基于大语言模型的自动密码方案生成方法及系统

本发明涉及信息安全与人工智能交叉，尤其涉及一种基于大语言模型、检索增强生成（rag）技术及闭环反馈机制的密码方案自动生成方法及系统。

背景技术：

1、随着云计算、物联网（iot）及车联网等分布式计算场景的快速发展，数据在全生命周期中的安全防护需求日益复杂。密码技术作为信息安全的基石，其方案设计需综合考量安全强度、计算性能、合规性标准以及特定应用场景的资源约束。然而，现有的密码方案设计与实现面临以下显著的技术挑战：

2、人工设计门槛高且易出错。密码学是一门强专业性学科，对算法选型、模式配置、密钥管理及随机数生成等环节有着严格的约束。普通开发人员往往难以准确掌握复杂的密码学规范，容易在工程实现中引入安全漏洞，例如误用ecb模式、使用不安全的伪随机数生成器或硬编码密钥等。这些漏洞具有较强的隐蔽性，难以及时被常规测试发现。

3、传统自动化工具灵活性不足。现有的一些低代码安全开发平台或代码生成工具，多基于固定的规则模板或静态的算法库进行拼接。这种方式虽然降低了部分门槛，但缺乏对复杂业务语义的理解能力，难以灵活适配多样化（如低功耗、高并发、抗量子等）的定制需求，且扩展性较差。

4、通用大语言模型（llm）在密码学垂直领域缺乏必要的安全约束与闭环验证机制。由于大模型本质上基于概率统计进行文本生成，其在处理严谨的密码学逻辑时容易产生“幻觉”现象，即捏造不存在的算法标准或引用错误的参数配置。更关键的是，通用模型通常以代码的语法正确性为首要生成目标，而忽视了深层的密码学语义安全性，极易生成包含侧信道泄露、弱随机数生成或padding oracle攻击风险等已知漏洞的代码；加之现有的生成方式多为单向的“开环”输出，缺乏针对生成结果的自动化审计、漏洞检测及逻辑修正反馈机制，导致生成的密码方案难以满足工程落地时对正确性、合规性及鲁棒性的严苛要求。

5、因此，亟需一种能够深入理解自然语言安全需求、融合专业密码学知识库、并具备自动化验证与自我修正能力的智能密码方案生成技术，以解决当前设计效率低、安全性难以保障及合规性差的问题。

技术实现思路

1、发明目的：本发明旨在解决当前密码方案设计中存在的专家依赖度高、通用大语言模型生成缺乏安全边界以及人工验证覆盖率不足等技术问题。本发明提出一种基于大语言模型、检索增强生成（rag）技术与闭环反馈机制的自动密码方案生成方法及系统，通过构建包含语义解析、知识检索、协同生成与闭环验证的自动化流水线，在保证合规性与安全性的前提下，实现密码方案的自动化、定制化与可验证生成。

2、技术方案：一种基于大语言模型的自动密码方案生成方法，步骤包括：

3、s1、获取用户输入的自然语言形式的密码安全需求，利用自然语言处理技术对其进行语义解析，提取包括应用场景特征、安全目标及性能约束在内的关键要素，构建结构化需求表示；

4、s2、基于所述结构化需求表示，利用检索增强生成技术，从预构建的结构化密码组件库中检索并筛选满足所述关键要素的密码学组件，形成候选组件集合；

5、s3、将所述结构化需求表示、所述候选组件集合及预设的生成约束条件作为提示信息输入大语言模型，生成包含算法组合逻辑、参数配置及实现代码的候选密码方案；

6、s4、对所述候选密码方案执行多维度的验证处理；若验证未通过，则基于验证反馈信息触发回溯修正机制，调整所述结构化需求表示或重新生成候选密码方案，直至通过全部验证并输出目标密码方案。

7、进一步地，所述步骤s1还包括如下需求完整性校验过程：

8、基于预设的密码方案生成规则，判断所述结构化需求表示是否存在关键参数缺失；若存在缺失，则生成针对性的引导提示信息，通过交互方式获取用户的补充输入，并更新所述结构化需求表示，直至满足生成密码方案的最低参数条件。

