本文针对黑盒安全评分平台中修复措施影响预测的可靠性问题展开研究。安全评分平台通过聚合外部可观测的网络暴露数据生成组织安全评分，旨在帮助组织优先处理修复工作。然而，平台若频繁暴露精确评分响应，会泄露隐藏评分引擎的信息。为此，作者提出了一种基于代理模型的修复评分影响预测方法，该设计尊重评分引擎的不透明性约束。代理模型从组织配置预测评分，同时显式建模检查点（即安全检查项）的适用性及已观测的检查点集合。主要挑战在于预测的可靠性并非均匀：它依赖于特定配置下可观测检查点证据的数量和结构。为应对这一问题，方法结合了以下组件：适用性感知的代理构建、受控检查点限制下的敏感性分析、用于识别不稳定预测的可靠性层，以及对支持修复措施的评分影响预测。其中，检查点适用性的显式建模贯穿始终：它不仅提升了评分预测的准确性，还为可靠性层提供了识别不稳定案例的特征基础。作者在来自商业安全评分平台的5,188个组织配置的真实数据集上进行了评估。结果表明，与简单特征表示相比，适用性感知的代理模型显著改善了评分预测。在修复方面，代理模型能够预测支持措施的评分影响，同时可靠性层有助于识别需要谨慎解读预测影响的案例。本文适合安全评分平台开发者、安全运维团队及安全度量研究人员阅读，其方法有助于在黑盒场景下合理评估修复优先级。