本文针对网络安全漏洞信息分散于多个平台和数据库、难以形成统一结构化理解的问题，提出了一种结合网络安全知识图谱构建与自然语言查询的方法。现有知识图谱虽能有效组织漏洞数据，但查询通常需要掌握 Cypher 等图查询语言，限制了其可用性。作者从美国国家漏洞数据库（NVD）通过 REST API 采集数据，利用 Neo4j 的 Labeled Property Graph 模型对漏洞、产品、厂商、严重性指标、弱点和引用等实体及关系进行建模，构建了网络安全知识图谱，并部署在 Neo4j Aura Cloud 上。同时，设计了一个 AI 辅助接口，能够将用户的自然语言查询自动转换为 Cypher 查询语句，从而使用户无需具备图查询语言专业知识即可交互式地探索和分析漏洞数据。实验或演示表明，该自然语言查询方式显著降低了与网络安全知识图谱交互的门槛，使更广泛的网络安全从业者能够直观地利用漏洞数据进行风险分析和决策支持。本文的核心贡献在于验证了自然语言接口在知识图谱实际应用中的可行性，提升了漏洞数据的可访问性和实用性。适合对知识图谱、漏洞管理、自然语言处理在安全领域应用感兴趣的蓝队人员、安全分析人员及研究人员阅读。

该论文针对开放式无线接入网（O-RAN）的安全评估难题提出了一种基于图的可查询分析框架。O-RAN 通过模块化和互操作架构取代了传统供应商绑定的 RAN 系统，虽然促进了竞争与创新，但也引入了更高的复杂性和更大的攻击面。当前的安全评估方式主要依赖人工查阅大量规范文档、厂商白皮书和学术研究，过程繁琐且易出错，且难以保持动态更新。为此，作者设计了一个图数据库，将规范、论文、开源项目和漏洞数据库中的信息整合为统一的可查询结构，共包含超过 350 个节点和 1250 多条关系。为了保持资源时效性，框架采用混合数据提取流水线：对结构化规范使用确定性解析，对演进中的规范和非结构化文献则结合大语言模型（LLM）辅助提取。通过查询该图，论文在所选语料中揭示了三个可操作发现：首先，O-DU、SMO、O-Cloud 等关键基础设施节点在规范层面存在数十个威胁，但对应的实证研究覆盖极少；其次，被分析的 CVE 涉及的 21 个 CWE 条目中有 11 个与内存安全弱点相关；最后，20 个来自研究论文的 CVE 中有 18 个是通过模糊测试发现的。作者将数据库、流水线及查询脚本作为开源工件发布，为 O-RAN 安全研究者提供可更新的动态知识库，避免了静态交叉引用的局限。该框架不仅可用于攻击面分析，还可辅助安全测试优先级排序和漏洞研究定位。适合关注 O-RAN 安全、资产建模、知识图谱应用于安全分析的蓝队研究员、学术研究者及安全评估工具开发人员阅读。

该论文提出 Athena，一个基于知识图谱的漏洞影响库识别系统。研究背景是：广泛使用的库中单个漏洞可能影响数百万下游应用，但超过半数的漏洞数据库条目存在受影响库信息缺失或错误的问题。现有自动化方法将识别问题当作孤立的文本检索任务，忽略了漏洞数据库中的关系结构。Athena 首次将漏洞数据库建模为知识图谱，并将识别问题转化为知识图谱补全任务。系统包含三个关键模块：建模模块构建综合安全知识图谱，集成 CVE、库、CWE 弱点类型、CPE 产品和软件生态系统；补全模块通过链接预测，使用模块化 KGC 主干预测给定 CVE 缺失的受影响库；重排序模块检索 KGC 候选，并使用经知识图谱嵌入增强的微调 LLM 重新打分，联合利用结构化和文本信息。在 VulLib 数据集上的实验表明，Athena 显著优于四个最先进的基线，平均 F1 比最佳基线 VulLibGen 提高 32%。值得注意的是，其仅 110M 参数的 KGC 主干就已超过 VulLibGen 在 7B 参数下的最佳配置，证明了基于图建模的有效性；重排序模块则带来进一步的显著提升，在所有评估的 LLM 主干上持续优于最佳基线。

