使用 LLM 从 OpenVAS 和 Tenable WAS 报告中结构化提取漏洞

Beatriz Machado; Douglas Lautert; Cristhian Kapelinski; Diego Kreutz

使用 LLM 从 OpenVAS 和 Tenable WAS 报告中结构化提取漏洞

密码学与安全 2025-11-21 v1

作者: Beatriz Machado , Douglas Lautert , Cristhian Kapelinski , Diego Kreutz

摘要

本文提出一种基于 LLM 的自动方法，用于从 OpenVAS 和 Tenable WAS 扫描器报告中提取并结构化漏洞，将非结构化数据转换为用于风险管理的标准格式。在一次评估中，使用包含 34 项漏洞的报告，GPT-4.1 和 DeepSeek 实现了最高的与基准相似度（ROUGE-L 大于 0.7）。该方法展示了在将复杂报告转换为可用数据集方面的可行性，使有效的优先级排序和未来敏感数据匿名化成为可能。

关键词

LLM 漏洞提取 OpenVAS Tenable WAS 报告解析 ROUGE 风险管理数据匿名化

引用

@article{arxiv.2511.15745,
  title  = {Structured Extraction of Vulnerabilities in OpenVAS and Tenable WAS Reports Using LLMs},
  author = {Beatriz Machado and Douglas Lautert and Cristhian Kapelinski and Diego Kreutz},
  journal= {arXiv preprint arXiv:2511.15745},
  year   = {2025}
}

备注

5 pages, 4 tables, 3 figures, submitted to ERRC/WRSeg 2025

使用 LLM 从 OpenVAS 和 Tenable WAS 报告中结构化提取漏洞

摘要

关键词

引用

备注

相关论文