CN115225304B - 一种基于概率图模型的网络攻击路径预测方法及系统 - Google Patents
一种基于概率图模型的网络攻击路径预测方法及系统 Download PDFInfo
- Publication number
- CN115225304B CN115225304B CN202210295287.XA CN202210295287A CN115225304B CN 115225304 B CN115225304 B CN 115225304B CN 202210295287 A CN202210295287 A CN 202210295287A CN 115225304 B CN115225304 B CN 115225304B
- Authority
- CN
- China
- Prior art keywords
- network
- network entity
- probability
- nodes
- formula
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及一种基于概率图模型的网络攻击路径预测方法及系统,其方法包括:S1:获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算向量在欧式空间中的相似度作为网络实体节点状态转移概率;其中网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产;S2:利用贝叶斯网络,基于网络实体节点状态转移概率,计算网络实体节点的联合概率分布,选择联合概率最大的攻击链路作为最可信的网络攻击路径。本发明提供的方法,构建网络安全实体之间的关系图谱,解决了因多源异构网络安全实体难以建模的难题,极大地提高了预测APT潜在攻击路径的能力。
Description
技术领域
本发明涉及人工智能以及网络安全大数据领域,具体涉及一种基于概率图模型的网络攻击路径预测方法及系统。
背景技术
对APT攻击路径研判、溯源具有迫切的应用需求,面向网络资产防护,基于网络安全知识图谱发现潜在网络攻击路径可有效抵御、溯源APT威胁,当前这类方法仍然非常匮乏。以网络资产为核心构建网络安全知识图谱,发掘潜在APT攻击路径可显著提升我国网络资产细粒度监测和整体态势感知能力,强化APT攻击路径的全流程研判和溯源能力。网络安全知识图谱的规模庞大复杂到一定程度,则难以利用规则穷尽所有可能攻击路径。同时,基于谓词逻辑的推理规则构建耗费大量人工成本;基于公理匹配的推理过程,难以适应大规模知识图谱的运算效率需求,尤其是多步推理任务。因此,如何基于知识图谱预测网络攻击路径成为一个亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于概率图模型的网络攻击路径预测方法及系统。
本发明技术解决方案为:一种基于概率图模型的网络攻击路径预测方法,包括:
步骤S1:获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算所述向量在欧式空间中的相似度作为所述网络实体节点状态转移概率;其中所述网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产;
步骤S2:利用贝叶斯网络,基于所述网络实体节点状态转移概率,计算所述网络实体节点的联合概率分布,选择所述联合概率最大的攻击链路作为最可信的网络攻击路径。
本发明与现有技术相比,具有以下优点:
本发明公开了一种基于概率图模型的网络攻击路径预测方法,针对网络安全实体相似性、关联性计算难以量化计算的特点,结合图谱表示学习技术需求,创造性提出基于表示学习的实体状态转移概率计算方法。利用基于贝叶斯网络等概率图模型算法,构建网络安全实体之间的关系图谱,解决了因多源异构网络安全实体难以建模的难题,极大提高了预测APT潜在攻击路径的能力。
附图说明
图1为本发明实施例中一种基于概率图模型的网络攻击路径预测方法的流程图;
图2为本发明实施例中网络安全知识图谱示意图;
图3为本发明实施例中翻译模型中的实体和关系的示意图;
图4为本发明实施例中一种基于概率图模型的网络攻击路径预测系统的结构框图。
具体实施方式
本发明提供了一种基于概率图模型的网络攻击路径预测方法,构建网络安全实体之间的关系图谱,解决了因多源异构网络安全实体难以建模的难题,极大提高了预测APT潜在攻击路径的能力。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于概率图模型的网络攻击路径预测方法,包括下述步骤:
