本文针对安全业务流程建模中安全注解生成高度依赖人工且易出错的问题，提出一种基于大语言模型（LLM）与规则混合的自动化框架。在业务流程建模中，BPMN 扩展如 SecBPMN2 为流程模型添加安全属性，但现有实践通常需要安全专家从自然语言的安全需求文档中手动推导并填充注解，过程耗时且容易产生遗漏或错误。该框架以 BPMN 流程模型和安全需求文档为输入，自动输出符合 SecBPMN2 规范的安全注解。其核心方法包括：首先利用 LLM 从需求文档和流程元素中提取与安全相关的语义信息；然后通过预定义的 schema 约束将这些语义映射到规范的注解字段；接着采用规则化归一化步骤处理格式和表达不一致；最后通过确定性验证确保注解的结构完整性和合法性。为了评估效果，作者在包含 27 个来自不同领域流程模型的数据集上进行了综合测试。实验结果表明，该框架能够稳定生成结构有效且模式完整性高的 SecBPMN2 注解。与人工安全分析师相比，该系统的精确率显著更高（0.58 vs 0.29），召回率基本持平（0.52 vs 0.50），并且错误或位置不当的注解减少了近 50%。同时，自动生成速度远超手动标注。这些结果证明，LLM 与规则相结合的混合方案能够降低安全流程建模的工作量，提高一致性和可靠性，为安全设计（security-by-design）的 BPM 提供了可扩展的技术基础。该研究对于希望将安全需求自动集成到业务流程中的组织具有参考价值，也展示了 LLM 在领域特定规范生成任务中的潜力。