arXiv cs.AI· Luoxi Tang, Yuqiao Meng, Ankita Patra, Weicheng Ma, Muchao Ye, Zhaohan Xi·· 10 天前AI 评分27
POLAR：用 LLM 合成真实网络证据以支持漏洞优先级排序与缓解
Polar: LLM-Powered Synthesis of Real-World Cyber Evidence for Prioritization and Mitigation
AI 导读
POLAR 是一个 LLM 驱动的框架，将厂商公告、漏洞数据库和威胁情报等碎片化证据合成为以威胁为中心的评估，用于漏洞优先级排序与缓解。它先拆分重叠事件并将威胁锚定到来源可溯的证据，再结合严重性指标与按时间排序的利用信号估算近期被利用可能性，并将威胁数据关联到权威修复知识、按紧迫性和运营约束组织处置动作。
正文 · AI 翻译
摘要：网络威胁分析日益依赖于分散在厂商公告、漏洞数据库和威胁情报来源中的证据。要将这些碎片化的观察转化为及时决策，模型需要将技术严重性与不断演变的利用证据及可用的防御措施联系起来。我们提出 POLAR，一个由 LLM 驱动的框架，用于将真实世界的网络证据综合为以威胁为中心的评估，以支持优先级排序和缓解。POLAR 首先厘清相互重叠的事件，并将每个威胁建立在来源关联的证据之上。在优先级排序方面，它从网络证据中推断严重性指标，并将所得评估与按时间排序的利用信号相结合，以估计近期被利用的可能性。在缓解方面，它将综合后的威胁数据与权威修复知识相关联，并根据威胁紧迫性和操作约束组织适用的行动。我们在从公共资源收集的真实世界漏洞证据上评估 POLAR，并将其与多个基线进行比较。在异构事件和零日场景中，POLAR 改进了威胁排序和缓解检索，同时生成支持分析师检查的证据关联中间评估。这些结果确立了证据综合作为基于 LLM 的网络决策支持在相关安全任务中的实用基础。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.07298 [cs.CR] |
| （或 arXiv:2610.07298v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07298 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Luoxi Tang [查看电子邮件]
[v1]
2026年10月5日星期一 19:36:49 UTC（1,141 KB）
来源：arXiv cs.AI · arxiv.org