论文
CVE2AP：LLM结合规划器反馈生成PDDL攻击路径
CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models
摘要
攻击路径（AP）建模是网络安全分析的基础，规划领域定义语言（PDDL）广泛用于将攻击路径编码为形式化、机器可验证的表示，以自动推理漏洞利用、攻击进展及其潜在影响。但已有方法主要依赖专家手工构建，难以扩展并跟上快速变化的威胁。LLM凭借预训练知识和推理能力，可解释威胁情报并转换成形式表示。我们提出CVE2AP，从自然语言CVE（常见漏洞暴露）描述自动生成PDDL编码攻击路径。方法使用结构化提示，并依据规划器报告的语法和可解性错误迭代细化。在多个LLM和生成配置上的系统评估，覆盖语法、可解性、语义质量，以及token消耗和生成时间。结果达到最高86.9%语法正确率、78.6%可解率和在LLM专家评判下的93.1%语义正确率；GPT-5.5提供最佳质量成本取舍，错误反馈带来最一致的质量改善。