CAV-STIXGen

CAV-STIXGen是由阿拉巴马大学研究团队构建的专注于网联与自动驾驶汽车领域的安全漏洞结构化知识数据集。该数据集包含183条经过人工标注的记录，每条记录将来自国家漏洞数据库的CVE文本描述映射为结构化的威胁情报表达式，具体涵盖STIX领域对象、STIX关系对象、通用缺陷枚举以及MITRE ATT&CK攻击技术映射。其构建过程通过关键词筛选、相关性过滤、人工标注STIX对象与关系、映射CWE与ATT&CK技术，并最终验证转换为STIX 2.1 JSON格式文件完成。该数据集旨在为评估大语言模型在自动化生成结构化威胁情报方面的性能提供基准，并助力安全从业者系统分析汽车领域漏洞，识别重复出现的攻击模式与弱点，从而优先部署防御措施。CAV-STIXGen is a structured knowledge dataset focused on security vulnerabilities in the Connected and Autonomous Vehicles (CAV) domain, constructed by a research team from the University of Alabama. This dataset contains 183 manually annotated records, each mapping the textual descriptions of Common Vulnerabilities and Exposures (CVE) entries from the National Vulnerability Database (NVD) to structured threat intelligence expressions, specifically covering STIX Domain Objects (SDOs), STIX Relationship Objects (SROs), Common Weakness Enumeration (CWE), and MITRE ATT&CK attack technique mappings. Its construction workflow includes keyword screening, relevance filtering, manual annotation of STIX objects and relationships, mapping to CWE and ATT&CK techniques, followed by final validation and conversion into STIX 2.1 JSON format files. This dataset aims to provide a benchmark for evaluating the performance of Large Language Models (LLMs) in automated structured threat intelligence generation, and assist security practitioners in systematically analyzing automotive domain vulnerabilities, identifying recurring attack patterns and weaknesses, thereby enabling prioritized deployment of defensive measures.

搜集汇总

数据集介绍

构建方式

CAV-STIXGen数据集的构建始于从美国国家漏洞数据库（NVD）中检索与网联和自动驾驶汽车（CAV）相关的漏洞记录。研究团队首先构建了涵盖车辆类型、制造商、硬件系统及连接性等维度的领域特定关键词集，通过API调用初步获取445条候选CVE记录，经去重后保留368条。随后，两位标注者依据严格的纳入与排除标准对每条CVE进行相关性筛选，重点关注车辆组件、电动汽车充电、远程信息处理、车载信息娱乐系统、电子控制单元及车载网络等方面的漏洞，排除通用网站或非车辆特定系统的问题，最终以94%的Cohen's κ一致性保留183条记录。在此基础上，研究团队依据STIX 2.1规范，为每条CVE手动标注了结构化威胁信息表达（STIX）领域对象（SDO）和关系对象（SRO），并将通用弱点枚举（CWE）与MITRE ATT&CK技术映射到相应的攻击模式对象中。所有标注结果经双人校验后，通过程序化方式转换为JSON格式的STIX 2.1标准数据包，形成了包含1383个SDO实例、1395个SRO实例、211个CWE映射及294个MITRE ATT&CK映射的高质量基准数据集。

特点

该数据集的核心特点在于其针对CAV领域的专业性和结构化的知识表达深度。CAV-STIXGen覆盖了10种STIX 2.1定义的SDO类型，其中基础设施、攻击模式、漏洞、身份和威胁行为体是最常见的对象，反映了数据集在捕获受影响资产、攻击行为、脆弱性、供应商及攻击者角色方面的全面性。关系类型方面，数据集涵盖了exploits（利用）、targets（目标）、uses（使用）、affects（影响）等10种关键SRO，这些关系揭示了攻击行为如何利用漏洞、针对系统、影响基础设施以及连接软件组件与CAV相关资产的复杂网络。平均每条CVE包含约7.56个SDO和7.62个SRO，展现了丰富的实体与关系密度。此外，数据集在弱点与攻击行为映射上同样精细，平均每条CVE拥有1.15个CWE映射和1.61个MITRE ATT&CK映射，且前十大CWE中有五项位列2025年CWE Top 25榜单，前十大ATT&CK技术覆盖了全部映射的77.21%，揭示了CAV领域内频繁出现的访问控制失效、输入验证缺陷、以及拒绝服务与客户端利用等典型威胁模式。