该论文针对威胁报告知识图谱提取工具评估的可复现性问题进行系统审计。研究者注意到工具发布时引用的三元组F1分数高度依赖于预测三元组与黄金标注之间的匹配规则，而匹配算法（精确匹配、同义词、嵌入相似度等）的选择会显著影响最终得分。作者检查了12个公开系统，仅对5个系统能够重新实现其论文中所述的匹配规则，其余7个规则不透明。在共享文档上使用8种不同匹配协议重新评分10个系统的预测输出，结果显示45对系统排名中有11对发生倒置；同一组预测在不同协议下F1得分可从0.16变化至0.70。在GRID外部378项校准数据集上，作者对比了词汇匹配、嵌入和蕴含等机械匹配器与多审阅者的人工裁决，一致性最高不超过71%，而使用LLM作为评判时一致性达到86%。为分离模型本身与匹配规则的影响，作者构建CTIForge，可固定抽取结果、仅改变验证层。实验发现，在7种部署配置下，验证层对精确率的影响并非单边：4个托管后端精确率提升，3个离线后端精确率下降，该差异与骨干网络、解码和提示耦合，不能简单归因于服务方式。同时，对于明确争论实体类型的动作增加了约2.8倍，说明手写验证规则内嵌了其为之开发的后端的约定。作者开源了完整管道、协议集合和逐三元组审计记录。此工作对于安全团队如何客观评估威胁情报知识图谱工具、避免被表面F1分数误导具有重要参考价值。

本文提出 BEACON，一个基于 LLM 的跨来源网络威胁情报（CTI）知识图谱自动构建框架。研究背景是：大量 CTI 以非结构化报告形式存在，数量庞大且异构性强，人工分析难以应对；现有自动构建知识图谱的方法大多只处理单篇报告的部分信息，未解决跨来源场景中同一威胁被赋予不同名称的实体对齐问题。核心洞察是：攻击行为一旦映射到 MITRE ATT&CK 这一标准化技术目录，即可作为报告的“锚点”。攻击行为是报告描述中的对抗性动作，而上下文实体（如威胁行为体、活动、受影响产品）和失陷指标（IoC，如 IP 地址）则是其参与者与痕迹；将这些元素挂接到锚点后，每篇报告的局部图都能被置于同一个规范空间中。BEACON 分两阶段实现该思路：第一阶段采用“先提出后验证”范式，将每篇报告抽取为图，以报告证据和官方 ATT&CK 定义为基础进行候选验证，抑制 LLM 的误分类与幻觉；第二阶段通过分层对齐策略合并图，按确定性递减顺序依次使用字符级相似、语义相似、技术邻域重叠等信号，并在合并过程中迭代更新邻域。由于现有基准均未将实体关联到技术锚点，也未提供跨来源对齐的真值，作者从 34 个来源构建并发布了两套人工标注数据集：据作者所知，这是最大的报告级 CTI 抽取数据集（8,395 个元素）以及首个跨来源整合数据集（3,487 个元素）。实验显示，BEACON 在两项任务上分别比所有基线至少高出 23% 和 9%。

本文针对漏洞优先级排序中的偏好依赖问题展开研究。现有评分系统（如CVSS）和排序方法通常假设固定的评估标准，但实际中，不同组织在不同运营场景下对同一CVE的修复优先级可能截然不同。然而，组织的偏好往往是隐性的，难以显式表述为自然语言指令，而日常的漏洞分诊查询通常也不包含明确的偏好信息。相较之下，历史上在当前场景下已验证的分诊案例更容易获得。为此，作者提出HARP（Hierarchical Adaptive Ranking with Preference-Adaptive Fusion）框架，一种基于图的多视图方法，用于在给定自然语言查询和当前偏好场景下的一小组历史标注样本（支撑库）时，对候选CVE进行排序，而无需显式文本形式的场景偏好描述。HARP首先从漏洞知识图谱中检索证据，然后通过策略条件化的全局视图、企业视图和用户视图对候选漏洞进行评分，最后从支撑样本中学习融合权重，自适应地组合各视图的评分。实验在三种不同偏好场景和多种骨干大语言模型（LLM）上进行，结果表明HARP在多个基线上取得了更优的性能，验证了其有效性。本文的主要贡献包括：提出了一种无需显式偏好文本的查询式CVE排序问题设置；设计了层次化自适应融合框架，能够利用历史分诊案例隐式建模偏好；并通过实验证明了该方法在不同场景下的泛化能力。适合安全运营、漏洞管理和AI辅助安全分析领域的研究人员与工程师阅读。

