CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models

📄 arXiv: 2610.03383v1 📥 PDF

作者: Lin Cui, Vincenzo Scotti, Raffaela Mirandola

分类: cs.AI

发布日期: 2026-10-02

💡 一句话要点

提出CVE2AP以自动生成PDDL编码攻击路径

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 攻击路径建模 大型语言模型 PDDL 网络安全 自动化生成 错误反馈机制 CVE描述 实证评估

📋 核心要点

  1. 现有的攻击路径建模方法依赖手动构建，难以适应快速变化的网络安全威胁。
  2. CVE2AP通过大型语言模型自动生成PDDL编码的攻击路径，利用结构化提示和错误反馈机制进行优化。
  3. 实验结果显示，CVE2AP在语法、可解性和语义上均表现出色，尤其在LLM专家评估下，语法正确率达到86.9%。

📝 摘要（中文）

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）被广泛用于将AP编码为正式且可机器验证的表示，以便于对漏洞利用、攻击进展及其潜在影响进行自动推理。然而，现有的AP建模方法主要依赖专家驱动的手动构建，限制了其可扩展性和应对快速演变的网络威胁的能力。本文提出了CVE2AP，一种基于大型语言模型（LLM）的方法，能够从自然语言CVE（公共漏洞披露）描述中自动生成PDDL编码的攻击路径。CVE2AP利用结构化提示，并结合错误反馈机制，迭代地根据规划器报告的语法和可解性错误来优化生成的路径。通过对多种LLM和生成配置进行系统的实证评估，结果表明CVE2AP能够有效生成高质量的PDDL编码攻击路径，语法正确率高达86.9%，可解性为78.6%，语义正确率为93.1%。

🔬 方法详解

问题定义：本文解决的是如何自动生成PDDL编码的攻击路径，现有方法的痛点在于依赖专家手动构建，导致可扩展性差，难以应对快速变化的网络威胁。

核心思路：CVE2AP的核心思路是利用大型语言模型的预训练知识和推理能力，将自然语言CVE描述转化为形式化的PDDL表示，进而实现自动生成攻击路径。

技术框架：CVE2AP的整体架构包括数据输入、结构化提示生成、路径生成、错误反馈机制和路径优化等主要模块。首先，输入CVE描述，然后通过结构化提示生成初步的攻击路径，接着利用错误反馈机制对生成结果进行迭代优化。

关键创新：CVE2AP的关键创新在于结合了大型语言模型与错误反馈机制，能够在生成过程中实时修正语法和可解性错误，这与传统的手动构建方法形成了鲜明对比。

关键设计：在参数设置上，CVE2AP采用了结构化提示的方式，损失函数设计上关注语法和语义的准确性，网络结构则基于现有的LLM架构进行微调，以适应攻击路径生成的特定需求。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，CVE2AP在生成PDDL编码攻击路径时，语法正确率达到86.9%，可解性为78.6%，语义正确率高达93.1%。在不同的LLM评估中，GPT-5.5展现出最佳的质量-成本平衡，而错误反馈机制则显著提升了生成路径的一致性和质量。

🎯 应用场景

CVE2AP的研究成果在网络安全领域具有广泛的应用潜力，能够帮助安全专家快速生成攻击路径模型，从而提升对网络威胁的响应能力和防御策略的制定。此外，该方法的自动化特性可以显著降低人工成本，提高建模效率，适用于各种安全分析工具和平台。

📄 摘要（原文）

Attack Path (AP) modeling is fundamental to cybersecurity analysis, where the Planning Domain Definition Language (PDDL) has been widely adopted to encode APs into formal and machine-verifiable representations for automated reasoning about vulnerability exploitation, attack progression, and their potential impacts. However, existing AP modeling approaches largely rely on expert-driven manual construction, limiting their scalability and ability to keep pace with rapidly evolving cyber threats. Large language models (LLMs) are promising candidates, as their extensive pre-trained knowledge and reasoning capabilities enable them to interpret and transform threat intelligence into formal representations. In this paper, we propose \textbf{CVE2AP}, an LLM-based approach for automatically generating PDDL-encoded attack paths from natural language CVE (Common Vulnerability Exposure) descriptions. CVE2AP leverages structured prompting and incorporates an error-feedback mechanism that iteratively refines the generated paths using planner-reported syntactic and solvability errors. We conduct a systematic empirical evaluation across multiple LLMs and generation configurations, assessing generation quality across syntactic, solvability and semantic dimensions, together with token consumption and generation time. The results demonstrate that CVE2AP effectively generates high-quality PDDL-encoded attack paths, achieving up to 86.9\% syntax correctness, 78.6\% solvability, and 93.1\% semantic correctness under LLM-as-expert evaluation, while \texttt{GPT-5.5} offers the best quality-cost trade-off and error feedback yields the most consistent quality improvement.