步骤S1:获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算向量在欧式空间中的相似度作为网络实体节点状态转移概率;其中网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产;
获取已有的典型的网络安全知识图谱,如图2所示,其中白色节点表示APT攻击组织及实体的属性信息,浅灰色节点表示威胁指标,深灰色节点表示安全漏洞,黑色节点表示网络资产。知识图谱中的实体的关系,用节点间的连线表示,则包括:利用(use)、绑定(Associate)、针对攻击(Target)、通联(Connect)和包含(Contain)等关系。
本发明实施例利用网络安全知识图谱中的网络攻击中的攻击组织及其威胁指标等威胁情报作为“源头数据”(源),联通数据作为“管道数据”(管),网络防护资产及安全漏洞作为“终端数据”(端),在网络空间中建立覆盖“源-管-端”的网络安全知识图谱,进而进行APT攻击路径的全流程数据关联和挖掘。在实际环境下,数千万的网络实体节点互相连接为极其复杂的网状结构。本发明实施例利用概率化方法和机器学习算法进行推理,预测从APT攻击组织到网络资产之间的可能的攻击路径。
步骤S2:利用贝叶斯网络,基于网络实体节点状态转移概率,计算网络实体节点的联合概率分布,选择联合概率最大的攻击链路作为最可信的网络攻击路径。
APT组织在选择攻击路径时,节点状态转移概率表示从一个已确定的实体节点出发,选择某个相邻实体节点作为攻击跳板的概率。在概率图模型中,实体节点之间的状态转移概率需要基于大量样本的统计或者外部知识给出。本发明实施例首先利用表示学习技术先对知识图谱中的实体节点和关系分别用固定维度的向量表示,这些向量初始赋值通过随机初始化,随后根据精心设计的目标函数不断训练更新实体节点和关系的向量表示,最终得到各个实体节点和关系的稳定向量表示,这些向量蕴含了网络安全知识图谱中的语义关系;然后利用这些向量在欧式空间中的相似度作为实体节点状态转移概率。
在一个实施例中,上述步骤S1:获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算向量在欧式空间中的相似度作为网络实体节点状态转移概率;其中,网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产,具体包括:
步骤S11:采用相似匹配模型构建目标函数,已知网络实体节点Ei-2,Ei-1,Ei+1,Ei+2的前提下,预测当前网络实体节点Ei出现的概率,如公式(1)所示:
其中,L表示目标函数,Ei表示当前网络实体节点,Context(Ei)表示Ei周围的网络实体节点,[p(Ei|Context(Ei))表示已知周围网络实体节点出现的情况下,当前网络实体节点Ei出现的概率;
或者,网络安全知识图谱也可以用翻译模型将实体和实体语义关系一同刻画表示。翻译模型通过向量空间的向量翻译来刻画实体与关系之间的相关性。跟相似匹配模型不同,翻译模型中的实体和关系都被显式地建立起来并且有了明确的语义关系,语义关系的显式表达极大提升了知识图谱嵌入表示的能力。
本发明实施例的翻译模型采用最大间隔方法构建目标函数,训练模型时,将最小化岭回归函数作为目标函数,如公式(2)所示:
其中,L表示目标函数,γ是margin超参数,S是正样本三元组{h,r,t}集合,代表正确的三元组,h表示头部网络节点,t表示尾部网络节点,如“攻击组织”“威胁指标”“安全漏洞”等实体节点,r表示实体节点之间的关系,如“use”、“Associate”等关系;S′(h,r,t)是负样本集合,S′(h,r,t)={(h′,r,t)|h′∈E}∪{(h,r,t′)|t′∈E},h′、t′分别表示随机替换的错误头部网络节点和尾部网络节点;
如图3所示,对于公式(2)中fr(h,t),通过向量翻译构建网络安全知识图谱中网络实体节点与关系之间的相关性,如公式(3)所示:
fr(h,t)=||h+r-t||l1 (3)
其中,fr(h,t)表示目标函数,l1范数表示各个参数的绝对值之和;
步骤S12:通过公式(1)或公式(2)构建的目标函数L,将网络安全知识图谱中的网络实体节点转换为向量表示Ei和Ej,二者之间的语义关系或者相似度可以通过向量的夹角反映,如公式(4)所示:
