecdotes illustrate when and how AI-infused designs’ security was ensured through such chips. How do industry-standards bodies, such as ISO, contribute to validating the security characteristics of devices used with AI?

在使用 Sandbox 時，我們會期望可以透過動態執行獲得盡可能多的資訊，包含做了哪些行為、動過哪些檔案、有哪些對外部機器的操作等。但是，這些資訊量是非常多且底層的，在分析時，會希望看到它是屬於哪個家族、用了哪些 ATT&CK 攻擊技術等更高層次的資訊，而這些便是來自於對前述資訊的分析。在現有的 Sandbox 實作中，這些分析大多使用既定的規則，如使用特定 API 的組合或字串等，這些規則來自於分析師進行分析後萃取出來的資訊，它們是有效的，但是產生這些規則本身非常耗費時間及精力，同時這些規則也較為具針對性。

在這場演講中，講師將分享如何使用 Sandbox 產出的 API 以及動態的字串結果，搭配經由既定規則產出的惡意程式家族及 ATT&CK Tag，作為訓練資料，找出在這些被標記為同類的樣本中，是否有不同於既定規則的其他隱藏關係，並將這些結果作為新的規則回饋給 Sandbox，達成自動化產生規則的目的。