论文 / arXiv:2609.28940
面向自主渗透测试框架的校准决策模型：Jev 与 Laya 作为 LLM 驱动渗透测试智能体的系统一决策层
Calibrated Decision Models for Autonomous Penetration-Testing Harnesses: JEV and Laya as System One Decision Layers for LLM-Driven Pentest Agents
Joas Antonio dos Santos Barbosa·2026-09-24·cs.CR cs.AI cs.SE相关度 27
21 pages, 5 figures, 11 tables, 4 code listings
⚡ 一句话总结 AI 生成 · 以原文为准
本文提出用系统一决策模型（Jev、Laya 及拟议的 Rave）作为渗透测试智能体四个决策点的校准决策层，并以含 13 个漏洞的案例研究作动机。
关键结论
- 定义四个决策点：发现裁定、严重程度再校准、智能体剪枝和确认循环。
- 针对含 13 个漏洞的 Web 靶机的探索性 NeuroSploit 案例研究，比较有/无 TypeSafe System One（Jev）的各一次运行；差异仅作动机，不具统计显著性。
- 提出领域适配的系统一模型 Rave，并概述其训练数据、评估协议及对框架保障的潜在影响。
📄 摘要AI 生成 · 以原文为准
自主渗透测试框架使用大语言模型（LLM）执行侦察、利用和报告，但往往依赖同一批模型来确认发现、评定严重程度和选择智能体，这可能导致误报、严重程度虚高以及算力浪费。我们研究系统一决策模型——返回类型化、经校准判定结果的轻量级非生成式分类器——如何支撑这些决策。我们做出五项贡献。第一，我们定义四个决策点：发现裁定、严重程度再校准、智能体剪枝和确认循环。第二，我们给出一项探索性 NeuroSploit 案例研究，比较一次使用 TypeSafe System One（Jev）与一次不使用它的运行，目标为一个包含 13 个漏洞的 Web 靶机。严重程度分布、运行时长的差异以及按暴露数据类型的评级差异为该架构提供了动机，但并不能确立统计显著性。第三，我们评述 Jev、Jev-Ultrafast 以及开源 Laya 的已发布规格，且不假定其他基准的结果可迁移到渗透测试。第四，我们讨论 RLHF、RLAIF、RLCD 和 RLHV 等训练方法及其对安全决策可信度的影响。最后，我们提出领域适配的系统一模型 Rave，并概述其训练数据、评估协议以及对框架保障的潜在影响。
💬 讨论 0
发帖 →还没有讨论，来发起第一个吧。
每日同步自 decision.host · 译文与总结由 AI 生成，每条都附原文链接。