本文提出了一种名为 PECR（Predictive Exposure and Cryptographic Readiness，预测性暴露与密码就绪性）的决策支持方法，用于软件定义广域网（SD-WAN）环境中的漏洞优先级排序。传统 CVSS 等严重性评分机制仅关注漏洞本身，而未考虑资产的实际暴露程度、威胁情报或证据质量，导致修复队列无法真实反映当前风险。PECR 将九个归一化因子（包括严重性、威胁、可达性和后果）综合为一个评分模型，并单独报告置信区间和分数区间；同时，密码相关依赖项被放入独立的迁移队列，以应对加密机制升级等场景。评估使用了 100 条按角色和区域条件生成的合成漏洞资产记录，对应 62 个角色一致的资产，并进行了 30 次独立生成器复制。结果表明，与 PECR 排序相比，仅依赖 CVSS、EPSS、KEV 优先以及 CVSS×EPSS 的排序 Kendall τ 值分别为 0.196、0.221、0.301 和 0.234，而包含五个因素的简化上下文比较器的 τ 为 0.755。在 30,000 次联合 Dirichlet 权重抽取中，宽、中、窄扰动下的中位 τ 分别为 0.836、0.893 和 0.924。当掩盖 10% 的因子单元时，有 47 条记录被标记为证据有限，因为它们的置信区间跨越了决策边界。该研究建立了可执行的规范、合成队列差异化验证和压力测试鲁棒性，但未使用真实结果标签，因此不能证明预测准确性、避免损失或生产环境有效性。适合安全运营团队、漏洞管理研究者以及 SD-WAN 架构设计者阅读，以参考如何将上下文信息融入优先级决策。

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。