CN115129896A - 基于对比学习的网络安全应急响应知识图谱关系提取方法 - Google Patents
基于对比学习的网络安全应急响应知识图谱关系提取方法 Download PDFInfo
- Publication number
- CN115129896A CN115129896A CN202211009713.5A CN202211009713A CN115129896A CN 115129896 A CN115129896 A CN 115129896A CN 202211009713 A CN202211009713 A CN 202211009713A CN 115129896 A CN115129896 A CN 115129896A
- Authority
- CN
- China
- Prior art keywords
- relation
- vector
- network security
- negative
- sentence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了基于对比学习的网络安全应急响应知识图谱关系提取方法,包括以下步骤:准备一个网络安全应急响应文本集合,其中包含若干个网络安全应急响应句子,每个句子分别包含两个实体和一个实体关系;对每个网络安全应急响应句子进行标记处理,然后将其输入连接编码器和解码器中,得到一个初步的预测关系向量;通过生成若干个负样本,生成对应的负样本关系向量;通过生成一个正样本,生成该正样本关系向量;在训练的过程中不断优化初步的预测关系向量,让其和负样本关系向量之间的距离变远,让其和正样本关系向量之间的距离变近,得到准确的预测关系向量,然后再将预测关系向量输入预训练好的关系分类器中得到所预测的关系。
Description
技术领域
本发明涉及网络安全领域,特别涉及基于对比学习的网络安全应急响应知识图谱关系提取方法。
背景技术
网络安全应急响应指的是人们为了应对各种网络上意外事件的发生所做的准备以及在网络事件发生后所采取的措施。在网络安全等级保护里应急响应是网络安全工作中最不可或缺的环节之一,它可以针对网络安全事件进行应急处理,保证相关业务的连续性、可用性,从而降低攻击所带来的破坏程度。现如今随着计算机技术的不断发展,网络上的网络安全威胁也变得日益复杂,传统的网络安全被动防御方法难以快速地应对日益复杂的威胁。知识图谱是一种强大的工具,在最近几年中,知识图谱被广泛应用在各个领域。为了应对日益复杂的网络安全威胁,人们提出了使用知识图谱来处理网络安全问题,网络安全应急响应知识图谱就此诞生。网络安全应急响应知识图谱是一种数据驱动的、线性的、计算能力非常强大的工具。网络安全应急响应知识图谱可以直观地反应网络安全实体和实体之间的关系,例如恶意软件和漏洞之间的利用关系,攻击者与组织之间的从属关系,以及软件与漏洞之间的关系,从事网络安全工作的人员可以通过网络安全应急响应知识图谱来更好地处理网络安全问题。在构建网络安全应急响应知识图谱的过程中,从网络安全应急响应文本库中提取实体之后,得到的是一些很分散的实体,还需要获得各个实体之间的关系。关系提取是网络安全应急响应知识图谱中的一项非常重要的任务。
关系提取RE是自然语言处理NLP中很重要的一部分。现如今已经有许多关系提取方法,例如自举、无监督关系分类和监督分类。大多数现有的关系提取方法都需要大量标记的特定于关系的训练数据,这非常耗时且费力。在网络安全应急响应知识图谱建立过程中的关系抽取模块中,缺乏用于训练的标记数据是构造网络安全应急响应知识图谱时面临的一个挑战。应对这一困难的一个常用技术是自然语言处理中的远程监督。远程监督策略是一种自动标记训练数据的有效方法。远程监督多用于提取精细特征,如句法结构等,但是这种方法存在以下问题:(1)远程监督中的假设太强,会导致标签错误问题;(2)这种方法需要大量的人工标注的网络安全应急响应知识文本,但是在网络安全邻域内的知识文本数量并不是很多,人工标注的知识文本成本太高;(3)这种方法的泛化性太弱,这种方法得到的模型往往是比较“脆弱”的,不能有很好的泛化性,不能区分一些比较相似的关系,或者是一个关系对应不同的实体的情况。因此,急需提供一种网络安全应急响应知识图谱的关系提取方法以解决上述问题。
发明内容
为实现上述目的,发明人提供了一种基于对比学习的网络安全应急响应知识图谱关系提取方法,包括以下步骤:
S1:准备一个网络安全应急响应文本集合,其中包含若干个网络安全应急响应句子,每个句子分别包含两个实体和一个实体关系;
S2:对每个网络安全应急响应句子进行标记处理,然后将其输入连接编码器和解码器中,得到一个初步的预测关系向量;
S3:通过生成若干个负样本,然后将负样本输入连接编码器和解码器中,生成对应的负样本关系向量;