其中,P(Ei|Ej)表示向量Ei和Ej之间的状态转移概率;n表示向量的维度,|Ei|和|Ej|分别表示Ei和Ej的模;wik表示Ei第k维的数值,wjk表示Ej第k维的数值。
在欧式空间中,可利用空间中点的绝对距离度量来衡量节点之间的差异。因此,本发明实施例采用欧式空间中的余弦距离来度量网络实体节点向量Ei和Ej之间的状态转移概率。
在经过步骤S1得到网络实体节点状态转移概率后,需要基于概率图模型来预测网络实体节点之间可能形成的攻击路径。由于贝叶斯网络可模拟人的认知思维推理模式,用一组条件概率函数以及有向无环图对不确定性的因果推理关系建模,因此,本发明实施例利用贝叶斯网络的原理,即贝叶斯公式来描述两个条件概率之间的关系。
在一个实施例中,上述步骤S2:利用贝叶斯网络,基于网络实体节点状态转移概率,计算网络实体节点的联合概率分布,选择联合概率最大的攻击链路作为最可信的网络攻击路径,具体包括:
步骤S21:根据贝叶斯公式,拟合的网络实体节点向量之间的状态转移概率,如公式(5)所示:
其中,P(A),P(B)分别表示事件A和事件B发生的概率,P(A|B)表示B发生的情况下A发生的概率,P(A,B)表示事件A,B同时发生的概率;
步骤S22:令网络安全知识图谱G=(I,E)为一个有向无环图,其中I代表所有的实体节点向量的集合,E代表实体关系的集合,且令X=(Xi)i∈I为其有向无环图中的某一节点i所代表之随机变量,根据贝叶斯网络计算实体节点向量xn的联合概率分布,如公式(6)所示:
P(x1,x2,…,xn)=P(x1)P(x2|x1)P(x3|x1,x2)…P(xn|x1,x2,…xn-1) (6)
其中,x1,x2,…xn-1为xn的直接前驱实体节点向量;
在网络安全知识图谱上进行网络推理时,每一个安全节点在其直接前驱节点的值确定后,这个节点条件独立于其所有非直接前驱前辈节点。基于该特性,任意随机变量组合的联合条件概率分布可以利用下述步骤S23进行简化。
步骤S23:将公式(6)简化成公式(7),计算所有可能的攻击路径的存在概率;
其中,Parents表示xi的直接前驱节点的联合;
步骤S24:按上述方法计算G中网络实体节点间所有可能组合的攻击路径存在的概率;将攻击路径存在概率最大的攻击链路作为最可信APT攻击路径。
本发明实施例可以有效计算网络安全知识图谱中所有网络实体节点之间的转移概率,并以全概率的方式计算所有可能的攻击路径的存在概率。大部分知识图谱受限于来源渠道及成本等因素,无法做到覆盖全部实体和关系,因此,本发明提供的方法也可以一定程度上弥补知识图谱不完整造成的实体关联缺失问题。
本发明公开了一种基于概率图模型的网络攻击路径预测方法,针对网络安全实体相似性、关联性计算难以量化计算的特点,结合图谱表示学习技术需求,创造性提出基于表示学习的实体状态转移概率计算方法。利用基于贝叶斯网络等概率图模型算法,构建网络安全实体之间的关系图谱,解决了因多源异构网络安全实体难以建模的难题,极大提高了预测APT潜在攻击路径的能力。
实施例二
如图4所示,本发明实施例提供了一种基于概率图模型的网络攻击路径预测系统,包括下述模块:
计算实体节点状态转移概率模块31,用于获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算向量在欧式空间中的相似度作为网络实体节点状态转移概率;
计算实体节点的联合概率分布模块32,用于利用贝叶斯网络,基于网络实体节点状态转移概率,计算网络实体节点的联合概率分布,选择联合概率最大的攻击链路作为最可信的网络攻击路径。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (2)
1.一种基于概率图模型的网络攻击路径预测方法,其特征在于,包括:
步骤S1:获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算所述向量在欧式空间中的相似度作为所述网络实体节点状态转移概率;其中,所述网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产,具体包括:
步骤S11:采用相似匹配模型构建目标函数,已知所述网络实体节点Ei-2,Ei-1,Ei+1,Ei+2的前提下,预测当前网络实体节点Ei出现的概率,如公式(1)所示:
其中,L表示目标函数,Ei表示当前网络实体节点,Context(Ei)表示Ei周围的网络实体节点,[p(Ei|Context(Ei))表示已知周围网络实体节点出现的情况下,当前网络实体节点Ei出现的概率;
