在连接和自动驾驶车辆（CAV）中，软件和硬件组件如传感器、电子控制单元、车载信息娱乐系统和远程信息处理单元相互连接，这些组件的漏洞可能影响资产、用户及车辆操作。虽然这些漏洞通常在通用漏洞和暴露（CVE）数据库中以纯文本形式记录，但安全从业者需要关于受影响资产、弱点类型及攻击行为的结构化信息，以有效降低这些漏洞带来的风险。
为此，我们评估了开源大语言模型（LLMs）在为CAV相关CVE生成结构化威胁信息表达（STIX）方面的能力。我们构建了一个名为CAV-STIXGen的数据集，将CAV漏洞描述映射到STIX域对象（SDO）、STIX关系对象（SRO）、通用弱点枚举（CWE）和MITRE ATT&CK技术映射。
通过使用该数据集，我们评估了11个开源大模型（参数从4B到120B）在不同提示策略和温度下的表现。单模型配置在SDO、SRO和CWE映射上的F1分数分别为0.94、0.63和0.99，而完整的MITRE ATT&CK映射仍然具有挑战性。在多代理设置中，Gemma-4-31B和Codestral-22B在SDO上分别取得了0.91的F1分数和在SRO上取得了0.43的F1分数。
最后，我们分析了CWE和MITRE ATT&CK的共现，识别出CAV领域中的重复威胁模式，展示了AI辅助的漏洞到STIX的转换如何自动化威胁情报，并优先考虑运输安全的防御。
博主点评： 本文提供了对自动驾驶车辆安全性的重要见解，尤其是在利用开源大模型生成结构化威胁信息方面。通过构建CAV-STIXGen数据集，研究者们为威胁检测和响应提供了强有力的工具，未来的研究可以进一步优化模型性能，以应对更复杂的安全挑战。