S4:通过生成一个正样本,然后将该正样本输入连接编码器和解码器中,生成该正样本关系向量;
S5:在训练的过程中不断优化初步的预测关系向量,让其和负样本关系向量之间的距离变远,让其和正样本关系向量之间的距离变近,得到准确的预测关系向量,然后再将预测关系向量输入预训练好的关系分类器中得到所预测的关系。
作为本发明的一种优选方式,所述S1还包括以下步骤:准备一个网络安全应急响
应文本集合W,其中包括若干个网络安全应急响应句子,每个句子分别包含两个实体和 ,对于句子,先对该句子进行标记,得到该句子的表示,n表示标记的总数,其中[CLS]表
示开始标志,其包含了整个句子的信息,[SPE]表示结束的标志,e和f表示 开始和结束
标志的位置,u和m表示开始和结束标志的位置。
作为本发明的一种优选方式,所述S2包括以下步骤:将标记后的句子发送到连接
编码器中,获取该句子的实体表示,连接编码器输出的向量为,
其中为[CLS]的输出, 为[SPE]的输出,并用下面两个公式表示获得两个实体的向
量:
作为本发明的一种优选方式,所述S3中的负样本包括:随机负样本、关系实例负样本和遮蔽负样本。
作为本发明的一种优选方式,所述S3还包括以下步骤:对于句子 ,挑选若干个
和句子均不相关的句子作为随机负样本 ,即随机选出三个和网络安全不相关的数
据库,然后从每个数据库中随机选出一个句子,三个数据库选出三个句子组成随机负样本 ,再对这三个句子进行标记,标记后输入到连接编码器和解码器中,生成相应的随机负
样本向量,表示为:,, ;
作为本发明的一种优选方式,所述S3还包括以下步骤:随机的掩盖住句子中的
几个标记,即随机将若干个标记变为0,以生成遮蔽负样本,对遮蔽负样本进行标记,
标记后将其输入到连接编码器和解码器中,生成相应的遮蔽负样本向量,和
之间的距离为,表达式为:
作为本发明的一种优选方式,所述S3还包括以下步骤:将句子中的代表实例的标
记和代表关系的标记随机的用其他标记代替,以生成关系实例负样本,对关系实例负样
本 进行标记,标记后输入到连接编码器和解码器中,生成相应的关系实例负样本向量 ,当若干个句子不包含直接指示关系词的标记时,使用随机替换句子中的一定百分比的
标记作为替代方法,和之间的距离,表达式为:
作为本发明的一种优选方式,所述S4还包括以下步骤:从训练的数据库中用一个
和句子拥有相同关系,但两个句子的实体不相同的正样本,对进行标记,标记后将
其输入到连接编码器和解码器中,得到一个正样本向量 ,和之间的距离为,表达式为:
作为本发明的一种优选方式,所述S5还包括步骤:将正样本的距离与三个负样本的距离作为一对计算进行比较,表达式为:
将第二个任务的目标表示为:
结合第一个任务和第二个任务,将最终的目标函数表示为:
其中CLS包含了一个全连接层、1x1的卷积层、一个激活层、一个softmax层。
作为本发明的一种优选方式,还包括测试步骤:所述测试步骤是将测试的句子进行标记处理后输入连接编码器中,再将其输入实体对合并模块,得到关系向量,然后再将得到的关系向量输入预训练好的关系分类器中,得到测试句子中的关系。
区别于现有技术,上述技术方案所达到的有益效果有:
本方法使用对比学习构建了一种关系提取的对比训练方法,用于网络安全应急响应知识图谱关系提取,不仅具有自然语言的可解释性和简单性,而且因为在训练中添加了正样本训练方法,所以对于相同实体关系对应不同实体的网络安全应急响应知识图谱关系的关系提取任务具有显着优势。
在方法上,考虑到模型的泛化能力,本方法构建了对比学习实例的生成方法用于关系提取,以及生成了一些负样本和正样本用于对抗训练,从而使得模型准确率、召回率、精准率和召回率的调和平均数值有了显着的提高。
附图说明
图1为具体实施方式所述方法流程图。
图2为具体实施方式中对比学习模块的流程图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
知识图谱是网络安全应急响应中分析和处理数据的新思路,为了更好地将网络安全应急响应数据关联起来构造知识图谱,本发明提出了一种基于对比学习的网络安全应急响应知识图谱关系提取方法。该模型可以精确快速地提取网络安全应急响应文本中的实体和实体之间的关系,能够更快速地帮助建立网络安全应急响应知识图谱,该模型可以用于各个网络公司建立自己的网络安全应急响应知识图库。
如图1所示,图1为该方法的整体处理流程,主要包括如下处理过程:
S1:准备一个网络安全应急响应文本集合,其中包含若干个网络安全应急响应句子,每个句子分别包含两个实体和一个实体关系;
S2:对每个网络安全应急响应句子进行标记处理,然后将其输入连接编码器和解码器中,得到一个初步的预测关系向量;
S3:通过生成若干个负样本,然后将负样本输入连接编码器和解码器中,生成对应的负样本关系向量;
