Leveraging Large Language Models for Cybersecurity Risk Assessment — A Case from Forestry

该文章聚焦林业网络物理系统，探索了基于本地部署的大型语言模型（LLMs）结合检索增强生成（RAG）在网络安全风险评估中的应用，核心是解决专家短缺与数据隐私合规问题，同时验证了LLMs的辅助价值与局限性。

一、文章主要内容总结

1. 研究背景与问题
   • 安全关键型软件系统（如林业自主机械）需严格网络安全风险评估，但企业普遍面临网络安全、AI、合规多领域专家短缺问题。
   • 现有法规（如《机械法规2023/1230》《网络弹性法案》）要求全面风险评估，而工程师缺乏专业支持，需工具辅助评估漏洞与威胁。
2. 研究方法
   • 采用设计科学研究方法，分两个周期开展：第一周期通过文献综述、3次专家访谈明确需求；第二周期基于Llama 2模型构建含RAG架构的工具，结合12位专家的访谈、交互测试与问卷调查迭代优化。
   • 工具设计：本地部署Llama 2 7B模型，通过RAG调用33份文档（含IEC 62443标准、MITRE ATT&CK知识库等），同时设计提示模板减少模型过度自信与幻觉。
3. 核心研究结果
   • LLMs的有效辅助场景：生成初始风险评估报告、识别威胁（如MITRE ATT&CK技术匹配）、冗余检查（验证人工评估完整性）、处理数据检索等重复性任务。
   • 关键局限性：模型输出存在准确性不足（如资产分类混乱、风险数值计算随意）、领域特异性弱（通用内容多，林业场景适配少