大型语言模型（LLM）被引入安全运营中心（SOC）后，可提升威胁情报的自动化程度，但也带来了关键漏洞，尤其是通过日志投毒实现的间接提示注入。攻击者在系统日志中嵌入恶意负载，触发多步骤的“promptware”杀链，从而劫持 LLM 的决策逻辑。
为保障整个处理流水线的安全，需要在确定性防御与神经网络评估之间取得平衡：前者计算开销低但缺乏语义感知，后者能够捕捉语义却引入延迟并存在概率性错误。
本文提出一种神经符号深度防御架构，实现端到端的管道完整性。第一层使用定制的 SIEM 解码器作为确定性预过滤器，在日志入口处立即进行结构化清洗，剔除大规模填充和基于签名的注入。第二层引入 NeMo Guardrails，对已结构化的 SIEM 告警进行自检式语义校验，确保仅在符合严格语义边界的情况下交给 LLM 处理。
此外，框架内置闭环遥测系统，将被拦截的攻击信息实时反馈至 SOC 仪表盘，提供 Human‑in‑the‑Loop（HITL）可视化支持。我们依据 MITRE ATLAS 分类，对多种提示注入场景进行实验评估，结果显示该组合防御能够有效拆解 promptware 杀链，既约束了 LLM 的随机性，又提供可验证的约束条件，构建了面向下一代 AI‑SOC 的高可观测性与韧性防御机制。
点评