文章主要内容与创新点总结一、主要内容本文聚焦大语言模型（LLMs）在网络安全领域的应用痛点，提出基于检索增强生成（RAG）的混合框架，以提升模型对新兴网络威胁的适应性、知识留存能力和时间推理能力。背景与问题：LLMs在网络威胁检测等安全应用中依赖度日益提升，但存在推理不透明、易受噪声干扰、 hallucination（幻觉）风险高、难以适配快速演化的网络威胁等问题；传统全量预训练或微调成本高，而标准RAG在网络安全领域的应用尚未充分探索，检索质量和领域适配性不足。核心框架：设计融合稀疏检索（BM25算法）、稠密语义检索（FAISS向量数据库）和网络安全专用正则表达式匹配（针对CVE标识符）的混合检索框架，通过权重参数α平衡两种检索方式的贡献，并对BM25分数进行归一化处理以对齐尺度。实验验证：基于Llama-3-8B-Instruct模型，在SECURE基准的KCV（CVE相关）和CWET（CWE相关）数据集上开展实验，对比无RAG、基线RAG与混合框架的性能，同时通过消融实验分析温度参数、嵌入模型对结果的影响。实验结果：混合框架（尤其是结合正则表达式的版本）在两类数据集上均优于基线方法，KCV数据集准确率达72.7%，CWET数据集达92.2%；低温度参数（如0.01）更利于网络安全领域的事实性推理，不同嵌入模型的性能差异较小，需兼顾精度与部署资源约束。二、创新点