S4:通过生成一个正样本,然后将该正样本输入连接编码器和解码器中,生成该正样本关系向量;
S5:在训练的过程中不断优化初步的预测关系向量,让其和负样本关系向量之间的距离变远,让其和正样本关系向量之间的距离变近,得到准确的预测关系向量,然后再将预测关系向量输入预训练好的关系分类器中得到所预测的关系。
具体的,S1包括以下步骤:准备一个网络安全应急响应文本集合W,其中包括若干
个网络安全应急响应句子,每个句子分别包含两个实体和,对于句子,先对该句子 进行标记,得到该句子的表示
,n表示标记的总数,其中[CLS]表示开始标志,其包含了整个句子的信息,[SPE]表示结束的
标志,e和f表示 开始和结束标志的位置,u和m表示 开始和结束标志的位置。
如图1所示,S2包括以下步骤:将标记后的句子发送到连接编码器linkbert中,获
取该句子的实体表示,连接编码器输出的向量为,
其中 为[CLS]的输出, 为[SPE]的输出,并用下面两个公式表示获得两个实体的
向量:
很明显,实体是关系提取中最重要的一环,但实施例中不希望过于关注它而削弱
输入句子中的其他重要信息。因此,实施例中使用网络结构串联和 ,,
来构建 ,它代表了我们这个模型的输入句子中包含的关系向量的粗略表示。
为了充分挖掘输入句子中包含的潜在牵连关系的信息,我们生成了一些负样本和一个正样本,用于在网络的训练过程中提高网络的性能。
负样本的选择对对比学习的效果有相当大的影响。负样本一般由一个批次中的其他样本产生。虽然这种方法简单方便,但显然有一定的缺陷。从经验的角度看,这种方式选取的负样本具有很强的随机性,可能会造成模型训练的波动,而这些选取的负样本是否真的能被视为模型的负样本用来训练还不确定。而且这种选取的负样本在可解释性方面也很难成立,可能会产生一些错误的负样本,并且其他样本可能与正样本有类似的关系描述,这将大大干扰模型的训练。
因此,在本实施例中,设计了三种不同的负样本生成的方式,它可以从正样本中生
成三种不同类型的负样本,分别为随机负样本、关系实例负样本和遮蔽负样本。因为关系实
例负样本,遮蔽负样本和的 区别不是很大,所以这两个负样本也被称为弱负样本。
在本实施例中,S3还包括以下步骤:对于句子 ,挑选若干个和句子完全不相
关的句子作为随机负样本,同时为了保证本模型的泛化性和负样本的可靠性,即随机选
出三个和网络安全不相关的数据库,然后从每个数据库中随机选出一个句子,三个数据库
总共选出三个句子,再对这三个句子进行标记,标记后输入到S2和S3中提到的连接编码器
和解码器中,生成相应的随机负样本向量,表示为:,, ;
对于关系提取任务,过拟合是最严重的问题之一,这是一个主要问题,限制了模型
的泛化性,使网络模型过多关注实体信息。因此,在本实施例中,所述S3还包括以下步骤:随
机的掩盖住句子中的几个标记,即随机将若干个标记变为0,以生成遮蔽负样本,对
遮蔽负样本进行标记,标记后将其输入到S2和S3中提到的连接编码器和解码器中,生成
相应的遮蔽负样本向量,和 之间的距离为,表达式为:
为了更深入地捕捉句子中包含的关系信息,让模型能够处理更复杂的情况,在本
实施例中,生成了关系实例负样本 。即S3还包括以下步骤:将句子中的代表实例的标
记和代表关系的标记随机的用其他标记代替,以生成关系实例负样本,对关系实例负
样本 进行标记,标记后输入到S2和S3中提到的连接编码器和解码器中,生成相应的关
系实例负样本向量;然后许多句子可能不包含可以直接指示关系词的标记,发生这种
情况时,我们使用随机替换句子中的一定百分比的标记作为替代方法,其中不包括实体对
标记的替换,和之间的距离为,表达式为:
同时为了该模型具有更好的泛化能力,能够处理网络安全应急响应中更复杂的情
况,比如两个句子的关系相同,但是关系对应的两个实体不同的情况,本实施例生成了一个
正样本用于模型的训练。即S4还包括以下步骤:从训练的数据库中用一个和句子拥有相
同关系,但两个句子的实体不相同的正样本,对进行标记,标记后将其输入到S4中的
连接编码器和解码器中,得到一个正样本向量,和之间的距离为D(, ),
表达式为:
本实施例的训练包括两个任务,首先,通过产生合理的正负样本,并尽可能地增加正负样本之间的跨度,以获得更普遍的模型效果。因此,S5还包括步骤:将正样本的距离与三个负样本的距离作为一对计算进行比较,表达式为:
第二个任务是使用交叉熵损失来最大化基于可见关系的关系标签分类的准确性,将第二个任务的目标表示为:
其中,代表真实的关系向量,是一个超参数,用于保证训练数据的充分使用,表示 的长度;本实施例除了使用了正样本的预测来得到交叉熵损失,还利用了两
个弱负样本来帮助生成交叉熵损失,这样可以保证生成的负面样本在第一任务中使用时能
够被充分的利用。因为输入的两个负样本的语法结构与正样本非常相似,通过这种方式来
