연결 및 자율주행 차량(CAVs)은 센서, 전자 제어 장치(ECUs), 차량 내 인포테인먼트 시스템, 원격 통신 장치 등을 포함하는 상호 연결된 소프트웨어 및 하드웨어 구성 요소에 의존하며, 여기서 취약점들은 자산, 사용자 및 차량 운영을 위태롭게 할 수 있습니다. 이러한 취약점들은 일반적으로 Common Vulnerabilities and Exposures (CVE) 데이터베이스에 일반 텍스트로 문서화되지만, 보안 실무자들은 이러한 취약점들로부터의 위험을 효과적으로 완화하기 위해 영향을 받는 자산, 약점 유형 및 공격 행위에 대한 구조화된 정보를 필요로 합니다. 이를 위해 우리는 CAV 관련 CVE들에 대해 위협 정보 표현을 위한 잘 알려진 구조화된 형식인 Structured Threat Information Expression (STIX)를 생성하는 오픈 가중치 대규모 언어 모델(LLMs)을 평가합니다. 우리는 CAV 취약점 설명을 STIX 도메인 객체(SDO), STIX 관계 객체(SRO), Common Weakness Enumeration (CWE), 그리고 MITRE ATT&CK 기술 매핑에 연결하는 CAV-STIXGen이라는 데이터셋을 구축했습니다. 이 데이터셋을 사용하여, 우리는 다양한 프롬프팅 전략과 온도에서 11개의 오픈 가중치 LLM(4B부터 120B 파라미터)을 평가했습니다. 단일 모델 구성은 SDO 매핑에서 F1 점수 0.94, SRO 매핑에서 0.63, CWE 매핑에서 0.99를 달성했지만, 완전한 MITRE ATT&CK 매핑은 여전히 어렵습니다. 다중 에이전트 설정에서는 Gemma-4-31B와 Codestral-22B가 각각 SDOs에서 F1 점수 0.91, SROs에서 0.43을 달성했습니다. 마지막으로, 우리는 CWE 및 MITRE ATT&CK의 동시 발생(co-occurrences)을 분석하여 CAV 영역에서 반복되는 위협 패턴을 식별하고, AI 지원 취약점-STIX 변환이 어떻게 위협 인텔리전스를 자동화하고 교통 보안 분야에서 방어를 우선순위화할 수 있는지 보여줍니다.