HardEval: An Execution-Verified Benchmark for AI-Driven Security Hardening and Compliance Remediation

arXiv cs.CR · 19 oct, 06:00

Investigadores presentan HardEval, un benchmark que evalúa si los modelos de lenguaje pueden implementar correctamente controles de seguridad STIG en sistemas Linux en vivo, midiendo su capacidad para traducir requisitos de seguridad en cambios de configuración verificados mediante OpenSCAP/OVAL.