本文综述了人工智能系统风险识别、分析与管理的系统性方法论。首先，梳理了全球范围内推动AI风险评估需求的监管格局，包括欧盟《人工智能法案》等基于风险的监管框架。其次，系统分类了文献中识别的AI相关风险谱系，涵盖从技术故障（如模型鲁棒性不足、数据泄露）到伦理与社会影响（如歧视、隐私侵犯、可解释性缺失）的多种维度。随后，重点回顾了面向AI系统的主流风险评估方法论，聚焦于通用框架（如NIST AI风险管理框架、ISO/IEC 42001等），分析了各框架的核心步骤、适用场景及优缺点。论文指出了当前AI风险评估中的最佳实践，例如分层评估、持续监控与多方利益相关者参与，同时揭示了方法论缺口（例如动态风险适应、因果关系量化、人机协作场景的特殊评估需求）。最后提出了未来研究方向，包括风险指标的标准化、跨领域迁移能力、以及与大模型风险特性匹配的评估技术。本文适合AI安全工程师、风险合规人员、政策制定者及研究人员阅读，以系统理解AI风险评估的现状与挑战。

本文针对物联网（IoT）环境中的网络安全量化评估难题，提出了一种数据驱动的概率安全框架。传统攻击树分析（ATA）通常依赖专家判断或启发式评分，主观性强且可重复性差。该框架融合了基于模型的系统工程（MBSE）、攻击树分析以及经验漏洞数据，具体步骤包括：首先使用SysML模型捕获系统架构，并从中导出攻击树；然后将漏洞映射为基本攻击步骤，并利用漏洞预测评分系统（EPSS）分配利用概率；接着将攻击树转化为贝叶斯网络，实现概率推理、诊断推断和漏洞关键性分析。该框架能够量化系统被攻破的概率、识别攻击可能的原因，并优先制定缓解策略。通过在智能建筑案例研究中进行评估，结果表明该框架能够有效支持复杂IoT系统的安全评估，提供严谨、可重复的风险分析途径。论文主要贡献包括：(1) 提出一种集成MBSE、ATA、EPSS和贝叶斯网络的数据驱动框架；(2) 利用实际漏洞情报替代主观概率赋值；(3) 支持概率推理和诊断分析；(4) 通过案例验证了框架的可行性和有效性。适合从事IoT安全、风险评估、系统安全工程的研究人员及从业者阅读。

本文针对量子计算机对当前广泛使用的密码算法构成的威胁展开研究。量子计算机凭借其实现新型密码分析的能力，可能在未来十年内对现有加密体系造成颠覆性影响，且由于“先收集后解密”的攻击行为模式，当前即需采取缓解措施。尽管近年来密码学与安全架构的进步为设计能够抵御量子密码分析的系统提供了可能，但关于如何推导此类系统的容差量仍存在文献空白。本文提出了“旋转时间”（rotation time）这一概念，用以量化密码敏捷性（crypto agility），并推导出旋转时间容差与安全风险容差之间的近似关系。作者利用历史CVE数据计算了旋转时间容差的示例值，发现其量级约为数小时至数天。研究表明，将密码敏捷性与混合加密相结合是设计抗量子系统的有效途径，但为满足组织的风险容差，可能需要面对具有挑战性的技术和运维容差。该工作填补了抗量子系统设计中容差量化方法的空白，为安全架构师和策略制定者提供了实用的度量工具。

直播已成为社交互动和数字商务的主要媒介，但也面临日益复杂的风险。一个根本性挑战是战术型分布外（OOD）偏移：恶意行为者保持其稳定底层意图（如欺诈），但不断重新设计叙事包装（如话术、场景）以逃避检测。现有OOD泛化范式假设难以满足，因为意图与战术的紧密耦合以及原始层面反事实的难以定义。本文从潜在因果视角出发，提出潜在预测反事实解耦（LPCD）框架，一种即插即用的鲁棒直播风险评估方案。LPCD在潜在层面建模意图和叙事变化，通过强制潜在反事实一致性，将风险预测锚定在因果稳定的恶意意图上，从而在对抗性战术重包装下实现反事实推理。推理时，LPCD采用轻量级、无参数的校准进一步缓解战术引起的分布偏移。在大规模工业数据集和在线生产流量上的广泛实验表明，LPCD持续优于最先进基准，验证了其在实时直播中调控演化对抗风险的有效性。项目页面提供详细信息。

