该论文研究了大型语言模型（LLM）和小型语言模型（SLM）在生成基础设施即代码（IaC）时的安全性问题，特别是针对AWS Terraform配置。云配置错误是安全事件的主要根源，但业界对LLM/SLM能否生成符合安全规范的IaC缺乏系统性评估。作者选取了七个模型进行基准测试：三个闭源LLM（Claude Opus 4、GPT-5.4、Gemini 2.5 Pro）和四个开源SLM（Qwen2.5-Coder-14B、WizardCoder-33B、CodeLlama-13B、Magicoder-S-CL-7B），覆盖17个场景。研究将Checkov和Trivy扫描器集成到GitLab CI/CD流水线中，评估两种提示策略，并以pass@5作为安全合规性的度量。关键发现是：语法有效性和安全合规性在LLM生成的IaC中基本正交——能生成格式正确的Terraform并不意味着安全。例如，WizardCoder-33B的语法验证通过率高达77.8%，但Checkov合规率为0%；而Claude Opus 4在详细安全提示下Checkov通过率仅23.1%，但Trivy通过率达92.5%。因此，仅靠提示工程不足以确保安全，自动化多工具扫描仍是LLM辅助IaC生成的必要补充，无论模型家族或提示策略如何。所有实验工件均已公开。该研究为安全工程师和DevOps团队提供了重要的实证依据，表明在采用AI生成IaC时必须内置安全扫描环节。

该论文针对大型语言模型（LLM）辅助 Terraform 基础设施即代码（IaC）安全修复的评估问题，提出了一种名为 TerraProbe 的五层预言框架。传统评估方式仅依赖静态分析工具的告警消失来衡量修复成功，忽视了规划有效性、行为变更及安全意图。TerraProbe 框架依次检查：（1）目标 Checkov 规则的移除情况；（2）全扫描器清洁度；（3）Terraform 计划的有效性；（4）计划变更的实质性比较；（5）人类专家的最终裁决。论文基于 68 个真实 Terraform 模块和 28 个受控注入缺陷模块，使用 gemini-2.5-flash-lite、GPT-4o 和 Claude 3.5 Sonnet 三种模型生成了 288 个修复。结果显示，目标 Checkov 移除率达到 83.3%，但全扫描器清洁度骤降至 10.4%，规划成功率仅 39.6%，计划比较可达率 38.5%。人类裁决进一步表明，在计划比较可达的真实修复中，71.4% 属于欺骗性修复（deceptive fixes），即通过所有自动化检查但仍保留原有漏洞。三种模型的欺骗性修复率在 57.1% 至 71.4% 之间，统计上无显著差异。论文还提出了四维欺骗性修复分类法，经评估具有较高信度（Cohen kappa=0.78, Krippendorff alpha=0.76）。IAM 权限分析显示，在全部 9 个 CKV2_AWS_11 欺骗性修复案例中，通配符资源授权始终存在。TerraProbe 提供了一个可复用的评估方法、复现包以及多层预言评估框架，旨在区分真正对齐安全意图的修复与仅通过扫描器的虚假成功。该研究对依赖 LLM 进行 IaC 修复的安全实践具有重要警示意义。