确定且可审计的 AI 安全风险评估框架：ATLAS 对齐可执行规则与形式化验证

该论文提出一种证据驱动的 AI 安全风险评估框架，将评估写成确定性决策函数：把异构工程材料归一化为项目无关的 Control ID 分类，并基于固定 MITRE ATLAS 快照编译技术级谓词，输出可追溯到证据的技术可行性与影响等级。作者还以版本化评估策略对象支持跨快照重复复评，并用形式化方法验证求值器的有界性、完备性、有序语义一致性与单调性。

此前 AI 安全评估多依赖叙述性清单或评估者主观打分，结果难以复现，也难以在审计中辩护，且缺少从可观测工程产物到技术级结论的机器可评估映射。该框架把评估变成可复算、可追溯的决策函数，并给出形式化性质验证，使复评与审计具备一致性基础。

机制上，框架先将异构工程证据标准化为项目无关的 Control ID 体系，并按有界四级序数打分；再通过显式缓解措施到控制的映射，从固定 ATLAS 快照编译出技术级谓词；最终输出技术索引的可行性与影响等级，并回链触发证据。所有规范性选择被封存为带版本的评估策略对象，使不同快照间的重新评估可重复，形式化验证则保证求值器在声明的分数域内语义正确。

对安全产品与研发流程而言，可将 SBOM 生成、CI 安全扫描门禁等工程动作直接接入评估逻辑，减少人工清单与评分表带来的主观性和维护成本；评估结果可回链证据并按版本策略复算，便于审计留痕和对比加固前后变化，但前提是团队需先统一 Control ID 与证据采集规范。

• 将 SBOM 生成与 CI 安全扫描门禁接入评估框架，实现每次构建自动输出技术级风险等级与证据链。
• 把评估策略对象做成可版本化配置，支持同一项目在不同 ATLAS 快照下批量复评并生成差异报告。
• 面向合规审计场景，提供从风险结论到具体工程证据的可追溯导出，减少人工整理审计材料的工作量。

• 摘要中结果部分被截断，五项开源 AI 项目的具体量化结论与加固前后变化幅度尚不明确。
• 形式化验证仅覆盖声明的分数域，实际工程中超出该域的输入如何处理未被证据确认。
• Control ID 分类体系与缓解措施到控制的映射由谁维护、更新频率如何，证据未说明。
• 该框架对非开源或闭源 AI 项目的适用性与误报、漏报表现尚未被证据覆盖。