Social-HUMINT：一个由 LLM 增强的社交媒体暴露程度测量统一框架

在后 API 时代，社交媒体用户画像构建已变得成本低廉且高度自动化：大语言模型（LLM）能够从非结构化内容中提取结构化信息，并推断出用户从未披露的属性。一个人的真实暴露程度并不取决于其发布了什么，而在于他人能从这些内容中推断出什么。随着这些做法日益常态化，面临社会工程攻击已成为实际运作中不可避免的风险，因此迫切需要一个用于评估和缓解风险的共同框架。我们通过量化目标画像的准确程度，以及该画像能够在多大程度上支持社会工程攻击，使这种暴露程度变得可测量。由于现有模型均未能完整覆盖这一连续过程，我们将社交媒体情报（SOCMINT）与网络人力情报（Cyber-HUMINT）这两个以个体为中心、各自独立发展的领域，整合为一个以情报工作准则为基础的统一分类体系，涵盖网络威胁情报生命周期中的 38 项能力，其中用户画像构建连接了被动收集与主动接触。领域专家验证了该分类体系（Fleiss' $κ$ = 0.92）。我们将其核心路径（提取、推断和易受攻击性评估）实现为一条由 LLM 增强的多智能体流水线，并使用真实参与者的公开数据进行评估。易受攻击性通过间接方式评估：流水线预测每个目标会如何对个性化接触方案排序，其预测与目标实际选择的吻合程度显著高于随机水平。这种排序能力体现了定制化攻击所依赖的个性化能力。作为基础的画像具有较高准确性：信息提取的 F1 达到 97.3%，推断属性的评分达到 4.73/5，两者均远超基于规则和基于命名实体识别（NER）的基线方法，且成本微乎其微。该框架旨在增强而非取代安全分析人员的专业技能，并使防御方能够在对手之前评估自身的暴露程度。