该论文针对关键任务基础设施面临的网络威胁日益复杂化、攻击门槛持续下降的现状展开研究。作者指出，防病毒和防火墙等传统点状防护方案本质上是被动响应式的，难以应对现代攻击面所呈现的组合爆炸式复杂度。为此，论文结合并对比了两种互补的方法论：其一是洛克希德·马丁的 Vortex/Crow 框架，它在业界标准的网络知识图谱之上引入多智能体强化学习（MARL），用于识别攻击向量并对其以及对应的 TTP（战术、技术与程序）进行优先级排序；其二是阿尔托大学提出的概率攻击图模型，该模型将网络拓扑结构与其中存在的漏洞信息融合，计算出系统层面的风险度量指标。研究选取有完整公开记录的 2015 年乌克兰电网网络攻击事件作为验证场景。当两种方法论被独立应用于同一套运营技术（OT）网络拓扑时，二者所推导出的攻击向量与漏洞利用序列均与事件记录中记载的内容一致，从而形成相互交叉验证，说明这两类建模路径在真实 OT 环境中具备可信度。随后，作者通过节点级消除实验开展攻击图分析，结果显示工业控制系统（ICS）是攻击传播最关键、最核心的使能环节，应作为防御加固的最高优先级目标。论文还比较了 CVSS v2.0 与 IronMiner 两种漏洞评分方法，总体上二者结论一致，但 IronMiner 在网络边缘节点上能给出更具可操作性的区分度。最后，作者认为“基线评估加节点级消除”这一分层方法论可扩展到大型企业网络，为防御方在真实的时间与资源约束下提供了一条结构化、由 AI 赋能的缓解优先级排序路径。适合从事 OT/ICS 安全、攻击面管理与漏洞优先级排序的研究者与工程人员阅读。

该论文介绍了 MAL Simulator（MAL 模拟器），一个基于 Meta Attack Language（MAL）构建的网络攻防行动模拟器，定位为面向决策驱动的网络攻击与防御仿真平台，用于系统分析以及自动化智能体（agent）的训练与开发。其核心设计思路是：将模拟器建立在一种攻击建模语言之上，因此无需修改源代码即可将同一套仿真框架迁移适配到不同的目标领域（如 IT 网络、工控、云环境等），从而解决了以往网络仿真环境高度定制化、难以复用和跨域迁移的问题。为验证可用性，作者开展了两个案例研究，分别训练防御型智能体和攻击型智能体；训练数据来源于在 CRATE 网络靶场中搭建的仿真网络所采集的数据，使模型具备一定的真实环境依据而非纯合成设定。实验结果显示三方面结论：第一，训练得到的攻击者策略在达成既定目标时，比作为对照的搜索类方法更高效；第二，在存在噪声告警（noisy alerts）的条件下，训练得到的防御智能体所导致（产生）的成本低于朴素的启发式防御策略；第三，当把强化学习攻击者与强化学习防御者直接对抗时，防御方的表现出现显著下降。第三点尤为关键，它表明仅用静态或启发式对手评估防御策略会严重高估防御能力，攻防双方都必须借助模拟器进行协同演进式训练。作者同时开源了 MAL Simulator 及相关工具链，并提供可与现有机器学习框架对接的通用接口，便于研究者和工程师直接复用。论文面向攻防自动化、强化学习安全应用、网络靶场与安全仿真建模等方向的研究人员和工程团队。

该论文研究如何为智能体渗透测试自动化构建逻辑攻击图，属于神经-符号漏洞挖掘方向。作者指出，基于扫描器输出、以逻辑形式表达的攻击图能够提供LLM智能体所缺乏的显式且可审计的攻击路径推理；但将MulVAL等符号框架集成到现代安全工作流或智能体流水线时，存在互操作性问题：需要把扫描器证据翻译为初始事实，并编写领域专用规则。为此，论文提出半自动化流水线：解析Trivy、Semgrep、Nmap的发现结果并转换为MulVAL谓词，再借助LLM辅助构建领域专用Datalog规则，将扫描器可检测证据与攻击技术关联，最后由MulVAL/XSB执行符号推理生成结构化攻击路径。评估使用CyBench中54个Web CTF任务，置于Hybrid Reasoner智能体流水线内，但作者明确不评估下游智能体性能。结果显示每个任务至少生成一个可达目标的攻击图，平均真实漏洞覆盖率为53.7%，其中51.9%任务达到完全覆盖；平均噪声路径率为83.9%。端到端中位耗时24.9秒，其中MulVAL推理2.7秒，说明流水线对智能体工作流具备运行时可行性。主要局限在于谓词覆盖率、规则覆盖率和路径精度，后续工作包括语义规则验证和面向图引导渗透测试的智能体级对比。

本文提出一种自动化流水线，用于从异构网络威胁情报（CTI）源中生成可操作的攻击表示。现代安全运营依赖来自半结构化威胁表示、IoC、叙事性技术报告等多种来源的CTI，但这些孤立信息往往不足以重构攻击的完整过程、各步骤的可行条件及留下的痕迹。分析人员需手动关联分散的证据，导致预防、检测和响应策略的设计延迟。为此，作者结合检索增强生成（RAG）架构与可本地部署的小型语言模型（SLM），构建了自动整合证据并推断缺失操作细节的流水线。该流水线以半结构化威胁表示和辅助CTI文档为输入，输出富化的攻击图（Attack Graph）：该图捕获粗粒度、对齐战术的攻击进程，并为每个步骤标注显式前置条件、后置条件及富化描述。该表示通过暴露执行需求支持预防，通过突出可观察痕迹支持检测，通过澄清攻击的时间演进支持响应。由于缺乏带真实攻击时间演化标注的验证数据集，作者在10个真实世界案例中测试了完整流水线，覆盖包括通过钓鱼投递的后门和分阶段下载器等多种威胁类型。基于这10个案例的人工评估表明，生成的攻击图与预期攻击进展一致，说明该方法能将分散的CTI证据整合为结构化、可操作的攻击视图，从而辅助分析人员。本文的核心贡献在于提出一种无需大规模人工标注即可融合异构CTI并生成可验证攻击图的新框架，弥合了叙事报告与结构化表示之间的鸿沟。适合安全运营人员、威胁情报分析师以及攻击建模方向的研究者阅读。