本文研究大型语言模型（LLMs）在网络安全风险评估中的可靠性，采用CIS控制为基础的方法。研究背景是：组织面临网络安全人员短缺和威胁不断演变的挑战，LLMs被视为潜在辅助工具，但其可能生成不可靠或幻觉内容导致错误决策。核心问题是：LLMs在风险评估中是否可靠，能否替代人类专家？方法上，作者设计了包含多个风险场景的问卷，收集了50名人类专家的响应，并与五个主流LLM（如GPT-4等）的答案进行对比。通过统计分析，发现LLMs与人类专家在风险评分上存在显著差异，且LLMs总体倾向于低估风险。实验结果表明，LLMs无法完全替代人类进行风险评估，必须保留人类监督环节。主要贡献是：定量揭示了LLM在风险感知上的系统性偏差，并强调了人机协同的必要性——LLM应作为辅助工具而非独立评估者。该研究适合安全分析师、风险管理者和AI应用开发者阅读，用以指导LLM在安全评估中的谨慎使用。

本文针对机构级去中心化金融（DeFi）协议缺乏统一风险量化评估框架的问题，提出一个九维度风险评估框架。现有方法或聚焦于协议层面的参数优化，或停留在概念性分类，未能提供可解释、可组合感知且结构独立的评估方法论。作者在穆迪分析和Gauntlet公司提出的六维度分类基础上，新增三个核心维度：组合风险（composability risk）、理解债务（comprehension debt）和时间风险动态（temporal risk dynamics），并引入透明度置信度修正因子，将评估可靠性与风险严重性分离。该框架基于覆盖超过8000个DeFi协议的本体论基础设施，通过结构化分析协议依赖关系建立。作者对2024-2026年间12起重大DeFi相关事件（造成约25亿美元直接损失）进行回溯分析，发现其中5起（包括数据集内影响最大的两起）必须借助至少一个新维度才能完整解释根因。本文贡献在于提供了一个可落地、可扩展的风险评估框架，特别适用于机构级DeFi投资决策、审计和监管合规场景。研究适合DeFi安全研究员、协议开发者、风险管理人员及监管机构阅读。

随着现代汽车向智能化和网联化发展，其复杂性带来了显著的网络安全风险。威胁分析与风险评估（TARA）成为满足强制性法规要求的关键手段，但现有自动化方法依赖静态威胁库，难以满足行业所需的细粒度、函数级分析需求。本文提出DefenseWeaver，首个利用组件级细节和大语言模型（LLM）实现函数级TARA自动化的系统。该系统通过扩展的OpenXSAM++格式描述系统配置，动态生成攻击树并进行风险评估；采用多智能体框架协调多个专门化LLM角色，以增强分析的鲁棒性。此外，DefenseWeaver结合低秩适配（LoRA）微调和基于检索增强生成（RAG）的专家TARA报告，以应对不断演变的威胁和多样化的标准。作者在四个汽车安全项目中部署验证，系统识别出11条关键攻击路径，并通过渗透测试证实，相关车企和供应商已报告并修复。系统还展示了跨领域适应性，成功应用于无人机和船舶导航系统。与人类专家相比，DefenseWeaver在六个评估场景中的人工攻击树生成任务上表现更优。系统已集成到联电（UAES）、小米等商业网络安全平台，生成了超过8200个攻击树。这些结果突显了其在显著减少处理时间、可扩展性以及跨行业网络安全转型方面的潜力。