《International Journal of Information Security》：NeuroGraph: an AI graph-driven neuro-symbolic framework for explainable threat reasoning in advanced manufacturing
编辑推荐：
先进制造环境中信息物理攻击面的日益复杂化，使得可靠的网络威胁情报（CTI）分析愈发具有挑战性。尽管大语言模型（LLM）与检索增强生成（RAG）提升了网络威胁情报能力，但基于文本的方法仍易产生幻觉，且缺乏对相互关联威胁的结构化推理。基于图的检索增强生成（Grap
先进制造环境中信息物理攻击面的日益复杂化，使得可靠的网络威胁情报（CTI）分析愈发具有挑战性。尽管大语言模型（LLM）与检索增强生成（RAG）提升了网络威胁情报能力，但基于文本的方法仍易产生幻觉，且缺乏对相互关联威胁的结构化推理。基于图的检索增强生成（Graph-RAG）部分缓解了该局限，但往往难以支持本体一致的多跳推理以及跨异构网络安全知识的透明证据溯源。本文提出一种图谱锚定的神经符号框架，该框架集成本体感知的符号查询生成、知识图谱检索与神经语言生成，以在信息技术（IT）与运营技术（OT）域实现准确且可解释的威胁分析。所提框架采用双大语言模型架构，其中第一个模型将自然语言查询转换为可执行的Cypher语句以进行符号图检索，第二个模型仅依据检索到的图证据生成响应。在公开网络威胁情报基准上的实验评估表明，相较于已发表基线，该框架在推理准确性上取得一致性提升，同时减少幻觉、改善多跳推理并增强对抗扰动鲁棒性。运行时与可解释性分析进一步表明，该框架在保持交互式推理性能的同时，暴露图谱锚定的推理产物，使分析人员能够检查并验证推理过程的每个阶段。这些结果证明了图谱锚定的神经符号推理在为下一代工业5.0环境提供可扩展、可解释且可靠的网络威胁情报方面的潜力。
**研究背景与问题**：工业5.0推动先进制造向人机协作演进，工业控制系统（ICS）作为基础组件广泛部署于能源、制造与关键基础设施领域。然而，系统数字化与互联化显著扩大了攻击面，Stuxnet（2010）、Triton（2017）及Oldsmar水处理设施入侵（2021）等事件表明，针对ICS的网络攻击可产生实体物理后果。大语言模型（LLM）结合检索增强生成（RAG）虽提升了网络威胁情报（CTI）分析能力，但基于文本的RAG易产生幻觉，难以对横跨信息技术（IT）、运营技术（OT）与物理过程的互联环境进行结构化推理。Graph-RAG利用知识图谱提供结构化关系推理，但现有方法在本体一致的多跳推理与透明证据溯源方面仍存在不足：网络安全知识本质异构（CVE、CWE、MITRE ATT&CK、CAPEC、资产清单与事件报告等），现有本体常仅建模子集；分析人员极少直接使用图查询语言；多数系统推理透明度有限，难以检查中间推理步骤。上述挑战促使研究人员开发一种兼具符号推理透明度与神经语言模型灵活性的图谱锚定神经符号框架。
**研究内容与结论**：研究人员提出NeuroGraph框架，并通过GRICS（Graph-Integrated Retrieval for Industry-Centric Security）架构实现，将信息物理知识图谱与双LLM架构相结合：第一个LLM将分析人员查询转换为本体感知的Cypher查询以执行符号知识检索，第二个LLM仅依据检索到的图证据生成自然语言响应。通过将符号检索与语言生成分离，GRICS实现图谱锚定推理，提升透明度、支持跨异构信息物理实体的多跳推理并减少无支撑的模型生成。实验表明，完整GRICS在CTI-RCM 2024上准确率达87.60%、F1为0.930，在CTI-RCM 2021上准确率达90.40%、F1为0.949，在CTI-ATE上准确率达77.15%、F1为0.871，均优于基线；McNemar检验（α=0.05）显示各配置相对基线LLM的改进具有统计显著性。该研究的重要意义在于为下一代工业5.0环境提供可扩展、可解释且可靠的网络威胁情报推理基础。
**关键技术方法**：知识图谱基于BRIDG-ICS本体构建，整合CVE、CPE、CWE、CAPEC、MITRE ATT&CK及来自真实工业物联网（IIoT）与OT测试床的资产信息，采用标签属性图（LPG）模型并在Neo4j中实现；节点经all-MiniLM-L6-v2模型嵌入为384维向量存入向量数据库以支持语义回退检索；Cypher生成模块采用预训练Llama-3.1-8B Text2Cypher模型，经Unsloth框架与低秩适配（LoRA）在450条KG-RAG问答样本上微调；评估采用公开CTI-Benchmark（CTIBench）中的CTI-RCM 2024、CTI-RCM 2021与CTI-ATE三项任务。
**研究结果**：（1）基准性能比较：通过三项CTI-Benchmark任务评估，完整GRICS在全部数据集上取得最高性能，所有配置精确率均为100%，表明有效预测均检索到正确实体，配置间差异主要反映查询解析与图证据检索能力；McNemar检验证实各配置改进具有统计显著性。