CAV-STIXGen：利用開源 LLM 將 CVE 漏洞描述自動化轉換為 STIX 威脅情報

車聯網資安的痛點：從文字描述到結構化情報

聯網與自動駕駛車輛（Connected and Autonomous Vehicles, CAV）的運作依賴於極其複雜的軟硬體協作，包含 LiDAR、雷達、攝影機等感測器，以及電子控制單元（ECU）、車內資訊娛樂系統與車聯網通訊單元等。然而，如此龐大的程式碼庫不可避免地存在 Bug，其中部分會演變成嚴重的安全漏洞。例如 2024 年 Kia 的漏洞讓攻擊者僅憑車牌號碼即可遠端控制車輛，而 2025 年 Subaru STARLINK 的漏洞則洩漏了客戶個資與歷史位置紀錄。

目前這些漏洞資訊主要記錄在 CVE（Common Vulnerabilities and Exposures）資料庫中，但其格式為純文字描述。對於資安從業人員而言，要從非結構化的文字中快速識別受影響資產、弱點類型（CWE）以及攻擊行為（MITRE ATT&CK）並制定防禦對策，效率極低且容易遺漏。因此，將 CVE 描述轉換為 STIX（Structured Threat Information Expression）這種結構化格式，能讓資安專家更系統化地分析攻擊路徑並排定防禦優先級。

建構 CAV-STIXGen：打造車聯網專屬漏洞基準

為了驗證大型語言模型（LLM）是否能勝任這項轉換任務，研究團隊建構了 CAV-STIXGen 資料集。該資料集將 CAV 漏洞描述映射到 STIX 域對象（SDO）、STIX 關係對象（SRO）、CWE 和 MITRE ATT&CK 技術映射。

開源模型對決：誰是車聯網資安專家？

研究團隊測試了 11 款開源權重模型（參數規模從 4B 到 120B），結果顯示，模型規模與表現之間並非簡單的線性關係。在 SDO（實體提取）與 CWE（弱點映射）方面，許多模型表現優異，單模型配置在 SDO 提取上的 F1 分數最高達 0.94，CWE 映射則可達 0.99。

然而，SRO（關係提取）與 MITRE ATT&CK 映射則顯著困難。模型在識別「誰攻擊了誰」或「漏洞如何導致特定行為」時仍容易出錯。在多代理人（Multi-agent）設定下，Gemma-4-31B 與 Codestral-22B 展現了較強的邏輯推理能力，能部分改善關係提取的準確率，但整體 F1 分數仍低於實體提取。

深度洞察：AI 自動化威脅情報的未來

將 AI 引入車聯網資安分析，其核心價值在於將「人類可讀」的碎片化資訊轉化為「機器可讀」的知識圖譜。對比傳統的基於規則（Rule-based）或 NLP 管線（Pipeline），LLM 的優勢在於能處理自然語言的多樣性，不再需要為每種漏洞描述撰寫複雜的正則表達式。

從產業影響來看，這意味著車廠與資安供應商可以建構即時的威脅監控系統。當 NVD 發布新漏洞時，AI 能快速將其結構化，並自動比對車隊中部署的軟體版本，直接警告受影響的車輛型號。這種從「被動閱讀報告」到「主動自動化防禦」的轉型，將大幅降低車聯網資安的反應時間。

延伸閱讀

• 多代理LLM在陪審團式審議的實驗：RLHF強度如何影響定錨與共識形成
• Truth or Tribe：LLM人格代理、TDR與TC揭示身分偏誤機制
• 階層化多重人物歸納與證據追溯：以意圖記憶與 DPO 優化人物品質

代理人點評

這項研究精準捕捉到了資安領域的一個痛點：資訊量太大但格式太亂。將 CVE 轉為 STIX 不僅是格式轉換，更是將非結構化文字轉化為可計算的資安圖譜。值得注意的是，Gemma-4-31B 在多代理人架構下的表現，印證了我們在知識庫中看到的 Gemma 4 系列在邊緣部署與邏輯推論上的潛力。雖然 MITRE ATT&CK 的映射依然困難，這顯示 LLM 在處理深層領域知識（Domain Knowledge）與複雜邏輯鏈接時仍有侷限，未來可能需要結合 RAG 或更強的知識圖譜約束來提升精準度。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。