该论文提出 CTIFoundry，一个面向智能体（agent）的网络安全威胁情报（CTI）语料库脚手架。研究背景是：CTI 的消费正从人类分析师转向 LLM 智能体，后者在查询时组合多步调查流程。虽然智能体侧的规划循环、工具协议、上下文管理已快速成熟，但语料库侧仍停留在传统 RAG 的“不透明分块+嵌入索引”阶段。作者认为制约智能体 CTI 调查的瓶颈并非模型能力，而是语料库的底层组织结构。CTIFoundry 在构建阶段将 CTI 语料库的潜在结构显式物化：在 CVE、CWE、CAPEC、ATT&CK 四个权威知识库上构建确定性本体图，官方交叉引用被转化为类型化、可遍历的边；构建 span 级报告层，将跨厂商、经别名消解的规范实体与携带溯源信息的分块关联；并提供混合密集+词法检索接口。在查询阶段，该结构通过七个类型化工具和三个过程性技能暴露给智能体，并挂载到开源智能体框架上。在公开的 CTIConnect 基准上，仅替换动作表面（action surface）就将相同框架的智能体在四种模型、两家提供商的组合上整体 F1 提升了 +0.19 至 +0.28；使用 CTIFoundry 的小模型甚至超过了使用平坦语料库的旗舰模型，且这种增益并非通过增加搜索开销获得——在两种 Claude 模型上，启用脚手架的智能体在工具调用约减半的情况下准确率反而更高。消融实验表明：类型化结构贡献了主要增益，过程性技能将结构转化为纪律性，二者组合呈超加性，因为技能只绑定到已存在的结构上。论文的核心贡献是论证了语料库脚手架（而非模型能力）是智能体 CTI 调查的瓶颈，并提供了一种可复现的实现方案。适合研究方向：LLM 智能体、威胁情报自动化、知识图谱增强检索、安全分析工具链的开发者与研究者阅读。

硬件在环（HiL）验证是汽车软件系统开发中的关键环节，会产生大量多元时间序列数据。人工分析耗时且通常仅能实现异常检测和故障分类，难以进行根本原因分析。深度学习方法在故障检测和分类上虽表现优异，但面临两个主要局限：一是当故障位置、系统或操作条件变化时需要重新训练；二是倾向于将故障定位建模为分类任务，未显式利用故障位置、传感器与下游子系统效应之间的空间和功能关系，导致泛化能力不足且缺乏可解释性。针对这些问题，本文提出一种知识图谱引导的检索增强大语言模型框架（KG-guided RAG-LLM），用于汽车HiL数据的根因分析（RCA）和故障定位。该框架首先将原始时间序列记录转换为紧凑的诊断证据，然后利用传感器到位置及其传播关系的知识图谱进行信息增强，并检索相似历史案例为最终推理提供支撑。大语言模型在此框架中充当决策和解释层，而不是直接的时间序列分类器，从而输出排序的故障位置预测，并生成可解释的RCA说明。实验在两个汽车HiL案例上进行：ASM汽油发动机系统和电动汽车系统。最佳配置的Top-1准确率分别为90%和94%，记录级聚合方法在评估子集上达到完美的文件级故障定位。结果表明，知识图谱引导的RAG-LLM推理能够显著提升根因分析的可解释性和泛化能力，为汽车软件验证中的智能诊断提供了新思路。

