六、 技术路线与系统架构设计
为了确保上述研究内容和三年目标的顺利落地，项目组设计了科学、严谨、多层演进的自动化系统技术架构。系统主要由四个核心层级组成，通过串联的方式保障从原始漏洞输入到安全对齐输出的全流程自动化。
6.1 系统整体架构
┌─────────────────────────────────────────────────────────────────┐
│ 1. 数据汇聚层 (Data Ingestion Layer) │
│ - 多源漏洞爬虫管道 (CVE, CNVD, GHSA) │
│ - CVSS 基础客观指标自动化标注模块 │
│ - 专家协同多轮双盲标注与德尔菲冲突仲裁引擎 │
└────────────────────────────────┬────────────────────────────────┘
│ 标定后的对齐基准数据
▼
┌─────────────────────────────────────────────────────────────────┐
│ 2. 模型推理与探测层 (Model Inference & Probing Layer) │
│ - 15+ 异构模型评测矩阵 (开源/闭源, Dense/MoE, 7B-100B+) │
│ - 参数化 Prompt 工程模版库 (CoT思维链, Few-Shot少样本) │
│ - 决策探针与可解释性分析套件 (注意力权重提取、特征归因分析) │
└────────────────────────────────┬────────────────────────────────┘
│ 原始决策概率与逻辑链路
▼
┌─────────────────────────────────────────────────────────────────┐
│ 3. 共识对齐引擎层 (Consensus Alignment Engine) │
│ - 基于专家经验偏好的决策偏置反向修正矩阵 │
│ - 业务后果（如DoS业务崩溃）主观权重补偿算法 │
│ - 级联式安全防护防御墙 (Guardrails Boundary Control) │
└────────────────────────────────┬────────────────────────────────┘
│ 修正后的确定性安全评级
▼
┌─────────────────────────────────────────────────────────────────┐
│ 4. 自动化评级模块工具层 (Automated Triage Application Layer) │
│ - 模块化、可插拔 CLI / RESTful API 核心服务 │
│ - 工业级 DevSecOps 流水线级联插件 │
│ - 结构化漏洞危险性评级报告自动化渲染与可视化大屏 │
└─────────────────────────────────────────────────────────────────┘
6.2 关键核心技术攻关路径
6.2.1 基于人类专家经验的主观后果补偿算法
针对大模型可能仅依靠代码语法特征进行评级的缺陷，本系统在对齐引擎层引入了主观后果补偿。该算法的核心是提取漏洞描述中潜在的资产破坏后果（如系统全面崩溃、服务不可用、数据被窃取），并将其转化为一个调节因子 $CF$，对大模型输出的原始严重性概率向量 $\vec{P}_{\text{LLM}} = [p_{\text{low}}, p_{\text{med}}, p_{\text{high}}]$ 进行线性或非线性的重新加权校正，强制拉近其与一线专家主观逻辑的距离 。
6.2.2 低容错级联防御墙（Guardrails Boundary Control）
在工业落地中，为了杜绝大模型偶尔发生的幻觉或随机输出导致严重漏洞漏报（将高危判为低危），系统工程设计中外包了一层用确定性规则编写的级联防御墙 。若大模型给出的决策为“低危”，但防御墙中的静态分析引擎检测到该漏洞代码匹配特定的高危控制流特征（例如未经身份验证的越权调用），系统将自动触发中断并提升评级等级或挂起交由人工二审，从工程架构上绝对封堵低容错环境下的致命红线 。
与Jupyter的安装、实战[保姆级教程：从安装Acaconda开始手把手教学])