或者,采用翻译模型构建目标函数,如公式(2)所示:
其中,L表示目标函数,γ是margin超参数,h、t分别表示头部网络实体、尾部网络实体,r表示所述网络实体节点之间的关系,S是正样本三元组{h,r,t}的集合,S′(h,r,t)是负样本集合,S′(h,r,t)={(h′,r,t)|h′∈E}∪{(h,r,t′)|t′∈E},h′、t′表示随机替换的错误网络实体节点;
对于公式(2)中fr(h,t),通过向量翻译构建所述网络安全知识图谱中所述网络实体节点与关系之间的相关性,如公式(3)所示:
fr(h,t)=||h+r-t||l1 (3)
其中,fr(h,t)表示目标函数,l1范数表示各个参数的绝对值之和;
步骤S12:通过公式(1)或公式(2)构建的所述目标函数L,将所述网络安全知识图谱中的网络实体节点转换为向量表示Ei和Ej,二者之间的语义关系或者相似度可以通过向量的夹角反映,如公式(4)所示:
其中,P(Ei|Ej)表示所述向量Ei和Ej之间的状态转移概率;n表示向量的维度,|Ei|和|Ej|分别表示Ei和Ej的模;wik表示Ei第k维的数值,wjk表示Ej第k维的数值;
步骤S2:利用贝叶斯网络,基于所述网络实体节点状态转移概率,计算所述网络实体节点的联合概率分布,选择所述联合概率最大的攻击链路作为最可信的网络攻击路径,具体包括:
步骤S21:根据贝叶斯公式,拟合的所述网络实体节点向量之间的状态转移概率,如公式(5)所示:
其中,P(A),P(B)分别表示事件A和事件B发生的概率,P(A|B)表示B发生的情况下A发生的概率,P(A,B)表示事件A,B同时发生的概率;
步骤S22:令所述网络安全知识图谱G=(I,E)为一个有向无环图,其中I代表所有的实体节点向量的集合,E代表实体关系的集合,且令X=(Xi)i∈I为其有向无环图中的某一节点i所代表之随机变量,根据贝叶斯网络计算实体节点向量xn的联合概率分布,如公式(6)所示:
P(x1,x2,...,xn)=P(x1)P(x2|x1)P(x3|x1,x2)...P(xn|x1,x2,...xn-1) (6)
其中,x1,x2,...xn-1为xn的直接前驱实体节点向量;
步骤S23:将公式(6)简化成公式(7),计算所有可能的攻击路径的存在概率;
其中,Parents表示xi的直接前驱节点的联合;
步骤S24:按上述方法计算G中所述网络实体节点间所有可能组合的攻击路径存在的概率;将攻击路径存在概率最大的攻击链路作为最可信APT攻击路径。
2.一种基于概率图模型的网络攻击路径预测系统,其特征在于,包括下述模块:
计算实体节点状态转移概率模块,用于获取已有的网络安全知识图谱,利用表示学习将网络实体节点转换为向量,计算所述向量在欧式空间中的相似度作为所述网络实体节点状态转移概率,其中,所述网络实体节点包括:APT组织、威胁指标、安全漏洞和网络资产,具体包括:
步骤S11:采用相似匹配模型构建目标函数,已知所述网络实体节点Ei-2,Ei-1,Ei+1,Ei+2的前提下,预测当前网络实体节点Ei出现的概率,如公式(1)所示:
其中,L表示目标函数,Ei表示当前网络实体节点,Context(Ei)表示Ei周围的网络实体节点,[p(Ei|Context(Ei))表示已知周围网络实体节点出现的情况下,当前网络实体节点Ei出现的概率;
或者,采用翻译模型构建目标函数,如公式(2)所示:
其中,L表示目标函数,γ是margin超参数,h、t分别表示头部网络实体、尾部网络实体,r表示所述网络实体节点之间的关系,S是正样本三元组{h,r,t}的集合,S′(h,r,t)是负样本集合,S′(h,r,t)={(h′r,t)|h′∈E}∪{(h,r,t′)|t′∈E},h′、t′表示随机替换的错误网络实体节点;
对于公式(2)中fr(h,t),通过向量翻译构建所述网络安全知识图谱中所述网络实体节点与关系之间的相关性,如公式(3)所示:
fr(h,t)=||h+r-t||l1 (3)
其中,fr(h,t)表示目标函数,l1范数表示各个参数的绝对值之和;
步骤S12:通过公式(1)或公式(2)构建的所述目标函数L,将所述网络安全知识图谱中的网络实体节点转换为向量表示Ei和Ej,二者之间的语义关系或者相似度可以通过向量的夹角反映,如公式(4)所示:
其中,P(Ei|Ej)表示所述向量Ei和Ej之间的状态转移概率;n表示向量的维度,|Ei|和|Ej|分别表示Ei和Ej的模;wik表示Ei第k维的数值,wjk表示Ej第k维的数值;