该论文面向任务关键型环境中的网络防御，提出了一种面向任务的三层网络防御框架，用于增强网络态势感知（CSA）与决策支持。研究背景是：在任务关键型运营域中，防御者需要在信息不完整且有噪声的观测条件下，持续估计不断变化的安全态势，同时保持关键任务的连续性与完整性，而现有方法往往难以在统一框架内同时表达攻击进展、防御方不确定性、任务影响和防御决策支持。核心方法是一个三层概率集成模型：第一层是攻击图模型，刻画攻击者经由任务相关资产的潜在进阶路径；第二层是事件模型，利用贝叶斯推断将观测到的遥测数据转换为防御者的后验信念；第三层是状态模型，将推断出的安全态势抽象为冲突状态和任务风险等级。三个层次连接到一个单步防御行动规则，该规则在估计的残余任务风险与运营成本之间进行权衡。框架在一个基于NetLogo的智能体仿真中实例化，仿真环境包含战术边缘区（TEZ）、任务运营区（MOZ）和企业支持区（ESZ）三个运营区域。评估方式包括数学一致性分析、遥测扰动下的局部鲁棒性评估以及代表性仿真轨迹分析。结果表明，该框架及其实现能够在攻击推进、遥测驱动的不确定性管理、任务影响评估以及基于任务风险优先级的成本感知防御决策支持之间保持连贯关系。主要贡献在于提供了一个可执行的仿真原型和统一的概率模型，将攻击图、事件推断和状态抽象有机结合，为任务关键型环境中的态势感知与防御决策提供了一种系统化方法。适合网络防御架构师、态势感知研究人员以及关注任务保障的蓝队人员阅读。

该论文系统性地评估了大型语言模型（LLM）在网络安全决策任务中的结构化推理能力，特别是在防御选择场景下的表现。研究基于真实威胁场景（包括勒索软件、供应链入侵、云滥用、Kubernetes攻击、POS恶意软件以及ICS/OT入侵）生成的攻击图，要求LLM在给定预算约束下选择安全控制措施以最小化攻击者成功概率。作者将LLM的策略与博弈论优化基线（作为结构化推理的规范性参照）进行对比，并设计实验探究其鲁棒性。主要发现包括：1）当攻击图结构显式提供时，LLM能生成接近优化基线的连贯策略，表现出条件性胜任能力；2）然而这种能力非常脆弱，随着图复杂度增加而显著退化，且对提示措辞高度敏感——微小的提示变化可大幅改变策略排序，甚至仅将劣质策略重新标注为“最优”就能显著提升其评估分数；3）形式化风险与LLM判断之间存在非单调关系，即接近最优的策略并不一定被LLM评估器给予最高排名；4）当要求LLM为同一优化问题生成求解器时，它们能恢复正确的高层形式化，但扩展性远不及专用求解器。研究揭示了LLM在受控表示下可近似结构化安全推理，但无法稳健应用，对AI辅助安全决策支持系统的设计与评估具有重要启示。

本文研究了Microsoft Active Directory (AD) 安全加固中的实践挑战。AD作为企业核心管理服务，常成为攻击目标。现有攻击图谱加固方案存在三大局限：1）假设图谱静态，而实际AD环境高度动态；2）仅关注撤销漏洞（边移除），缺乏主动防御机制，如蜜罐部署；3）未考虑系统管理员反馈，导致修复方案不可实施。为此，论文提出一系列基于博弈论和优化的决策模型。首先，提出一种蜜罐/诱饵部署模型，通过最小化最短路径数和域管理员可达节点数来优化部署位置。其次，引入动态/时变AD图谱下的防御策略，目标是在最坏情况下最大化事件响应时间。第三，设计自适应优先级模型，向IT管理员查询每个高风险攻击路径以进行调解。最后，提出端到端自适应优先级模型，通过寻找泛化管理员决策的边移除策略，最小化管理员的审批工作量。论文证明了所有模型背后的计算问题均难以处理。该研究为AD安全提供了实用方法，适合安全工程师和研究人员阅读。

该研究针对现代车辆网络安全中，现有的自动化工具有效处理非结构化网络威胁情报(CTI)不足的问题，提出GARAGE框架。GARAGE基于检索增强生成(RAG)，将碎片化的CTI转化为符合STIX 2.1和Auto-ISAC ATM标准的结构化知识库，用于自动生成攻击图。框架整合了12,786个CVE和140个事件报告，通过细粒度杀伤链分析形式化战术模式场景，实现了威胁生成能力。通过320次留一实验，验证了GARAGE能准确地将安全知识迁移到完全未见的车辆架构上。此外，GARAGE被定位为人机协同工作流中的可扩展TARA支持工具，并提供了跨多种LLM层级的成本-性能分析以指导部署。主要贡献在于提出了一个结合RAG与领域知识的自动化攻击图生成方法，有效解决了汽车CTI的异构性和架构特异问题。