使用大语言模型预测网络安全漏洞影响的系统方法
密码学与安全
2025-10-21 v2 人工智能
计算与语言
软件工程
摘要
漏洞数据库（如国家漏洞数据库，NVD）提供了常见漏洞与暴露（CVE）的详细描述，但往往缺乏关于其实际影响的信息，例如对手可能用于利用漏洞的战术、技术与程序（TTP）。然而，手动将 CVE 与其对应的 TTP 关联是一项具有挑战性且耗时的任务，且每年发布的新漏洞数量庞大，使得自动化支持显得尤为必要。本文引入了 TRIAGE，一种两种方法的自动化方法，使用大型语言模型（LLM）将 CVE 映射到 ATT&CK 知识库中相关技术。我们首先基于 MITRE 的 CVE 映射方法论为 LLM 提供指令，以预测初始技术列表。随后，该列表与来自第二个 LLM 基于模块的结果结合，后者使用情境学习将 CVE 映射到相关技术。这种混合方法战略性地将基于规则的推理与数据驱动的推断相结合。我们的评估显示，情境学习优于单个映射方法，混合方法改进了利用技术的召回率。我们还发现 GPT-4o-mini 在此任务上优于 Llama3.3-70B。总体而言，我们的结果表明，LLM 可用于自动预测网络安全漏洞的影响，TRIAGE 使将 CVE 映射到 ATT&CK的过程更加高效。一个复制软件包可在 https://doi.org/10.5281/zenodo.17341503 下载。关键词：漏洞影响、CVE、ATT&CK 技术、大语言模型、自动化映射。
引用
@article{arxiv.2508.18439,
title = {A Systematic Approach to Predict the Impact of Cybersecurity Vulnerabilities Using LLMs},
author = {Anders Mølmen Høst and Pierre Lison and Leon Moonen},
journal= {arXiv preprint arXiv:2508.18439},
year = {2025}
}
备注
Accepted for publication in the 24th IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom 2025)