AI 資安與網路自動化
TopoIntent 把自然語言資安需求編譯成可執行網路，修補後 CIS 覆蓋率由 0.78 升至 1.00
TopoIntent 以結構化 schema、架構檢索及合規檢查，把模糊需求轉成 Mininet 與 iptables 測試環境。留出測試顯示自動修補可補齊拓撲層控制，但資料集只有 14 組未見樣本。
企業網路自動化通常從既定拓撲開始，TopoIntent 則嘗試處理更早、也更難驗證的一步：把「隔離付款系統、限制供應商存取、符合特定安全等級」等自然語言需求，編譯成可執行的分區、邊界設備、路徑與 ACL。
[論文](https://arxiv.org/abs/2608.13389)先以 schema contract 限制模型只能產生合法節點、連線與政策欄位，再從 22 份參考架構進行向量檢索。系統分階段把需求融合至模板，依拓撲能觀察到的 [CIS Controls v8.1](https://www.cisecurity.org/controls/v8-1) 防護措施檢查缺口；修補只能新增節點、連線或規則，不能任意重寫已確認的設計。無法由拓撲判斷的控制項則保留給人工審查。
輸出不只是一張圖。TopoIntent 會生成 Mininet Python 腳本及核心層 iptables ACL，再實際執行 reachability 與 allow／deny 測試。作者以五種情境建立 44 組合成需求，另將金融及政府架構中的 7 個模板、14 組需求完全排除於檢索庫外。留出集經平均少於 1.5 輪修補後，拓撲可見的 CIS 滿足率由 0.78 升至 1.00；一次診斷回饋則把 ACL 政策通過率由 0.78 提至 0.88。
工程價值在於把 LLM 輸出接上型別檢查、合規規則與網路模擬器，而非直接信任文字答案。不過資料集小且由參考圖與合成需求建立，1.00 只代表選定的拓撲層控制，不能等同完整合規。下一步應觀察程式與資料是否公開，以及在既有網路、雲端安全群組、供應商設備語法和相互衝突需求下能否維持結果。