PARSE框架实现基于证据感知的CVSS向量早期预测

该论文提出名为PARSE的漏洞披露生命周期模型及VPre早期评估框架，旨在解决从开源情报（OSINT）到官方国家漏洞数据库（NVD）评分之间的延迟问题。现有预测器因主要训练于标准化的后期描述，在噪声大且不完整的预NVD报告中表现下降；VPre通过两级证据感知解耦机制，在未公开披露阶段即可生成更准确的CVSS向量预测。 核心机制包含两个层级：第一级“安全证据筛选”在报告句级别分离噪声与有效安全证据，在PARSE-Triage噪声设置下达到0.98精确率和1.00召回率；第二级“证据匹配路由”根据验证集测量结果，将八个CVSS指标预测任务拆分为分散证据类和显式证据类，分别采用大语言模型推理和轻量级监督分类进行针对性预测。在5,581份报告的基准测试中，VPre在851份保留测试集上的平均绝对误差为0.7239，较复现的BERT-Small-NVD基线降低44.7%，且全基准配对时间戳显示其比官方评分平均提前38天（范围21-60天）。 事实层面，该研究构建了VPre-Bench数据集并验证了双级解耦的有效性；推断层面，这种架构表明针对早期模糊信息的专用路由策略优于通用模型微调；猜测层面，若此类方法被集成至自动化响应系统，可能显著改变企业安全运营中心（SOC）的优先级排序逻辑，但具体落地需依赖实时非结构化数据的获取能力。