使用方法

CAV-STIXGen数据集的首要用途是作为评估开源大语言模型（LLM）在将非结构化CVE描述自动转换为结构化STIX信息方面能力的基准。使用时应将每条CVE的标识符与描述文本作为输入，驱动模型生成包含STIX对象、关系、CWE及ATT&CK映射的JSON输出，并通过微精确率、微召回率及微F1分数等指标与数据集中的人工校验真值进行对比。该数据集支持不同提示策略的评估，包括无上下文提示、STIX引导提示以及动态少样本提示，其中动态少样本通过相似度计算选择与目标CVE最相关的示例，能最有效地提升模型性能。此外，数据集还可用于分析CWE与MITRE ATT&CK技术的共现模式，利用FP-Growth等频繁项集挖掘算法识别CAV漏洞中反复出现的攻击行为组合。研究团队已将数据集、提示模板及复现脚本公开在Figshare平台上，供独立研究人员和从业者下载使用，以促进运输安全领域AI辅助威胁情报的自动化生成与防御优先级排序。

背景与挑战

背景概述

在智能网联汽车（CAV）领域，软件与硬件组件的深度集成导致安全漏洞频发，这些漏洞通常以非结构化文本形式记录于通用漏洞与暴露（CVE）数据库中。为应对安全从业者对结构化威胁情报的需求，由阿拉巴马大学Md Erfan、Md Rayhanur Rahman等研究人员于2026年构建了CAV-STIXGen数据集。该数据集将CAV相关CVE描述手动标注为结构化威胁信息表达（STIX）对象，涵盖领域对象、关系对象、通用弱点枚举及MITRE ATT&CK技术映射，填补了该领域缺乏专用基准数据集的空白。通过评估11个开源大语言模型，该数据集推动了自动化威胁情报生成研究，对交通运输安全领域的漏洞分析与防御优先级排序具有重要影响。

当前挑战

CAV-STIXGen数据集面临多重挑战：首先，领域层面需解决从非结构化CVE文本到STIX结构化表示的高精度转换，现有模型在关系对象提取上仅达F1 0.63，而完整MITRE ATT&CK技术映射的Match@All普遍较低，表明攻击行为推理仍是难题。其次，数据集构建过程中，从445条候选CVE中仅保留183条相关记录，需经手动标注、多轮校验与一致性检验（Cohen's κ达94%），确保10类STIX对象及1,383个关系实例的准确性。此外，不同大语言模型在对象提取、关系构建和弱点映射上的表现差异显著，且多智能体配置未能一致超越单模型性能，凸显了任务分解与模型协作的优化需求。

常用场景

经典使用场景

在车联网与自动驾驶安全领域，CAV-STIXGen数据集的核心价值在于将非结构化的CVE漏洞描述转化为结构化的STIX威胁情报表示。研究人员利用该数据集评估开源大型语言模型在提取STIX域对象（SDO）、STIX关系对象（SRO）、映射通用弱点枚举（CWE）以及MITRE ATT&CK技术时的性能。通过对比无上下文提示、STIX引导提示和动态少样本提示等策略，该数据集为衡量模型在实体识别、关系构建与攻击行为推理方面的能力提供了标准化基准，尤其适用于评估大模型对自动驾驶汽车特有漏洞的语义理解与结构化生成水平。

解决学术问题

该数据集解决了车联网安全领域长期存在的结构化威胁情报缺失问题。传统CVE描述以纯文本形式存在，安全分析师难以系统化地提取受影响资产、弱点类型和攻击行为。CAV-STIXGen通过人工标注183条CAV相关CVE记录，生成了包含1,383个STIX对象、1,395个关系以及211个CWE和294个MITRE ATT&CK映射的高质量基准。其意义在于首次为自动驾驶领域提供了从漏洞描述到STIX捆绑的全链条评估标准，揭示了CWE与ATT&CK的共现模式——如T1203与T1499的频繁配对，从而推动了自动化威胁情报分析与防御优先级排序的理论发展。

衍生相关工作

CAV-STIXGen的发布催生了多项后续研究工作。基于其标注范式，研究者开发了面向CAV领域的多智能体STIX生成框架，利用Gemma-4-31B与Codestral-22B分别负责实体提取与关系构建，在SDO提取上达到0.91的F1分数。该数据集还启发了检索增强生成方法在威胁情报领域的应用，通过结合外部STIX、CWE与ATT&CK知识库，进一步提升了ATT&CK技术的完全匹配率。此外，其CWE-787、CWE-284等弱点分析结果被用于改进自动驾驶软件供应链安全评估工具，并推动了针对T1203-T1499共现模式的自动化攻击路径推理研究。