该论文提出 ThreatForest，一个面向云原生架构威胁建模的多智能体系统。传统威胁建模依赖人工分析源代码仓库，速度慢且需要稀缺的安全专家。ThreatForest 将威胁建模分解为多阶段智能体流水线，包括仓库分析、上下文精炼、威胁生成、并行攻击树构建（含 TTP 映射与缓解措施综合）以及报告生成。整个流程以有向图形式编排，包含确定性验证门、有限重试和三个人类参与验证点。系统可插拔地映射多种对抗框架（MITRE ATT&CK、CAPEC 及云特定威胁矩阵），并使用领域特定的句子转换器通过余弦相似度将攻击步骤映射到候选技术。实验表明，嵌入阶段是准确性的主要瓶颈，而非整个流水线。作者在七个应用领域上使用十六维评分标准进行评估，由独立 LLM 评分器加对抗验证和专家评审打分。威胁陈述、攻击树和缓解措施的质量得分在 0.63-0.68（0-1 标度），而仅嵌入的 TTP 映射得分仅 0.29，且该差距在七个领域稳定存在。对照实验表明，单次调用基线在同一模型上将映射可辩护性提高了一倍以上，从而将限制定位在嵌入编码器而非多智能体设计上。据作者所知，ThreatForest 是首个将代码仓库端到端转换为跨对抗框架的 TTP 映射攻击树并带证据缓解措施的系统，同时提供了可复用的基准框架。该论文适合安全自动化研究人员、威胁建模工具开发者及关注云安全左移的蓝队工程师阅读。

本文针对物联网（IoT）环境中的网络安全量化评估难题，提出了一种数据驱动的概率安全框架。传统攻击树分析（ATA）通常依赖专家判断或启发式评分，主观性强且可重复性差。该框架融合了基于模型的系统工程（MBSE）、攻击树分析以及经验漏洞数据，具体步骤包括：首先使用SysML模型捕获系统架构，并从中导出攻击树；然后将漏洞映射为基本攻击步骤，并利用漏洞预测评分系统（EPSS）分配利用概率；接着将攻击树转化为贝叶斯网络，实现概率推理、诊断推断和漏洞关键性分析。该框架能够量化系统被攻破的概率、识别攻击可能的原因，并优先制定缓解策略。通过在智能建筑案例研究中进行评估，结果表明该框架能够有效支持复杂IoT系统的安全评估，提供严谨、可重复的风险分析途径。论文主要贡献包括：(1) 提出一种集成MBSE、ATA、EPSS和贝叶斯网络的数据驱动框架；(2) 利用实际漏洞情报替代主观概率赋值；(3) 支持概率推理和诊断分析；(4) 通过案例验证了框架的可行性和有效性。适合从事IoT安全、风险评估、系统安全工程的研究人员及从业者阅读。