9、进一步地，所述步骤s2还包括：

10、将所述结构化需求表示映射为查询向量；

11、计算所述查询向量与所述结构化密码组件库中各组件向量的相似度，选取相似度高于预设阈值的组件作为初始集合；

12、结合所述结构化需求表示中的性能约束条件及合规性要求，对所述初始集合进行过滤，剔除不满足约束的组件，得到所述候选组件集合；

13、其中，所述结构化密码组件库中的组件预先关联了安全属性、参数取值范围及组件间依赖关系。

14、进一步地，所述步骤s3中采用多模型协同生成机制，具体包括：

15、利用需求理解模型对所述结构化需求表示进行特征提取；

16、利用方案生成模型基于提取的特征和所述候选组件集合，构建密码方案的逻辑架构；

17、利用代码生成模型根据所述逻辑架构生成规范化的实现代码；

18、利用安全审查模型对所述实现代码进行初步扫描；

19、上述各模型均为针对特定任务配置的大语言模型或智能体。

20、进一步地，所述步骤s4中的验证处理至少包括：

21、安全性验证：检查所述候选密码方案是否存在弱密码算法、不安全的随机数生成方式或已知漏洞；

22、性能验证：评估所述候选密码方案的计算延迟、吞吐量或资源占用是否满足所述性能约束条件；

23、兼容性验证：检查所述候选密码方案中的组件间依赖关系是否冲突。

24、进一步地，步骤s4中所述的回溯修正机制具体包括：

25、定位导致验证未通过的冲突约束或错误参数；

26、根据所述冲突约束类型，执行以下至少一种调整操作：

27、调整输入大语言模型的提示词；

28、在所述候选组件集合中更换备选组件；

29、向用户反馈冲突信息并请求调整所述安全需求；

30、完成调整后，返回执行所述步骤s3。

31、更进一步地，所述步骤s1中的结构化需求表示至少包含：应用场景标识、安全目标集合、性能约束参数集合以及合规与安全等级参数集合；其中，所述性能约束参数集合包括计算延迟阈值、内存占用上限和吞吐量指标中的至少一项。

32、所述步骤s2中的结构化密码组件库是基于向量数据库构建的， 其检索过程采用嵌入模型（embedding model）将文本形式的需求和组件描述转化为高维向量进行匹配。

33、所述输出目标密码方案的形式包括：可直接被计算机系统调用的源代码；包含组件组合关系、参数说明及验证报告的配置文件。

34、另一方面，本发明还提供一种基于大语言模型的自动密码方案生成系统，包括处理器以及存储计算机程序的存储器，所述处理器在运行所述计算机程序时，执行如上述方法。

35、有益效果：与现有技术相比，本发明所提供的一种基于大语言模型的自动密码方案生成方法的实质性特征和显著效果包括：

36、该方法的技术逻辑涵盖语义驱动的需求建模、知识增强的约束检索、多模型协同的受控生成以及全生命周期的闭环验证四个维度：

37、第一，构建基于深度语义理解的需求形式化建模机制。针对自然语言描述与专业密码学规范之间的语义鸿沟，以及用户业务场景输入的非结构化特征，本发明利用自然语言处理技术执行细粒度的实体抽取与意图识别。该机制将模糊的业务逻辑映射为包含应用场景特征、安全目标、性能指标及合规性要求的结构化需求表示，从而为后续的密码方案生成确立精确的计算约束与形式化基础。

38、第二，引入检索增强生成（rag）范式与结构化密码组件库。针对生成式模型固有的概率性幻觉与领域知识匮乏问题，本发明通过高维向量检索技术，将前述结构化需求表示与密码组件库中的标准算法组件、参数配置规则及侧信道防御策略进行语义对齐与匹配。系统召回满足硬性约束条件的候选密码组件，通过引入外部确定性知识，为大模型的生成过程设定严格的安全边界，有效规避虚假算法或不安全参数的生成风险。

39、第三，构建基于多智能体协同的受控生成架构。针对单一模型端到端生成的不可控性，本发明设计了分层协同推理机制。系统通过动态构建包含检索证据、约束条件及思维链（chain-of-thought）的上下文提示，驱动分别专注于需求理解、方案逻辑构建及代码实现的多个智能体进行协同工作。各智能体在限定的解空间内交互协作，实现从抽象协议逻辑到具体代码实现的逐步细化，显著提升复杂密码协议生成的逻辑连贯性与代码鲁棒性。

40、第四，实施基于负反馈机制的闭环交叉验证策略。为了确保生成结果的工程可行性与安全性，本发明集成了形式化验证、静态代码分析及动态性能测试工具，对生成的密码方案进行全生命周期的自动化审计。系统通过闭环反馈机制，一旦检测到随机数熵值不足、算法依赖冲突或侧信道泄露等潜在漏洞，自动生成包含错误定位与修正建议的负反馈信号，驱动生成模型进行多轮次的迭代优化与回溯修正，直至方案通过全部审计指标，实现从“开环生成”向“闭环收敛”的机制转变。