.png){kind=icon}
.png){kind=icon}
返回
MisConfDetect: Deterministic Misconfiguration Detection via Automated Validation Code Synthesis
.png){kind=icon}
PRE
AI
DOI：10.1109/tce.2026.3689049.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
消费电子产品（CE）的快速扩张构建了高度互联的数字生态系统，其中网络设备充当基础安全骨干。然而，网络配置的日益复杂使这些设备成为安全异常的主要来源——配置错误，这不仅导致网络中断，还引发了这些环境中的安全担忧和隐私风险。尽管大型语言模型（LLMs）最近已被用于异常检测，但由于幻觉风险、缺乏可解释性以及高运行时开销，现有解决方案无法满足安全关键型CE环境所需的可靠性和韧性。为应对这些挑战，我们提出了MisConfDetect框架，这是一种主动威胁狩猎框架，旨在通过LLMs驱动的确定性配置错误检测来保障CE基础设施安全。我们框架引入了两阶段策略：离线合成阶段，从厂商手册中提取配置知识并转化为结构化的领域特定语言规范以生成确定性验证代码；在线检测阶段，通过执行预生成的代码自动验证设备配置。通过将LLMs推理与在线检测解耦，MisConfDetect缓解了幻觉风险，提高了效率，并确保了可解释和可复现的结果。实验表明，MisConfDetect在命令级和功能级分别比最佳基线在检测率上提升了12%和26%，同时保持可靠的代码执行且精确率达到100%。
Keyword:
Consumer electronics
anomaly detection
large language model