保证差异。关系预测的差距越大,生成的负面样本就越有代表性,越有助于归纳能力的提
升,一般来说, 越大,预测正确的概率则越高。
结合第一个任务和第二个任务,将最终的目标函数表示为:
其中CLS包含了一个全连接层、1x1的卷积层、一个激活层、一个softmax层。
在本实施例中,图1所示的整个流程框架需要预先进行训练,训练阶段的具体内容包括:
在模型的训练过程中我们使用采用adamW(亚当优化器)优化器,默认设置动量,。为了防止过拟合,本实施例采用了dropout(随机丢弃算法)方
法,其中dropout率为0.5。隐藏层大小为 768,训练的batch设为16,学习率设。
本模型的测试阶段只需要将测试的句子进行标记处理然后输入连接编码器(linkBERT)中,然后再将其输入实体对合并模块,得到关系向量,然后再将得到的关系向量输入预训练好的关系分类器中得到测试句子中的关系即可,无需再进行负样本和正样本生成阶段。
基于本实施例上述方案,使用开源数据集CMCSE(全面的多源网络安全活动数据集)、Malware Training Sets(恶意软件训练集)结合已有溯源经验固化在程序中进行测试,实验证明了对比学习方法在网络安全应急响应知识图谱关系提取中的有效性以及负样本生成方法在对比学习中的有效性。
为了使实验易于比较,使用了三个指标来与传统的方法对比:精准率,召回率和精准率和召回率的调和平均数,实验数据如下表所示。
从表中可以看出,首先,可以看到本实施例中的模型效果明显优于其他模型,尤其是当 a=b=5 时。本模型的精准率和召回率的调和平均数优于第二个模型约 7.7%。对于 a=b=15,本模型最多也可以实现大约3%的精准率和召回率的调和平均数值的增加,这反映了本模型在预测更多未见关系的泛化能力方面的优势。对于a=b=10,本模型在CMCSE中落后ZS-BERT模型约 3.4% 时,认为可能是由于数据不足导致负样本和正样本没有合理划分,这是可以预见的。对比R-BERT和ESIM模型,可以看出本模型的结果有实质性的提升,这些实验结果体现了本模型整体流程设置的有效性和优越性。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种基于对比学习的网络安全应急响应知识图谱关系提取方法,其特征在于,包括以下步骤:
S1:准备一个网络安全应急响应文本集合,其中包含若干个网络安全应急响应句子,每个句子分别包含两个实体和一个实体关系;
S2:对每个网络安全应急响应句子进行标记处理,然后将其输入连接编码器和解码器中,得到一个初步的预测关系向量;
S3:通过生成若干个负样本,然后将负样本输入连接编码器和解码器中,生成对应的负样本关系向量;
S4:通过生成一个正样本,然后将该正样本输入连接编码器和解码器中,生成该正样本关系向量;
S5:在训练的过程中不断优化初步的预测关系向量,让其和负样本关系向量之间的距离变远,让其和正样本关系向量之间的距离变近,得到准确的预测关系向量,然后再将预测关系向量输入预训练好的关系分类器中得到所预测的关系。
4.根据权利要求3所述的方法,其特征在于,所述S3中的负样本包括:随机负样本、关系实例负样本和遮蔽负样本。
9.根据权利要求8所述的方法,其特征在于,所述S5还包括步骤:
将正样本的距离与三个负样本的距离作为一对计算进行比较,表达式为:
将第二个任务的目标表示为:
结合第一个任务和第二个任务,将最终的目标函数表示为:
其中CLS包含了一个全连接层、1x1的卷积层、一个激活层、一个softmax层。
10.根据权利要求1所述的方法,其特征在于,还包括测试步骤:
所述测试步骤是将测试的句子进行标记处理后输入连接编码器中,再将其输入实体对合并模块,得到关系向量,然后再将得到的关系向量输入预训练好的关系分类器中,得到测试句子中的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009713.5A CN115129896B (zh) | 2022-08-23 | 2022-08-23 | 基于对比学习的网络安全应急响应知识图谱关系提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009713.5A CN115129896B (zh) | 2022-08-23 | 2022-08-23 | 基于对比学习的网络安全应急响应知识图谱关系提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115129896A true CN115129896A (zh) | 2022-09-30 |
CN115129896B CN115129896B (zh) | 2022-12-13 |
Family
