CurricuLLM: Designing Personalized and Workforce-Aligned Cybersecurity Curricula Using Fine-Tuned LLMs

📄 arXiv: 2601.04940v1 📥 PDF

作者: Arthur Nijdam, Harri Kähkönen, Valtteri Niemi, Paul Stankovski Wagner, Sara Ramezanian

分类: cs.CR, cs.AI

发布日期: 2026-01-08

💡 一句话要点

CurricuLLM：利用微调LLM设计个性化、工作导向的自动化网络安全课程

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网络安全课程 大型语言模型 自动化课程设计 个性化学习 BERT模型

📋 核心要点

  1. 现有网络安全课程设计成本高、耗时，难以跟上快速演进的网络安全威胁和行业需求，导致毕业生技能与市场需求不匹配。
  2. CurricuLLM利用微调的大型语言模型（LLM）自动化网络安全课程的设计和分析，实现个性化和工作导向的课程定制。
  3. 该方法通过人工专家验证，证明其能够有效替代劳动密集型的课程分析，并能将课程内容与行业角色和市场需求对齐。

📝 摘要（中文）

网络安全领域随着数字化和新型网络安全威胁的增加而不断发展。网络安全课程通常无法使毕业生掌握劳动力市场所需的技能，尤其是在网络安全的最新发展方面，因为课程设计成本高且劳动密集。为了解决这种不匹配问题，我们提出了一个基于大型语言模型（LLM）的创新框架CurricuLLM，用于自动化设计和分析网络安全课程。我们的方法提供了三个关键贡献：（1）自动化个性化课程设计，（2）与行业需求对齐的数据驱动流程，以及（3）一种利用微调LLM进行课程开发的综合方法。CurricuLLM采用双层方法，包括用于标准化输入数据的PreprocessLM和用于将课程内容分配到网络安全九个知识领域的ClassifyLM。我们系统地评估了多种自然语言处理（NLP）架构和微调策略，最终选择了基于Transformer的双向编码器表示（BERT）模型作为ClassifyLM，并在基础网络安全概念和劳动力能力上进行了微调。我们率先通过分析真实网络安全课程和框架的人工专家验证了我们的方法，证明CurricuLLM是替代劳动密集型课程分析的有效解决方案。此外，一旦课程内容被分类，它就可以与已建立的基于角色的网络安全权重集成，从而使教育计划与特定的工作角色、劳动力类别或一般市场需求保持一致。这为个性化的、以劳动力为导向的网络安全课程奠定了基础，使学生为网络安全领域不断变化的需求做好准备。

🔬 方法详解

问题定义：论文旨在解决网络安全课程设计中存在的效率低、更新慢、与行业需求脱节的问题。现有方法依赖人工进行课程设计和分析，耗时耗力，难以快速适应不断变化的网络安全形势，导致毕业生缺乏实际工作所需的技能。

核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言处理能力，自动化课程设计和分析过程。通过微调LLM，使其能够理解网络安全领域的知识体系和行业需求，从而实现个性化和工作导向的课程定制。

技术框架：CurricuLLM框架包含两个主要模块：PreprocessLM和ClassifyLM。PreprocessLM负责对输入数据进行标准化处理，例如清洗、格式化等。ClassifyLM是核心模块，负责将课程内容分配到网络安全的九个知识领域。整个流程包括数据预处理、模型训练、课程内容分类和课程对齐等步骤。

关键创新：该论文的关键创新在于将大型语言模型应用于网络安全课程设计领域，实现了课程设计的自动化和个性化。与传统的人工方法相比，CurricuLLM能够显著提高课程设计的效率和质量，并能更好地满足行业需求。

关键设计：ClassifyLM采用了基于Transformer的双向编码器表示（BERT）模型，并在基础网络安全概念和劳动力能力上进行了微调。论文系统地评估了多种NLP架构和微调策略，最终选择了BERT模型作为ClassifyLM。具体的微调策略和参数设置在论文中进行了详细描述。

📊 实验亮点

论文通过人工专家对真实网络安全课程和框架进行分析，验证了CurricuLLM的有效性。结果表明，CurricuLLM能够高效地替代劳动密集型的课程分析，并能将课程内容与行业角色和市场需求对齐，为个性化、工作导向的网络安全课程奠定基础。具体性能数据和对比基线在论文中进行了详细描述。

🎯 应用场景

CurricuLLM可应用于各类网络安全教育机构，帮助其快速设计和更新课程，使其与行业需求保持同步。该框架还可用于个性化学习路径的定制，根据学生的兴趣和职业目标，推荐合适的课程和学习资源。此外，该方法还可用于分析现有课程的优缺点，为课程改进提供数据支持。

📄 摘要（原文）

The cybersecurity landscape is constantly evolving, driven by increased digitalization and new cybersecurity threats. Cybersecurity programs often fail to equip graduates with skills demanded by the workforce, particularly concerning recent developments in cybersecurity, as curriculum design is costly and labor-intensive. To address this misalignment, we present a novel Large Language Model (LLM)-based framework for automated design and analysis of cybersecurity curricula, called CurricuLLM. Our approach provides three key contributions: (1) automation of personalized curriculum design, (2) a data-driven pipeline aligned with industry demands, and (3) a comprehensive methodology for leveraging fine-tuned LLMs in curriculum development. CurricuLLM utilizes a two-tier approach consisting of PreprocessLM, which standardizes input data, and ClassifyLM, which assigns course content to nine Knowledge Areas in cybersecurity. We systematically evaluated multiple Natural Language Processing (NLP) architectures and fine-tuning strategies, ultimately selecting the Bidirectional Encoder Representations from Transformers (BERT) model as ClassifyLM, fine-tuned on foundational cybersecurity concepts and workforce competencies. We are the first to validate our method with human experts who analyzed real-world cybersecurity curricula and frameworks, motivating that CurricuLLM is an efficient solution to replace labor-intensive curriculum analysis. Moreover, once course content has been classified, it can be integrated with established cybersecurity role-based weights, enabling alignment of the educational program with specific job roles, workforce categories, or general market needs. This lays the foundation for personalized, workforce-aligned cybersecurity curricula that prepare students for the evolving demands in cybersecurity.