（2）消融研究：通过对比已发表LLM基线、Base KG-RAG、KG-RAG+FT、KG-RAG+EF与完整GRICS，得出图谱锚定符号检索、Cypher微调与嵌入回退三项能力互补，微调提升初始符号查询质量，嵌入回退在初始检索失败时提升鲁棒性；可解释性分析显示微调扩大语义覆盖并使更多查询经直接符号推理解决，嵌入回退在失败时提供恢复路径但最终结果仍锚定于符号图执行。（3）对抗攻击鲁棒性：遵循已有方法学并采用攻击成功率（ASR）与每查询令牌数（TPQ）指标，在120条多跳推理查询上评估，GRICS在词汇扰动下ASR约68.3%、语义扰动下约74.9%、总体ASR为71.6%，语义扰动挑战更大；与PoisonRAG和GRAPPOISON的对比仅提供定性参考。（4）噪声分析人员输入鲁棒性：在CTI-RCM 2024上，Base KG-RAG与KG-RAG+FT在拼写与语法噪声下准确率均为46.3%，KG-RAG+EF达82.7%，完整GRICS达83.8%，表明嵌入辅助的图锚点恢复是噪声条件下鲁棒性的主要机制；实体格式噪声下，配备嵌入回退的配置对可语义恢复的一至三跳查询正确解析率达100%。（5）运行时性能分析：基于100条代表性查询测得，Cypher生成耗时0.86至2.58秒，响应合成平均约1.46秒，符号图检索开销相对较小，嵌入回退仅引入极小额外延迟；知识图谱约占1.9 GB主机内存，预计算节点嵌入约45 MB，4比特Llama-3.1-8B模型约占6.3 GB GPU内存。（6）可解释性与推理溯源：采用幻觉率（HR）、查询违规率（QVR）与模式一致性率（SCR）指标，微调模型在各推理深度均优于基线，一跳查询HR由0.35降至0.15、SCR由0.82升至0.93，五跳时基线HR达1.00、SCR为0.00而微调模型仍保持HR为0.70、SCR为0.35；推理完整性分析显示微调模型在约62%情况下恢复四跳及以上完整路径，基线为22%；结构稳定性分析表明微调模型更遵守三查询约束、更多经直接符号遍历解决查询且复合错误更少。（7）用例：通过攻击路径推理、漏洞中心分析、对抗技术归因与跨抽象层缓解推导四类用例，展示GRICS在统一图谱锚定框架内整合资产级、漏洞级、威胁级与缓解级推理的能力，并给出端到端可解释性示例，暴露生成的Cypher查询、检索图证据与最终锚定响应。
**讨论与结论总结**：讨论部分指出，GRICS的性能提升反映其向结构化、语义锚定推理的转变；与主要依赖嵌入或子图扩展的Graph-RAG方法相比，GRICS将符号查询执行与神经检索更紧密结合，Cypher符号检索确保推断关系与图结构一致；符号图锚定提供一定对抗保护但并未消除对抗脆弱性。GRICS宜定位为决策支持框架而非自主网络安全系统，其暴露的Cypher查询、检索实体与图遍历路径支持分析人员验证与可问责决策，人类专家仍负责纳入知识图谱未表征的资产配置、组织优先级与可接受风险等信息。对工业5.0的启示包括：可解释多跳推理路径提升信任与可审计性；混合检索在精度与鲁棒性间取得平衡；自然语言交互保持对图证据的可溯源性；以及与数字孪生环境集成的潜力。局限性涉及推理与检索（受图稀疏性、本体复杂度与跳深影响，仅评估一种嵌入模型）、可扩展性与部署、双LLM部署开销、以人为中心的评估缺失以及跨框架鲁棒性比较的非完全受控。结论部分译文如下：本文提出GRICS，一种面向先进制造与工业5.0环境可解释威胁推理的人机协同知识图谱框架。该研究针对现有面向网络安全的RAG与Graph-RAG方法的关键局限，即往往难以在紧密耦合的IT与OT系统间保持结构有效的多跳推理。所提框架通过将BRIDG-ICS本体、基于Cypher的符号检索、受控嵌入回退与LLM答案合成统一于单一神经符号流水线来应对该挑战。实验表明其提升了推理准确性与可用性。在CTI-RCM与CTI-ATE基准上，它持续优于基线LLM，其中经微调的图增强配置表现最佳。该框架还通过经符号图遍历解决更多查询、减少对近似回退的依赖并生成可溯源证据链来提升检索透明度。鲁棒性分析表明，图谱锚定推理在对抗性与结构复杂查询下更好地保持连贯的多跳推理。通过暴露中间Cypher查询、图证据与推理路径，该框架支持安全关键场景中可解释的人机协作、分析人员信任与知情决策。未来工作将研究符号智能驱动的数字孪生，辅以AI与本体推理，以及自适应检索策略与实时信息物理威胁监测。将图谱锚定推理与动态信息物理系统表示相结合，为实时风险评估、攻击模拟与自适应防御规划提供了有前景的路径。此类进展将弥合静态威胁情报与演化系统状态之间的差距，使该框架成为复杂工业环境中下一代韧性且可解释网络安全助手的基础。本工作表明，图谱锚定的神经符号推理为工业5.0环境中可解释网络威胁情报提供了有效基础。通过将符号图检索与LLM推理相结合，GRICS实现了透明、情境感知的多跳威胁分析，同时保持对结构化网络安全知识的可溯源性。研究人员认为，该框架为支持先进制造系统的未来图谱锚定网络安全助手提供了有前景的基础。
