现代网络规模庞大且配置高度异构，依靠人工维护策略已越来越不可行。意图驱动网络（IBN）旨在把运维人员的高层目标自动翻译为底层设备配置，但现有 IBN 系统普遍依赖静态启发式规则和固定特征分类器，面对新服务定义、运维请求措辞演变等分布漂移时泛化能力很差。大语言模型在多个领域展现出很强的推理与翻译能力，因此被视为 IBN 策略生成的天然候选，但它能否可靠地用于该任务、其引入究竟缓解还是加剧底层安全风险，此前并不清楚。本文首先通过实验表明：微调后的 LLM 在意图翻译环节表现优异，但在判定“某个提议的意图是否违反已有安全策略”时会出现明显的假阴性（即把违规意图误判为合规）。作者进一步定位根因——问题并非 LLM 缺乏逻辑推理能力，而是 LLM 缺乏对网络拓扑与组层级（group hierarchy）的持久化事实锚定（grounding），只能依赖参数化记忆与上下文猜测。基于这一发现，作者提出 NetInspector：一个三层 agentic 框架，强制实施“先验证、后执行”（verify-then-act）协议，把信息检索与推理显式解耦，让 LLM 专注于符号推理，而每一个策略决策在获得批准之前都必须依据从实时 Environment Layer 检索到的、可验证的网络事实。为评估效果，作者构建了 NetInspector-Bench：一个包含 2,224 个样本、覆盖校园网、企业网与广域网拓扑的合成基准。实验结果显示，相比缺乏事实锚定的基线，NetInspector 将假阴性率降低 30% 以上，并且在语言层面的分布漂移（如措辞变化、新服务定义）下仍保持稳健，说明“检索—验证—再推理”的架构是让 LLM 参与网络安全策略生成的可取路径。

该论文针对意图驱动网络（Intent-based Networking, IBN）中的授权控制问题进行安全研究。IBN允许网络管理员仅表达高层目标和策略，而无需关心底层转发的具体配置、拓扑或协议细节；系统会自动将意图编译为低层配置并部署到网络中。论文的核心研究问题是：在IBN的这种抽象与自动化机制中，是否存在可利用的“时间性漏洞”（temporal vulnerabilities），使得授权之外的实体能够获取非预期的访问权限。作者团队通过分析IBN控制器在意图编译、分发和生效过程中的状态转换与时间窗口，识别出因时序竞态、状态不一致或异步操作导致的授权绕过场景。虽然论文摘要未给出完整技术实现细节，但可推断其主要贡献在于首次系统化地建模IBN生命周期中的时间攻击面，提出针对该攻击面的分类或分析框架，并通过实验或案例验证了漏洞的可行性。这篇论文适合网络安全研究人员、IBN系统设计者以及关注网络自动化安全的蓝队从业者阅读，有助于理解抽象网络管理模型引入的新型安全问题。