确保暗物质的安全：用于不透明工业软件供应链分析的语义增强神经符号框架

关键基础设施软件中的自动漏洞检测面临着一个根本障碍：工业软件通常被部署为剥离的、无符号的二进制文件，这剥夺了传统软件组合分析所需的源代码级透明度。现有的二进制分析技术只能部分弥补这种语义差距——基于图的检测器保留结构语法，但丢弃行为语义，而 大语言模型 提供丰富的语义线索，但代价是不稳定、容易产生幻觉的推理。为了解决这一差距，我们提出了一个语义增强的神经符号框架，该框架直接从不透明的二进制文件重建行为语义并执行易于处理的全局风险推理。三个紧密耦合的机制驱动了这种能力：（1）抽象解释与反射性提示管道相结合，在结构上约束本地 LLM 代理，有效抑制幻觉； (2) 满射变换，将原始代码属性图压缩为适合可扩展推理的类型化软件供应链知识图； (3) 一个适应领域的 Graphmer，它捕获远程漏洞传播，通过嵌入空间子图匹配进行增强，以发现零日和 APT 类型的攻击模式。通过三个不断提高的领域特异性的基准进行评估，该框架在检测准确性、语义提升保真度和 APT 指纹匹配方面始终优于所有基准。在包含来自五家 ICS 供应商的生产级硬件的混合虚拟物理测试台上的部署进一步证实了高影响力 CVE 的强大检测覆盖率，同时相对于领先的商业工具大幅降低了误报率。