Swan-Fantom/Explainable-AI-Vulnerability-Prioritization-Framework

标题：基于可解释 AI 的国家网络防御中心漏洞优先级排序框架：利用威胁情报图谱 团队成员：Manas Tyagi (24BIT0210)、Nipun Kulshreshtha (24BIT0277) 和 Arijit Bhattacharyya (24BIT0272) 问题陈述： 针对关键基础设施和大规模数字系统的网络威胁快速增长，导致软件漏洞数量不断增加，需要及时进行识别和修复。现有的漏洞管理方法主要依赖于静态的严重性指标，例如通用漏洞评分系统 (CVSS)，这些指标往往未能考虑实时的威胁情报、活跃的漏洞利用趋势、资产重要性以及网络威胁之间的复杂关系。这一局限性使得网络安全团队和国家网络防御中心难以准确地确定漏洞的优先级，并有效地分配修复资源。 此外，许多基于人工智能的网络安全解决方案缺乏透明度，它们作为黑盒模型运行，在提供风险预测时并未解释影响其决策的因素。这降低了分析师的信任度，并限制了 AI 驱动的安全系统在需要高度可解释性和问责机制的关键环境中的采用。 因此，我们需要一个可扩展的基于云的框架，该框架结合可解释人工智能 (XAI)、威胁情报图谱和漏洞风险分析，以生成准确、可解释且具备上下文感知能力的漏洞优先级排序建议。这样的系统应当使网络安全分析师能够理解为什么某个漏洞被视为高风险，并支持为主动网络防御提供更快、数据驱动的决策。 目标：- 开发一个基于云的漏洞优先级排序框架，整合来自多个来源的威胁情报数据，并根据严重程度、可利用性和现实世界的威胁影响对漏洞进行排序。 实现一个可解释 AI 模块，提供漏洞风险评分背后的透明推理，并通过交互式仪表板为网络安全分析师生成可操作的见解。

标签：Apex, GPT, 可解释AI, 威胁情报图谱, 机器学习, 漏洞管理, 网络安全, 逆向工具, 隐私保护