一种基于漏洞威胁模式的网络表示学习算法

发布时间：2021-05-18 11:15

　　威胁情报分析可为网络攻防提供有效的攻防信息,而细粒度的挖掘即网络威胁情报数据中的安全实体及实体间的关系,是网络威胁情报分析研究的热点。传统的机器学习算法,在被应用到大规模网络威胁情报数据分析中时,面临着稀疏、高维等问题,进而难以有效地捕获网络信息。为此,针对网络安全漏洞的分类问题,文中提出了一种基于漏洞威胁模式的网络表示学习算法——HSEN2vec。该算法旨在最大限度地捕获异构安全实体网络的结构和语义信息,并从中获得安全实体的低维向量表示。该算法首先基于漏洞威胁模式获取异构安全实体网络的结构信息,随后通过Skip-gram模型建模,并通过负采样技术进行有效预测进而得到最终的向量表示。实验结果表明,在国家安全漏洞数据上,与其他方法相比,利用所提算法进行漏洞分类的准确率等评价指标有所提升。 

【文章来源】：计算机科学. 2020,47(07)北大核心CSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 问题定义
3 基于漏洞威胁模式的网络表示学习
    3.1 威胁模式的生成算法
    3.2 异构Skip-gram算法
    3.3 异构负采样算法
4 实验及分析
    4.1实验设置
    4.2 基于不同训练模型的向量表示分类对比实验
    4.3 基于T S的向量表示的数据属性维度对比实验
    4.4 基于T S的参数灵敏度对比实验分析
    4.5 基于TS的词云图实际应用分析


【参考文献】：
期刊论文
[1]基于深度神经网络的网络安全实体识别方法[J]. 秦娅,申国伟,赵文波,陈艳平.  南京大学学报(自然科学). 2019(01)
[2]一种融合节点文本属性信息的网络表示学习算法[J]. 刘正铭,马宏,刘树新,杨奕卓,李星.  计算机工程. 2018(11)
[3]网络空间威胁情报共享技术综述[J]. 杨沛安,武杨,苏莉娅,刘宝旭.  计算机科学. 2018(06)
[4]基于多语义元路径的异质网节点分类方法[J]. 杜永萍,刘京旋,张津丽.  模式识别与人工智能. 2017(12)
[5]大数据环境下的威胁情报分析[J]. 李超,周瑛.  情报杂志. 2017(09)
[6]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松.  中国科学:信息科学. 2017(08)
[7]网络空间威胁情报感知、共享与分析技术综述[J]. 李建华.  网络与信息安全学报. 2016(02)
[8]异构信息网络上基于图正则化的半监督学习[J]. 刘钰峰,李仁发.  计算机研究与发展. 2015(03)
[9]一种基于元路径的异质信息网络链路预测模型[J]. 黄立威,李德毅,马于涛,郑思仪,张海粟,付鹰.  计算机学报. 2014(04)
[10]信息系统漏洞挖掘技术体系研究[J]. 张友春,魏强,刘增良,周颖.  通信学报. 2011(02)



本文编号：3193694