该论文针对企业级 X.509 证书资产管理中的优先级排序难题提出解决方案。大型组织往往持有数百万张证书，虽然有基于 CA/Browser Forum 基线要求、NIST IR 8547/SP 800-57 及密码强度标准构建的确定性合规检查工具，能精确定位违规项并指导修复，但把所有证书都跑一遍完整确定性分析在运维上不可行。为此作者设计了 X-amine509，一个两级分诊（triage）系统：第一阶段用机器学习模型快速预测每张证书的风险水平并排序，第二阶段只把排名最高、风险最大的证书送入完整的确定性分析，从而在保证关键缺陷不漏检的前提下大幅降低计算开销。风险评分被量化为一个复合分值，由 177 项缺陷检查项汇总而成，并按安全严重性划分为四个等级，从密码学层面的彻底攻破一直覆盖到轻微合规偏差。作者从财富 500 强、.gov 和 .edu 域名采集了 1,027,714 张证书，用该评分体系逐一打分。在 201,976 张留出测试集上，最佳模型 Extra Trees 取得 R²=0.993、MAE=2.26；决策树模型在单机上达到每秒 370 万张证书的推理速度，R²=0.986。排序质量验证了分诊价值：聚合 NDCG 超过 0.997，严重性等级分类准确率 99.76%，对关键等级缺陷的召回率达 98.90%。十三个月后作者又采集 571,374 张证书测试模型随时间推移的耐久性，Extra Trees 与决策树仍保持 MAE 低于 6.8、R² 至少 0.915、聚合 NDCG 高于 0.988、严重性等级准确率至少 99.52%、关键等级召回率至少 97.03%，说明模型未因证书生态演进显著退化。特征重要性分析指出，有效期长度、Extended Key Usage 配置、负序列号编码和自签名状态是最强的风险预测因子，为分诊阶段提供了粗粒度可解释性。