基于残差空洞卷积神经网络的网络安全实体识别方法

发布时间：2022-10-05 22:19

　　近年来,网络安全威胁日益增多,数据驱动的安全智能分析成为网络安全领域研究的热点。特别是以知识图谱为代表的人工智能技术可为多源异构威胁情报数据中的复杂网络攻击检测和未知网络攻击检测提供支撑。网络安全实体识别是威胁情报知识图谱构建的基础。开放网络文本数据中的安全实体构成非常复杂,导致传统的深度学习方法难以准确识别。在BERT（pre-training of deep bidirectional transformers）预训练语言模型的基础上,提出一种基于残差空洞卷积神经网络和条件随机场的网络安全实体识别模型BERT-RDCNN-CRF。通过BERT模型训练字符级特征向量表示,结合残差卷积与空洞神经网络模型有效提取安全实体的重要特征,最后通过CRF获得每一个字符的BIO标注。在所构建的大规模网络安全实体标注数据集上的实验表明,所提方法取得了比LSTM-CRF模型、Bi LSTM-CRF模型和传统的实体识别模型更好的效果。 

【文章页数】：13 页

【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]基于深度学习的威胁情报知识图谱构建技术[J]. 王通,艾中良,张先国.  计算机与现代化. 2018(12)
[3]基于CNN和双向LSTM融合的实体关系抽取[J]. 张晓斌,陈福才,黄瑞阳.  网络与信息安全学报. 2018(09)
[4]命名实体识别研究综述[J]. 刘浏,王东波.  情报学报. 2018(03)



本文编号：3686610