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。