安全运营中心（SOC）越来越依赖自动化工具将网络威胁情报（CTI）报告映射到MITRE ATT&CK框架，但提取器的输出仍然存在错误，且通常不附带证据、溯源和验证历史，导致难以判断单个映射的可信度。本文提出TRACE-CTI，一个事后提取声明治理框架，它保留运行级预测，聚合成配置级图断言，将重复配置去重后的验证结果作为共识断言，并仅暴露受政策合规验证支持的图断言。该框架保留了原生证据粒度、完整的提取溯源、带版本的可信决策以及非破坏性撤销历史。作者在两个公开CTI语料库（共65份报告、5303个句子）上评估了TRACE-CTI，使用2×3的检索器与生成器组合矩阵，并分6个图版本增量摄入。所有设置无需修改模式即可集成，溯源路径保持完整，操作范围互不重叠，每个可信图断言都有活跃的合格验证基础。跨生成器家族的设置对相比同家族对表现出更大的输出多样性。在最终图状态下，将设置支持从k≥1增加到六方一致，使gold-aligned精度从25.3%提升至90.6%，而召回率从88.2%下降至16.3%。该图还能直接回答关于溯源、可信度、版本控制、依赖关系、分歧和审查队列的七个问题，而评估的最小扁平输出在没有增强或重新处理的情况下无法完全回答这些问题。结果表明，所提出的框架能够对提取的TTP声明进行显式、可审计的治理；观察到的验证轨迹是描述性的，不建立统计独立性或因果模型族效应。

本文针对现代AI系统在用户数据收集、集中控制和隐私侵犯方面的社会风险（如大规模监控、权力过度集中、用户自主权丧失），提出了一种面向隐私保护的联邦披露框架。作者认为用户需要一种主权系统来安全地拥有、治理和披露个人上下文数据，同时满足跨监管领域的合规要求（包括来源追溯、可解释性和策略遵守）。为此，他们提出了“视角感知AI”（Perspective-aware AI），将用户聚合的个人数据转化为结构化身份模型——Chronicle（时间知识图谱），该图谱随用户交互增长，并支持在联邦网络中安全地披露上下文。具体地，Chronicle持有者可以暴露一个可查询、授权的视图，供第三方代理在不集中存储任何用户数据的前提下进行查询。本文的核心贡献是提出了“来源保留Chronicle”（Provenance Preserving Chronicles, PPC）协议，这是一种联邦协议，它将每个持有者的Chronicle编译为紧凑的“授权证据子图”，遵循“分享不超过请求所需”的原则。协议机制包括：持有者保留本地数据主权；访问控制器基于领域专家本体投射出关系感知的视图；采用两阶段流程——先返回带有来源链接的文本摘要，仅在持有者明确批准后才释放原始工件。论文还形式化了问题定义，分析了现有区块链、P2P和持有者主权方案的差距，定义了核心构造，并在明确的威胁模型下勾勒了协议细节。本文属于前沿隐私保护与AI治理交叉领域的研究，适合对去中心化身份、最小权限披露、知识图谱隐私和安全合规感兴趣的读者。

网络威胁情报（CTI）报告通常是非结构化、异构且包含噪声的，这限制了它们在自动化分析与推理中的直接可用性。网络安全知识图谱（CSKG）能够以结构化形式表示攻击实体、行动和关系，但从自由文本CTI中构建此类图谱仍然是一个挑战。现有方法通常依赖单一的大型语言模型（LLM）进行端到端的信息提取和补全，这会导致高昂的成本、有限的可控性和不稳定的性能。本文提出了TACTIC-KG，一个基于智能体的CSKG构建框架，它将任务分解为多个模块化的、专门的LLM智能体，分别负责信息提取、类型标注、验证和精炼。通过使用轻量级模型（3B-8B参数），TACTIC-KG在提升稳定性、召回率和图一致性的同时降低了部署成本。该框架实现了并评估了TACTIC-KG，与最新的先进系统进行了对比。在人工标注的CTI报告上的实验表明，智能体专业化在提取F1分数、类型标注准确性和结构图相似性方面始终优于更大的单体语境学习（ICL）基线方法。这项工作为利用小型专家智能体团队构建高质量CTI知识图谱提供了可扩展且经济高效的解决方案。

本文针对当前威胁环境中，CVE/NVD 等漏洞数据库缺乏与攻击者行为（如 MITRE ATT&CK 战术和技术）的显式关联，导致安全团队难以快速理解漏洞的实际利用后果问题，提出了一种将软件漏洞与攻击行为模式链接的知识图谱构建方法。作者首先构建了一个包含 24,820 个实体和 43,608 个关系的高质量标注数据集，用于训练实体和关系抽取模型。在行为识别方面，采用基于 Transformer 的模型（CySecBERT）对 CVE 描述进行分类，在技术层面达到 87.71% 的 macro F1，在战术层面达到 96.16%。在信息抽取方面，分别评估了流水线方法（实体抽取 macro F1=0.86，关系抽取 macro F1=0.99）和基于跨度的联合模型（macro F1=0.78）。最终，所有抽取结果被整合到基于 Neo4j 的 Cyber Threat Knowledge Graph 中，支持结构化的漏洞-行为关联查询和可视化。该研究为安全分析师提供了一种自动将 CVE 映射到 ATT&CK 模型的工具，有助于提升威胁建模、攻击模拟和防御决策的效率。

