当大模型遇上网络安全：系统性文献综述

更新记录

📆[2026-02-09] 我们已将相关论文更新至2026年1月31日，新增80篇论文（2025.08.31-2026.01.31）。

📆[2025-11-17] 我们已将相关论文更新至2025年8月31日，新增176篇论文（2025.03.01-2025.08.31）。

📆[2025-03-03] 我们已将相关论文更新至2025年2月28日，新增33篇论文（2025.01.01-2025.02.28）。

📆[2025-01-21] 我们已将相关论文更新至2024年12月31日，新增74篇论文（2024.09.01-2024.12.31）。

📆[2025-01-08] 我们为每篇论文添加了发表期刊或会议信息。

📆[2024-09-21] 我们已将相关论文更新至2024年8月31日，新增75篇论文（2024.06.01-2024.08.31）。

简介

📊 按研究问题划分的论文分布

RQ	类别	论文数	百分比	趋势
RQ1	📊 评估基准	41	6.7%	📊 稳定
	🔧 微调后的领域大模型	32	5.2%	📊 稳定
RQ2	🛡️ 大模型辅助防御	113	18.5%	📈 增长
	🐛 漏洞检测	94	15.4%	📈 增长
	⚔️ 大模型辅助攻击	83	13.6%	🔥 热门
	🔨 程序/漏洞修复	66	10.8%	📊 稳定
	📦 其他	56	9.2%	📊 稳定
	🎯 威胁情报	46	7.5%	📊 稳定
	🔍 FUZZ	25	4.1%	📊 稳定
	⚠️ 不安全代码生成	31	5.1%	🚫 已停止维护
RQ3	🤖 Agent4Cybersecurity	56	9.2%	🚀 新兴

---

📜 文献综述

👉 查看完整文献综述 →

包含612+篇论文的完整文献综述已被移至单独文件，以提高可读性。

按研究问题快速链接：

• RQ1：构建领域大模型

  • 网络安全评估基准（41篇）
  • 微调后的领域大模型（32篇）

• RQ2：大模型在网络安全中的应用

  • 威胁情报（46篇）
  • FUZZ（25篇）
  • 漏洞检测（94篇）
  • 程序/漏洞修复（66篇）
  • 不安全代码生成（31篇）
  • 大模型辅助防御（113篇）
  • 大模型辅助攻击（83篇）
  • 其他（56篇）

• RQ3：未来研究方向

  • Agent4Cybersecurity（56篇）

BibTeX

@article{zhang2025llms,
  title={当大模型遇上网络安全：系统性文献综述},
  author={Zhang, Jie and Bu, Haoyu and Wen, Hui and Liu, Yongji and Fei, Haiqiang and Xi, Rongrong and Li, Lun and Yang, Yun and Zhu, Hongsong and Meng, Dan},
  journal={网络安全},
  volume={8},
  number={1},
  pages={1--41},
  year={2025},
  publisher={SpringerOpen}
}

星标历史

Awesome-LLM4Cybersecurity 快速上手指南

Awesome-LLM4Cybersecurity 是一个系统性的文献综述项目，汇集了 612+ 篇关于大语言模型（LLM）在网络安全领域应用的学术论文。本项目主要作为知识索引库，帮助研究人员和开发者快速定位相关研究、基准测试及应用方向。

环境准备

本项目为文献列表资源库，无需安装任何软件依赖或配置运行环境。

• 系统要求：任意操作系统（Windows, macOS, Linux）。
• 前置依赖：
  • 现代 Web 浏览器（用于在线阅读整理后的文献列表）。
  • Git（可选，用于克隆仓库到本地）。
  • Markdown 阅读器（可选，用于本地查看 .md 文件）。

安装步骤

你可以通过以下两种方式获取文献列表：

方式一：在线浏览（推荐）

直接访问项目维护的完整文献列表页面，无需下载：

• 完整文献综述: 点击查看 LITERATURES.md

方式二：本地克隆

如果你希望离线查看或贡献内容，请使用 Git 克隆仓库：

git clone https://github.com/tmylla/Awesome-LLM4Cybersecurity.git
cd Awesome-LLM4Cybersecurity

提示：国内用户若遇到克隆速度慢的问题，可使用 Gitee 镜像（如有）或通过代理加速，或直接下载 ZIP 压缩包。

基本使用

本项目核心在于通过分类索引快速查找论文。所有论文已按三个核心研究问题（RQ）分类整理在 LITERATURES.md 文件中。

1. 查找特定领域的论文

打开 LITERATURES.md 文件，根据以下三大方向定位你需要的内容：

• RQ1: 领域大模型构建 (Domain LLMs)

  • 查找 评估基准 (Evaluation Benchmarks)：包含 41 篇论文，用于测试 LLM 在安全领域的性能。
  • 查找 微调模型 (Fine-tuned LLMs)：包含 32 篇论文，介绍如何训练专用于网络安全的 LLM。

• RQ2: 网络安全中的应用 (Applications)

  • LLM 辅助防御 (LLM Assisted Defense)：113 篇论文（增长趋势📈），涵盖入侵检测、日志分析等。
  • 漏洞检测 (Vulnerability Detection)：94 篇论文（增长趋势📈），利用 LLM 发现代码漏洞。
  • LLM 辅助攻击 (LLM Assisted Attack)：83 篇论文（热门🔥），研究攻击者如何利用 LLM 生成恶意载荷。
  • 程序/漏洞修复 (Program/Vulnerability Repair)：66 篇论文，自动化修补代码。
  • 其他方向包括：威胁情报、模糊测试 (FUZZ)、不安全代码生成分析等。

• RQ3: 未来研究方向 (Future Directions)

  • Agent4Cybersecurity：56 篇论文（新兴🚀），探索自主智能体在安全运维中的应用。

2. 引用论文

如果你在研究中使用了该综述列表，请在参考文献中引用原始论文：

@article{zhang2025llms,
  title={When llms meet cybersecurity: A systematic literature review},
  author={Zhang, Jie and Bu, Haoyu and Wen, Hui and Liu, Yongji and Fei, Haiqiang and Xi, Rongrong and Li, Lun and Yang, Yun and Zhu, Hongsong and Meng, Dan},
  journal={Cybersecurity},
  volume={8},
  number={1},
  pages={1--41},
  year={2025},
  publisher={SpringerOpen}
}

3. 追踪更新

项目定期更新（最近一次更新至 2026 年 2 月 9 日，新增 80 篇论文）。建议定期 Pull 最新代码或关注仓库 Star History 以获取最新研究动态。