该论文研究漏洞根因分类的可复现性与自动化友好度问题。背景是：在漏洞管理、根因分析(RCA)与处置排序中，按根因弱点分类至关重要，而业界长期依赖 Common Weakness Enumeration(CWE)这一公共弱点库。但 CWE 条目之间存在大量语义重叠，结构并非正交，导致同一个漏洞可被同时映射到多个弱点，给 RCA 与分诊带来歧义。为此，NIST 特别出版物 800-231 提出 Bugs Framework(BF)，用 <cause, operation, consequence> 三元组组织漏洞，并将多个三元组连成因果链，使一个漏洞同时携带其根本原因与最终汇点(sink)，而不是只挂一个终态标签。然而 BF 目前只是被规范定义，尚未针对自动化分类所面临的挑战做过性能评估，也缺乏支撑采纳所需的实证证据。作者的贡献在于首次以实证方式评估 BF ：既把 BF 当作分类目标，也把它视为 CWE 的补充。他们构建了一个经过系统筛选的语料，由与 CWE 研究相关联的自动化采集 CVE 组成，并做两项评估。其一是定性的评分者间一致性研究：2 名领域专家独立将 13 个 CVE 映射到 BF 的四个轴上，结果显示在 cause 与 operation 轴上高度一致，而在 attribute 轴上仅为中等一致。其二是可复现性实验：在两个不同预算配置的大语言模型(LLM)部署上运行其自动化分类框架。作者同时指出研究局限，例如证据可获得性不足、闭源软件缺少可检索的修复提交等。总体结论支持 BF 比 CWE 更结构化、更适合自动化这一主张，并具体指出 BF 的短板，包括对 attribute 轴的指导规范不足。适合漏洞管理、RCA 与 AI 辅助分类方向的研究者和安全工程团队阅读。

本论文针对软件系统中解析器差异（Parser Differentials）现象进行系统性综述与根因分析。解析器差异指两个或多个解析器对同一输入产生不同解释，这种不一致在复杂系统中难以检测，主要挑战在于如何从庞大代码库中抽象出解析器逻辑，以及如何证明解析器之间行为等价。这类缺陷源于软件组件（甚至独立模块）之间的交互，即使每个组件单独可能无错，组合后却会引发意外行为，因此长期未被充分研究。作者收集了大量已知的解析器差异案例，并对其进行了根因分析，旨在找出其产生的深层次原因。研究发现，某些设计反模式（anti-patterns）是导致解析器差异出现的主要根源。此外，现有最先进的解析器差异模型无法完全覆盖这些案例，作者据此提出了改进建议，以更准确地描述和解释此类缺陷。该研究为安全工程师和软件开发者提供了系统化理解解析器逻辑漏洞的新视角，有助于在开发阶段预防或识别潜在的安全风险。

本文提出了一种名为干预式根因分析（IRCA）的新方法，用于定位自动驾驶系统（ADS）中多传感器融合（MSF）感知系统发生故障的根本原因。自动驾驶系统高度依赖多传感器融合来提升环境感知的准确性，但融合过程无法完全消除不确定性，多个模块的故障会导致感知失败。传统方法（如异常检测和运行时监控）仅能发现异常现象，无法解释多模块故障与系统整体失败之间的因果关系。IRCA利用MSF的有向无环图（DAG）结构，构建了一个层次化结构因果模型（H-SCM），以建模各模块之间的复杂因果依赖。该方法采用分治剪枝算法，在因果路径中涵盖多个因果模块，并精准定位干预目标（即应施加干预的模块）。作者在基于Autoware的自动驾驶系统中，通过真实故障场景和注入故障的合成场景进行实验评估，IRCA在真实故障场景下的平均F1分数超过95%。此外，还在搭载Autoware的自动驾驶测试平台以及基于Apollo的跨平台评估中验证了方法的有效性。结果表明，IRCA能够高效识别导致感知故障的因果路径，显著增强自动驾驶系统的安全性。本文适合自动驾驶安全工程师、系统可靠性研究人员以及因果推断在安全分析中的应用开发者阅读。

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。