🤖 AI

i-EXAM: Instructable and Explainable Attack Connectivity Graph Modeler

i-EXAM 是一款由规划驱动的工具，它使系统管理员能够对复杂的网络安全进行建模、识别攻击路径，并利用具有健全性和完备性保证的大型语言模型来生成并解释多样化的加固策略。

原作者： Rakesh Podder, Wadia Ganim, Sarath Sreedharan, Indrajit Ray, Indrakshi Ray

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Rakesh Podder, Wadia Ganim, Sarath Sreedharan, Indrajit Ray, Indrakshi Ray

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的计算机网络是一座宏大、复杂且错综复杂的城堡，拥有成千上万的房间、秘密通道和守卫。而“系统管理员”（Sysadmin）的工作就是保护这座城堡免受入侵者侵害。但问题在于，这座城堡如此庞大且复杂，以至于如果你移动一块石头或锁上一扇门，你可能会不小心把国王困在里面，或者留下一个敞开的秘密通道。在实际动手之前，很难预知会发生什么。

于是，i-EXAM 诞生了——这是一款全新的数字工具，旨在帮助这些城堡守护者在无需盲目猜测的情况下规划他们的防御措施。

“如果……会怎样”模拟器

把 i-EXAM 想象成一个高科技的安全飞行模拟器。就像飞行员在起飞前会在风暴中练习飞行一样，系统管理员可以使用 i-EXAM 来运行“如果……会怎样”的情景模拟。

输入： 该工具会自动扫描城堡（网络），查看正在运行哪些软件、哪些门（端口）是开启的，以及墙壁上的裂缝（漏洞）在哪里。它从标准的安全工具中收集这些信息，并将其转化为一张数字地图。
引擎： 在其核心架构之下，i-EXAM 使用了一个强大的“规划器”（一种 AI 逻辑引擎）。这个规划器就像一位超级聪明的国际象棋特级大师，能够计算出窃贼可能入侵的所有可能路径。它不仅仅是在猜测；它通过数学方法证明攻击究竟是如何发生的。

看见“不可见”之处

其中一个最酷的功能是可视化地图。

想象你在看一座城堡的 3D 模型，其中的每个房间都是一个点，每条走廊都是一条线。
如果某个房间的锁很脆弱（存在漏洞），i-EXAM 会将其高亮显示。
如果一名窃贼可以从正门潜入宝库，该工具会画出一条发光的红线，展示那条精确的路径。
你可以点击地图上的任何部分来查看详情，例如：“这扇门之所以脆弱，是因为锁具已经使用了 10 年了。”

“修复方案”菜单

一旦工具展示了窃贼如何破门而入，它并不会止步于此。它扮演着一位创意建筑师的角色，提供不同的翻修计划。

问题： 有时，修复一个漏洞可能会意外地阻断邮差递送信件（导致服务中断）。
解决方案： i-EXAM 会提供一系列不同的修复方案。也许你可以更换正门的锁，或者在侧门增加一名守卫。它提供多种多样且各具特色的选项，以便你可以根据预算和团队技能进行选择。
保证： 该工具承诺，它所建议的任何计划都既能真正阻止窃贼，又能保持邮件畅通。这是经过数学证明行之有效的。

说“人话”

这是该工具变得非常友好的地方。通常，这些安全计划是用只有专家才能理解的复杂计算机代码编写的。

翻译官： i-EXAM 使用“大语言模型”（一种能够使用人类语言的高级 AI）将计算机的数学逻辑翻译成通俗易懂的英语。
解释： 它不会说“动作 A 使路径 B 失效”，而是会对系统管理员说：“如果你更换图书馆门的锁，窃贼就无法再通过窗户潜入了，因为新锁会触发警报并阻断他们的路径。”
它会解释为什么某种改变是有效的，让任何人都能理解其背后的安全升级逻辑。

为什么它很重要

该论文声称，这款工具之所以特别，是因为：

它是自动化的： 它通过标准的扫描数据自动构建复杂的安全模型，因此系统管理员不需要成为数学天才。
它是可靠的： 它使用严格的数学规则，以确保生成的计划确实可行且有效。
它是快速的： 即便是面对大型网络，它也能快速找到最佳解决方案。
它是灵活的： 它可以处理任何类型的网络布局，无论是小型办公室还是大型企业。

简而言之，i-EXAM 将网络安全中那些令人望而生畏、复杂的数学问题，转化成了一场清晰、互动的游戏——在这里，你可以观察威胁、尝试不同的防御手段，并获得关于你的新计划为何能让城堡保持安全的白话解释。

i-EXAM 技术摘要：可指令化与可解释的攻击连通图建模器

问题陈述
由于对网络组件进行单次修改就可能剧烈改变整体安全态势和韧性，因此保障大规模网络的安全性与管理工作本质上具有挑战性。传统方法往往难以同时对攻击向量和网络功能进行推理。虽然 SPEAR 框架此前提议使用攻击连通图（ACG）——一种被编译为 PDDL 规划问题的超图——来识别攻击影响，但仍需要一种交互式、易用的工具，使系统管理员（sysadmins）能够在无需具备自动化规划系统专业知识的情况下，可视化这些复杂的逻辑关系、执行“假设分析（what-if）”，并理解安全加固策略背后的原理。