ID=83387573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009713.5A Active CN115129896B (zh) | 2022-08-23 | 2022-08-23 | 基于对比学习的网络安全应急响应知识图谱关系提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115129896B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117610002A (zh) * | 2024-01-22 | 2024-02-27 | 南京众智维信息科技有限公司 | 基于多模态特征对齐的轻量化恶意软件威胁检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084790A (zh) * | 2020-09-24 | 2020-12-15 | 中国民航大学 | 一种基于预训练卷积神经网络的关系抽取方法及系统 |
CN112632996A (zh) * | 2020-12-08 | 2021-04-09 | 浙江大学 | 一种基于对比学习的实体关系三元组抽取方法 |
CN114254102A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于自然语言的协同应急响应soar剧本推荐方法 |
WO2022135121A1 (zh) * | 2020-12-25 | 2022-06-30 | 浙江大学 | 一种基于对比学习的分子图表示学习方法 |
-
2022
- 2022-08-23 CN CN202211009713.5A patent/CN115129896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084790A (zh) * | 2020-09-24 | 2020-12-15 | 中国民航大学 | 一种基于预训练卷积神经网络的关系抽取方法及系统 |
CN112632996A (zh) * | 2020-12-08 | 2021-04-09 | 浙江大学 | 一种基于对比学习的实体关系三元组抽取方法 |
WO2022135121A1 (zh) * | 2020-12-25 | 2022-06-30 | 浙江大学 | 一种基于对比学习的分子图表示学习方法 |
CN114254102A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于自然语言的协同应急响应soar剧本推荐方法 |
Non-Patent Citations (4)
Title |
---|
BELIZ GUNEL等: "SUPERVISED CONTRASTIVE LEARNING FOR PRE-TRAINED LANGUAGE MODEL FINE-TUNING", 《ARXIV:2011.01403V3》 * |
NINGYU ZHANG等: "Contrastive Information Extraction With Generative Transformer", 《IEEE/ACM TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》 * |
RAIA HADSELL等: "Dimensionality Reduction by Learning an Invariant Mapping", 《2006 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
陈云鹏: "基于深度学习的关系抽取研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117610002A (zh) * | 2024-01-22 | 2024-02-27 | 南京众智维信息科技有限公司 | 基于多模态特征对齐的轻量化恶意软件威胁检测方法 |
CN117610002B (zh) * | 2024-01-22 | 2024-04-30 | 南京众智维信息科技有限公司 | 基于多模态特征对齐的轻量化恶意软件威胁检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115129896B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3021168C (en) | Anticipatory cyber defense | |
Wang et al. | Heterogeneous network representation learning approach for ethereum identity identification | |
