深层物质的安全：面向不透明工业软件供应链分析的语义增强神经符号框架

针对关键基础设施软件的自动化漏洞检测面临一个根本性障碍：工业软件通常以剥离、无符号的二进制文件形式部署，导致传统软件组成分析缺乏源代码层面的透明度。现有二进制分析技术仅部分弥合了这种语义差距——图基检测器保留结构语法但丢弃行为语义，而大型语言模型则提供丰富的语义线索但推理不稳定且易产生幻觉。为此，我们提出一种语义增强的神经符号框架，从不透明的二进制文件中重构行为语义并进行可遍历的全局风险推理。该能力由三个紧密耦合的机制驱动：(1) 抽象解释结合自反提示管道，结构性地约束局部大语言模型代理，有效抑制幻觉；(2) 将原始代码属性图压缩转化为类型化的软件供应链知识图谱，便于可扩展推理；(3) 针对长程漏洞传播的领域适配图变换器（Graphormer）， augmented by embedding-space subgraph matching 以发现零日和APT风格攻击模式。在三个不断提升领域特定性的基准测试中，该框架在检测准确率、语义提升忠实度和APT指纹匹配方面均优于所有基线方法。在包含来自五家制造商生产级硬件的混合虚拟-物理测试平台上进一步验证，结果表明该框架对高影响CVE检测覆盖面强劲，同时显著降低了相对于领先商业工具的误报率。