网络安全的量化风险管理长期受困于两个现实难题: 一是企业内部可用于建模的运营数据稀缺、口径不一; 二是核心变量“损失事件频率”(Loss Event Frequency, LEF)本身难以直接测量和量化, 导致大多数风险评估退化为专家打分而非数据驱动。该论文提出 Loss Event Frequency Security Analyser (LEFSA) 概率框架, 其核心思路是把 LEF 估计重新表述为两阶段问题: 首先在“单机层面”预测未来是否发生网络损失事件 (Cyber Loss Event, CLE), 得到经过校准的机器级 CLE 概率; 然后通过层次化的基础设施聚合, 把这些机器级概率向上汇总到服务、业务流程乃至整个组织的层面, 并在聚合时显式建模机器之间的依赖关系 (例如共享身份、共享服务、网络拓扑耦合), 而非简单视为独立同分布。这样既保留了机器级预测的可解释性, 又避免了在组织级直接建模时样本量不足的问题, 使风险估计具备可扩展性、可解释性和可落地性。作者使用来自 23 家组织、基于 Microsoft Defender for Endpoint 的专有托管检测与响应 (MDR) 遥测数据进行了评估。结果显示, XGBoost 取得最强预测性能, 平均 ROC 曲线下面积 (AUC) 达 0.90, 且在多个评估周期内保持较低的校准误差, 说明模型输出的概率是可信的而非仅仅是排序正确。论文的主要贡献在于: 证明运营级终端安全遥测中含有对未来损失事件具有实质预测力的信息; 给出机器级概率建模加层次聚合的完整框架; 为从“事后统计损失”走向“事前概率预测”的量化网络风险管理提供了方法论基础。该工作适合风险量化、安全度量、SOC 数据科学与安全经济学方向的研究者和工程实践者参考。