本文提出SMETA-ZSL，一种面向网络安全威胁分类的零样本学习方法。传统监督学习依赖大量标注数据，但新出现的威胁类别往往缺乏标记样本。零样本学习通过利用辅助语义知识（如自然语言描述）来识别未见过的类别。大型语言模型可将非结构化的网络威胁情报（CTI）报告转换为语义原型，为新兴威胁提供表征。然而，网络安全领域存在威胁描述语义重叠、行为特征与文本异构、类别严重失衡以及开放集条件等问题。SMETA-ZSL通过以下创新解决这些挑战：首先，使用对比微调从重叠的语言描述中学习语义原型；其次，通过情景元学习和知识蒸馏将行为特征与语义原型对齐；最后，采用自适应路由机制在已见和未见类别之间泛化。在7个基准数据集上，SMETA-ZSL在严格的归纳设置下取得了最优的广义零样本性能，平均超过先前方法10.8个百分点，最高提升18.1个百分点。该方法有望提升安全运营中心对未知威胁的自动化检测能力。

本文是一篇全面的物联网（IoT）安全综述，旨在系统性地分析和应对IoT环境中的安全威胁。随着IoT设备在智能城市、数字健康和工业4.0等领域的指数级增长，实时数据生成和智能决策支持成为可能，但同时也带来了严重的安全风险，主要源于设备的计算局限性、缺乏标准化以及攻击面的扩大。论文首先介绍了IoT安全的背景和挑战，然后详细描述了28种常见攻击，包括传统威胁（如中间人攻击）和专门的IoT攻击（如节点复制和窃取）。为了结构化理解这些风险，研究者使用了STRIDE模型进行功能威胁分类，并结合CVSS框架进行定量风险评估。进一步，论文建立了这些威胁与五大漏洞类（过程、代码、通信、操作和设备）之间的稳健映射，揭示了攻击者利用的具体技术入口。除了威胁识别，综述还介绍了最先进的缓解技术，并讨论了新兴研究范式和空白，为未来的研究提供了路线图，并为研究人员和从业者构建弹性和安全的IoT生态系统提供了坚实的技术基础。本文适合IoT安全研究人员、系统设计师、安全分析师以及对IoT安全感兴趣的学生阅读。

该论文提出了 OpenSOC-AI，一个轻量级的日志分析框架，旨在帮助中小型企业（SMBs）在没有完整安全运营中心（SOC）或企业级检测平台的情况下，利用大语言模型进行自动化威胁分析。框架基于参数量为 11 亿的 TinyLlama 模型，采用低秩适配（LoRA）技术进行参数高效微调，仅更新 1260 万个参数（约占基础模型参数的 1.13%）。在 450 条特定于 SOC 场景的日志样本上，使用单张 NVIDIA T4 GPU 在不到 5 分钟内完成微调。实验使用 50 条留出样本进行测试，结果显示：威胁分类准确率从微调前的 0% 提升至 68%，严重性评估准确率从 28% 提升至 58%，F1 分数达到 0.68，显著优于未微调的基线模型。此外，模型还能执行 MITRE ATT&CK 技术映射。作者公开了完整代码、适配器权重和数据集，以促进可复现性和社区扩展。这项工作的主要贡献在于证明了极小的训练成本和计算资源即可为 SMBs 提供可行的日志分析辅助工具，降低安全运营门槛。