本论文提出并实现了一个名为 TagZilla 的自动化平台，用于在威胁情报（CTI）报告中为失陷指标（IoC）自动添加归属（owner）和滥用类型（abuse type）标签。在网络攻击活动中，IoC 通常包括 IP 地址、URL、文件哈希和加密货币钱包等，这些指标往往以非结构化文本形式出现在报告中，或仅在报告末尾列出而缺乏上下文，导致其分析价值受限。TagZilla 的核心思路是：给定一份威胁报告，自动分析其文本内容，识别其中描述的 IoC，并为每个 IoC 标记其所属的威胁组织、恶意软件家族，以及该 IoC 相关的滥用类型（例如钓鱼、性勒索、命令与控制等）。在技术方法上，TagZilla 引入了基于大语言模型（LLM）的新颖方案：对归属标签采用开放世界分类（open-world classification），即不限定已知实体集合，能够识别报告中出现的新组织或家族；对滥用类型标签则采用封闭世界分类（closed-world classification），预设了 29 种固定类型。作者构建了包含 100 份威胁报告、1,534 个指标的的人工标注地面真值数据集，评估结果表明 TagZilla 在归属标签上的 F1 分数为 0.94，在滥用类型标签上的 F1 分数为 0.93。进一步，作者将 TagZilla 应用于 765 份威胁报告，共识别出 15,583 个 IoC，归属于 637 个恶意软件家族、113 个威胁组织和 162 个其他实体。实验证明，即使报告中涉及多个攻击者和恶意软件家族，TagZilla 也能有效完成标签标注，从而为这些实体生成 IoC 画像。该研究的主要贡献在于：提供了一种自动化、可扩展的 IoC 上下文增强方法，显著提升威胁报告的可用性和分析效率；其开放世界分类设计尤其适合处理不断演变的新型威胁。适合安全运营中心（SOC）分析师、威胁情报研究员以及自动化安全分析工具开发者阅读。