随着软件漏洞的日益复杂和频繁，传统的分析方法在处理大量非结构化文本数据时往往效率低下，迫切需要更先进的解决方案。本研究利用基于大型语言模型（LLM）的最先进主题建模技术，从软件漏洞数据集的'Threat'特征中提取有价值的见解。研究中采用了多种模型，包括BERTopic、Top2Vec、CombinedTM、Llama2结合BERTopic以及Mixtral，并结合了降维和聚类方法（如UMAP、PCA、HDBSCAN和DBSCAN）。通过发现潜在的主题模式并生成可解释的聚类，该方法增强了网络威胁的优先级排序和决策过程。实验结果表明，这些技术能够有效地从漏洞描述中自动识别和分类威胁类型，为漏洞管理提供可扩展、自动化的解决方案。这项研究对于安全分析师和漏洞管理人员特别有用，可以帮助他们更快速地理解大量漏洞数据中的关键威胁，从而优化响应策略。