方法论
i-EXAM 是一个构建在 SPEAR 框架之上的交互式工具，它集成了最先进的 AI 规划器与大语言模型（LLMs），用于对网络安全进行建模、分析与解释。该方法论通过四个主要阶段进行：

数据收集与模型构建：
i-EXAM 通过使用 Nmap、Wazuh 和文档数据等工具收集系统级和网络级属性（软件、版本、端口、协议、IP），实现规划模型的自动化创建。它通过 OpenVAS 等扫描器从外部数据库（NVD、ExploitDB）检索最新的漏洞（CVE）信息。这些数据被结构化为 JSON 格式，并输入到 PDDL 生成器中，以自动构建规划模型。其底层形式化方法将 ACG 编译为一个规划模型 ( $M_G$ )，其中流转（fluents）代表主机-属性对，动作代表攻击/连通性边，目标属性作为目标。
可视化与分析：
该工具将网络渲染为一张图，其中节点代表主机及其关联的漏洞，边代表连接。它支持多层抽象，允许用户点击节点以查看详细元数据（CVSS 分数、文件路径等）。i-EXAM 利用 top-k 规划器来可视化指向目标的多个潜在攻击路径。
系统专注于从 ACG 中导出的两个特定安全指标：
- 不可渗透性指标 ( $M_1$ )： 一个二进制指示器 ( $F^I_A(E_A) = 1$ )，用于确定是否存在任何有效的攻击路径（即 $|E_A| = 0$ ）。
- 攻击难度指标 ( $M_2$ )： 捕捉最小代价攻击路径 ( $F^D_A(E_A) = \min\{|E| \mid E \in E_A\}$ )。
  这两个指标都强制执行 $F^1_C$ ，以确保加固策略保留服务连通性。这些问题使用 Fast-Downward 规划器通过带有 LMCut 启发式的 A* 搜索进行求解。
“假设分析”与多样化解集选择：
为了提升安全态势，i-EXAM 旨在识别既能降低指标值又能保持服务可用性的网络修改方案。与传统的攻击图不同，ACG 允许同时对攻击和功能进行推理。系统采用了一种多样化解集选择策略，生成侧重于不同网络组件的多种修改集合。这种方法承认修改的“成本”难以精确量化，且取决于系统管理员的专业知识和技术人员的可获得性，从而使管理员能够在多种选项中做出明智的选择。
解释生成：
为了弥合形式化规划输出与人类理解之间的鸿沟，i-EXAM 使用大语言模型（具体为 llama-3.1-nemometry-70b-instruct）生成自然语言解释。它利用一种改进的“基于模型限制的解释”方法，呈现出原本能够满足先前指标值的反事实计划（counterfactual plans），并解释所提出的变更如何使这些计划失效。

核心贡献

交互式工具： i-EXAM 为系统管理员提供了一个用户友好的界面，用于可视化网络架构、突出显示攻击路径并探索加固策略，而无需了解 PDDL 或 AI 规划知识。
形式化保证： 通过继承 SPEAR 框架的完备性与可靠性保证，i-EXAM 确保模型中的任何有效计划都对应于 ACG 中有效的攻击或连通路径，反之亦然。
自动化流水线： 该工具实现了从网络扫描（Nmap、Wazuh、OpenVAS）到 PDDL 模型构建的全流程自动化，消除了手动建模的需求。
通过 LLM 实现的可解释性： 它集成 LLM 将结构化的反事实计划轨迹转化为自然语言，使安全建议的原理对非专家而言也清晰易懂。
多样化策略生成： 系统生成多样化的加固策略，以应对实施成本和约束的不确定性。

结果与性能
在约 30 个节点的网络上进行的实证评估（如 Podder 等人 2025 年所述）表明，启发式引导（LMCut）在不可渗透性和攻击难度指标方面一致地将计算时间减少了约 50%。top-k 规划器即使在较大的网络中也能成功枚举出多样化的攻击路径。系统在案例研究中成功实例化，能够自动突出目标、展示带有成本的攻击计划，并生成多样化的修改选项，以及解释为什么这些选项能消除或增加攻击成本。

意义与主张
本文将 i-EXAM 定位为连接形式化 AI 规划理论与现实世界网络安全运营的桥梁。其主要意义在于通过自动化和自然语言解释，使基于规划的安全分析对系统管理员变得触手可及。作者声称，基于 PDDL 的 ACG 形式化的领域无关性（domain-independent）使得该工具能够跨越任意网络拓扑和漏洞组合进行泛化，而无需针对特定任务进行微调。此外，人机协同的设计确保了管理员可以在选择多样化加固选项时应用领域判断，而工具则处理复杂的计算推理。这项工作被视为迈向更具韧性的网络管理的一步，未来的工作方向包括学习型成本函数、针对领域专家的可用性研究，以及向更大规模企业级网络的扩展。