该论文提出了一种针对基于知识图谱的检索增强生成（Graph RAG）系统的结构知识窃取攻击方法，称为GraphSteal。Graph RAG通过将知识图谱集成到检索管道中，使大语言模型能够利用结构化知识中的实体、关系和多跳依赖。然而，这种结构化知识同时引入了新的隐私风险：攻击者可以通过黑盒交互将Graph RAG系统转化为结构化预言机，逐步获取足够的关联证据以重建隐藏知识图谱的大部分内容。论文提出的重构框架包含两种策略：深度优先启发式搜索（Depth-Wise Heuristic Search）通过递归扩展以实体为中心的线索来提取细粒度的节点属性；广度优先扩散搜索（Breadth-Wise Diffusion Search）通过沿关系诱导的邻域传播来推断图拓扑。在通用医疗场景下的实验表明，该方法能从代表性Graph RAG系统中恢复超过90%的原始知识图谱，高保真地揭示敏感实体、关系和结构依赖。现有防护措施对此攻击的防御效果有限，凸显了保护Graph RAG管道中结构隐私的固有困难。该研究主要面向LLM安全、隐私保护以及RAG系统设计的研究人员。

知识图谱（KG）作为链接数据的强大表示，具有灵活性、语义丰富性，并支持知识丰富化和推理，帮助数据所有者组织和利用异构数据提供个性化服务。然而，真实世界的知识图谱往往不完整，隐藏了真实事实或缺失有价值信息。知识图谱嵌入（KGE）技术常用于推断缺失信息，但基于KGE的推理可能无意中暴露敏感用户属性，即使此类数据未显式存储。本文研究了KGE推理带来的隐私风险，重点关注属性推断攻击：攻击者试图从看似非敏感的输出中推断用户敏感属性。我们提出并评估了一个框架，通过对KGE输出应用后处理消毒技术来缓解这些隐私风险。初步结果表明，此类攻击对KGE模型输出有效，并探索了采用随机化方法时推荐质量与隐私保护之间的权衡，突出了未来需要尝试更先进技术以解决该问题的必要性。

本文定义了一种名为“Oracle Poisoning”的新攻击类别，攻击者通过破坏AI代理在运行时通过工具使用协议查询的结构化知识图谱，导致代理在正确推理的前提下得出错误结论。与提示注入不同，Oracle Poisoning操纵的是代理推理所依据的数据，而非指令。作者针对一个包含4200万节点的生产级代码知识图谱演示了六种攻击场景，首次在真实规模的代理系统中提供了知识图谱投毒的经验性证据，区别于传统的CTI嵌入投毒。主要评估使用来自三家提供商的九个模型的真实SDK工具调用（每个模型N=30），模型自主调用图查询工具并从结果中推理。结果明确：在中等攻击者复杂度（L2）下，每个测试模型以100%的概率信任中毒数据，在270次定向查询试验中有269次接受了伪造的安全声明。在开放式提示下，信任率下降至3-55%，证实提示框架是一个混杂变量；论文报告了两种条件。攻击者复杂度梯度揭示了离散的转折点，即信任从0%跃升至100%所需的最低技能水平，将攻击重新定义为“不是是否发生，而是程度如何”的问题。受控的交付模式比较表明，内联评估会产生假阴性：GPT-5.1在内联下显示0%信任，但在模拟和真实代理工具使用下均为100%，证明交付模式是一阶混杂变量。作者评估了五种防御措施；只读访问控制消除了直接修改向量，其余四种是部分且模型依赖的。对另外四个平台的分析表明，该攻击可能在知识图谱生态系统中普遍存在。

FixV2W利用知识图谱嵌入和历史重映射模式，修正NVD中无效的CVE-CWE映射，提升漏洞管理准确性。