通过结构化提示框架增强LLM中以人为中心的思维链推理完整性
密码学与安全
2026-04-07 v1 人工智能
摘要
思维链（CoT）提示已被用于增强LLM的推理能力。然而，其在安全敏感分析任务中的可靠性仍未被充分检验，特别是在结构化人类评估下。替代方法如模型扩展和微调可用于帮助提高性能。这些方法也往往成本高昂、计算密集或难以审计。相比之下，提示工程提供了一种轻量、透明且可控的机制来引导LLM推理。本研究提出了一种结构化提示工程框架，旨在加强CoT推理完整性，同时提高本地LLM部署中的安全威胁和攻击检测可靠性。该框架包括16个因素，分为四个核心维度：（1）上下文与范围控制，（2）证据锚定与可追溯性，（3）推理结构与认知控制，（4）安全特定分析约束。该框架并非启发式地优化提示措辞，而是引入显式推理控制以减轻幻觉并防止推理漂移，以及加强安全敏感上下文中的可解释性。以SDN流量中的DDoS攻击检测为案例研究，在结构化和非结构化提示条件下评估了多个模型族。帕累托前沿分析和消融实验证明了持续的推理改进（在较小模型中高达40%）和跨规模的稳定准确率提升。具有强评分者间一致性（Cohen's k > 0.80）的人类评估确认了鲁棒性。结果确立了结构化提示作为可靠且可解释的AI驱动网络安全分析的有效实用方法。
引用
@article{arxiv.2604.04852,
title = {Strengthening Human-Centric Chain-of-Thought Reasoning Integrity in LLMs via a Structured Prompt Framework},
author = {Jiling Zhou and Aisvarya Adeseye and Seppo Virtanen and Antti Hakkala and Jouni Isoaho},
journal= {arXiv preprint arXiv:2604.04852},
year = {2026}
}
备注
This paper has been accepted at the 12th Intelligent Systems Conference (IntelliSys 2026)