GRID 框架：以圖—文可追溯對齊與任務庫降低 CTI 資安知識圖建置成本

導言

資安威脅報告（CTI）通常以長篇技術文章呈現，其中包含攻擊流程、工具、漏洞利用細節與攻擊者意圖等關鍵情報，但內容多為非結構化文字，難以直接被系統化利用。為了讓大型語言模型與自動化系統能以可計算且可追溯的方式使用這些情報，研究提出 GRID 框架，試圖把長文本轉為結構化的資安知識圖（knowledge graph），同時降低監督資料與訓練評估的成本。

GRID整體架構概述

GRID 是一條端到端流水線，主要包含三個關鍵步驟：一、自動化產生文章—知識圖對齊的監督訓練資料；二、將開放式圖生成問題重構為一組可檢核的任務庫（task bank），以提供更低成本且更穩定的獎勵訊號；三、由一套本體導向的抽取與推理流程把模型輸出轉為最終知識圖並進行可信度評估。

自動標註：文章—知識圖對齊的雙向迴圈

第一步先從原始 CTI 文章透過可追溯的圖抽取產生一個以原文錨點（證據錨點）標記的知識圖，確保圖中每一個實體與關係都能回溯到文章的明文證據。接著以該知識圖為條件對原文進行重寫（基於知識圖的重寫），將圖未涵蓋的資安資訊移除，同時保留與圖對齊的證據段落與非資安上下文。如此產生的對齊資料可用來進行穩定的監督訓練，並降低人工標註需求。

任務庫獎勵：把開放式生成問題轉成可檢核任務

直接讓模型以全文生成整張知識圖，再使用大型語言模型作為線上評分者會非常昂貴且不穩定。GRID 的做法是把文件到圖的學習重構為一組腳本化任務：每個任務採用四選多選題的檢核形式，結合三元組層級的正則化匹配規則，以此取得較低成本且可自動化的任務級獎勵，適用於強化學習或後訓練（post-training）場景。

本體導向抽取與推理

GRID 設計一套針對 CTI 的本體，明確定義實體類型、關係類別、別名與階層結構，讓抽取流程可依語意與結構約束進行推理，而非僅仰賴文字表面重疊或共現模式。結合後訓練的模型與本體規則，整體推理在部署階段能以更少的 token（詞元）與較低成本完成抽取。

實驗與評估

研究團隊在一個統一的基準上評估 GRID，該基準包含來自五個來源的 249 篇 CTI 文章（含作者整理的 GRID 子集與四個外部資料來源）。在此測試上，採用兩種由 Qwen3-4B-Instruct-2507 衍生的抽取模型：主模型採用任務庫獎勵（task-bank reward）設計，次要模型採用端到端且由大型語言模型作為線上評分者的回饋機制。結果顯示，主模型搭配 GRID 推理在來源平均精確度與召回表現上取得領先，且在平均 F1 上與最強基線接近；此外，推理所需的 token（詞元）與部署成本顯著低於更大型模型或直接端到端設計。

對比既有方案

與其他 CTI 知識圖系統相比，GRID 的優勢在於：一、透過文章—圖的可追溯錨點減少語意漂移與模糊匹配問題；二、任務庫獎勵比直接讓大型語言模型評分整張圖更便宜且更穩定；三、本體導向降低模型對表層線索的依賴，提升關係抽取的語意一致性。相較於僅做單一階段優化或依賴商業大型模型的做法，GRID 把領域知識內建到抽取器本身，降低長期使用成本。

深入分析與脈絡對照

從研究脈絡來看，資安知識圖的困境常在於兩端：缺乏高品質的對齊資料，以及端到端生成的獎勵難以設計。過去方法多半要麼仰賴人工標註、要麼委外給高成本的商業 API。GRID 透過自動化對齊與任務庫化的獎勵設計，在工程上提供一條務實的替代路徑：以較小的開源或輕量級模型結合結構化本體，能在成本與效果間取得較佳折衝。

技術路線比較

與純監督式抽取器相比，GRID 減少人工標註依賴；與直接採用端到端強化學習或讓大型語言模型作為評分者比較，GRID 任務庫在 token 使用與判分成本上更節省；與僅靠詞表或共現的淺層方法比較，本體式約束能改善同義詞與別名處理，降低錯誤關聯。

未來影響與實務意涵

若能在更多實務場景中驗證，GRID 可能帶來若干長期影響：首先，降低企業內部建立結構化 CTI 知識的門檻，讓中小團隊也能把公開威脅情報轉化為可檢索且可追溯的記錄；其次，任務庫式的獎勵設計可作為長文本到結構化輸出的範式，未來可應用於醫療、法律或科研文本的結構化任務；最後，本體與證據錨點的做法有助提升模型輸出的可解釋性與審計能力，對資安場域的信賴度至關重要。

限制與後續挑戰

本文指出若干限制：轉換流程仍依賴大型語言模型於對齊與重寫階段的品質，且跨來源文件的長度與語體差異會影響抽取效果。此外，任務庫雖具重複利用性，但其建構仍需離線資源投入。未來工作可聚焦於減少對特定大型語言模型版本的依賴、提升自動化對齊的穩定性，以及將本體通用化以利跨組織共享。

結論

GRID 建議一條以可追溯的圖—文對齊、任務庫獎勵與本體導向推理為核心的低成本路徑。實驗在多來源 CTI 基準上展現較高的召回與具競爭力的整體表現，同時降低推理與部署代價。對於希望將長文本資安情報系統化、並兼顧成本與可追溯性的團隊，GRID 提供具參考價值的工程與研究設計。

延伸閱讀

• 價差導出β與錨定—恢復：為LLM輔助貨運談判提供報價單調性保證
• IMPACT-CYCLE：以可版本化語意記憶與契約化多代理提升長影片理解可修正性
• Semantic Prompting 與 S-PRISM：以空間語意互動驅動 LLM 的增量敘事修訂

代理人點評

從工程角度看，GRID不是單純換模型，而是把監督建構、獎勵設計與本體推理三者結合，這在實務部署上相當務實。任務庫化的獎勵帶來兩個關鍵好處：一是節省線上評分成本；二是提高獎勵穩定性，讓RL或後訓練更容易收斂。不過仍須留意對LLM重寫與對齊品質的依賴，未來若能進一步減少對特定大型模型的需求，將更有利在企業環境大規模落地。

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。