CN107315956B (zh) | 一种用于快速准确检测零日恶意软件的图论方法 | |
CN109918505B (zh) | 一种基于文本处理的网络安全事件可视化方法 | |
CN107066262A (zh) | 源代码文件克隆邻接表合并检测方法 | |
CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
CN112333195A (zh) | 基于多源日志关联分析的apt攻击场景还原检测方法及系统 | |
Gai et al. | Blockchain large language models | |
CN115129896B (zh) | 基于对比学习的网络安全应急响应知识图谱关系提取方法 | |
CN113297580A (zh) | 基于代码语义分析的电力信息系统安全防护方法及装置 | |
Ferrag et al. | Securefalcon: The next cyber reasoning system for cyber security | |
Tian et al. | Enhancing vulnerability detection via AST decomposition and neural sub-tree encoding | |
US20160004976A1 (en) | System and methods for abductive learning of quantized stochastic processes | |
CN116232708A (zh) | 一种基于文本型威胁情报的攻击链构建与攻击溯源方法和系统 | |
US20230075290A1 (en) | Method for linking a cve with at least one synthetic cpe | |
Xu et al. | W2V-SA: A Deep Neural Network-based Approach to Smart Contract Vulnerability Detection. | |
Boxin | Research on Dynamic Detection of Vulnerabilities in Smart Contracts Based on Machine Learning | |
CN117574391B (zh) | 一种基于三地址码和神经网络的代码漏洞检测方法和系统 | |
Xu et al. | Software Vulnerabilities Detection Based on a Pre-trained Language Model | |
Sarbakysh et al. | A1BERT: A Language-Agnostic Graph Neural Network Model for Vulnerability Detection | |
Song et al. | HGIVul: Detecting inter-procedural vulnerabilities based on hypergraph convolution | |
US11695788B1 (en) | Filtering strategies for subgraph matching on noisy multiplex networks | |
CN117435246B (zh) | 一种基于马尔可夫链模型的代码克隆检测方法 | |
CN115208684B (zh) | 一种基于超图关联的apt攻击线索拓展方法和装置 | |
US20240086311A1 (en) | Sentiment analysis using magnitude of entities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230810 Address after: Room 3-3, No.1 Guanghua East Street, Qinhuai District, Nanjing City, Jiangsu Province, 210000 Patentee after: Big data Security Technology Co.,Ltd. Address before: 211300 No. 3, Longjing Road, Gaochun District, Nanjing, Jiangsu Patentee before: NANJING ZHONGZHIWEI INFORMATION TECHNOLOGY Co.,Ltd. |