计算实体节点的联合概率分布模块,用于利用贝叶斯网络,基于所述网络实体节点状态转移概率,计算所述网络实体节点的联合概率分布,选择所述联合概率最大的攻击链路作为最可信的网络攻击路径,具体包括:
步骤S21:根据贝叶斯公式,拟合的所述网络实体节点向量之间的状态转移概率,如公式(5)所示:
其中,P(A),P(B)分别表示事件A和事件B发生的概率,P(A|B)表示B发生的情况下A发生的概率,P(A,B)表示事件A,B同时发生的概率;
步骤S22:令所述网络安全知识图谱G=(I,E)为一个有向无环图,其中I代表所有的实体节点向量的集合,E代表实体关系的集合,且令X=(Xi)i∈I为其有向无环图中的某一节点i所代表之随机变量,根据贝叶斯网络计算实体节点向量xn的联合概率分布,如公式(6)所示:
P(x1,x2,...,xn)=P(x1)P(x2|x1)P(x3|x1,x2)...P(xn|x1,x2,...xn-1) (6)
其中,x1,x2,...xn-1为xn的直接前驱实体节点向量;
步骤S23:将公式(6)简化成公式(7),计算所有可能的攻击路径的存在概率;
其中,Parents表示xi的直接前驱节点的联合;
步骤S24:按上述步骤计算G中所述网络实体节点间所有可能组合的攻击路径存在的概率;将攻击路径存在概率最大的攻击链路作为最可信APT攻击路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295287.XA CN115225304B (zh) | 2022-03-24 | 2022-03-24 | 一种基于概率图模型的网络攻击路径预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295287.XA CN115225304B (zh) | 2022-03-24 | 2022-03-24 | 一种基于概率图模型的网络攻击路径预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225304A CN115225304A (zh) | 2022-10-21 |
CN115225304B true CN115225304B (zh) | 2023-05-05 |
Family
ID=83606630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295287.XA Active CN115225304B (zh) | 2022-03-24 | 2022-03-24 | 一种基于概率图模型的网络攻击路径预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115225304B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776984B (zh) * | 2023-07-10 | 2024-03-19 | 河海大学 | 一种基于知识图谱的灾害链推理预测方法及系统 |
CN117952205A (zh) * | 2024-03-26 | 2024-04-30 | 电子科技大学(深圳)高等研究院 | 一种针对知识图谱嵌入模型的后门攻击方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112769869A (zh) * | 2021-02-09 | 2021-05-07 | 浙江工商大学 | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 |
CN113783896A (zh) * | 2021-11-10 | 2021-12-10 | 北京金睛云华科技有限公司 | 一种网络攻击路径追踪方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259449B (zh) * | 2017-03-27 | 2020-03-06 | 新华三技术有限公司 | 一种防御apt攻击的方法和系统 |
CN110113314B (zh) * | 2019-04-12 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 用于动态威胁分析的网络安全领域知识图谱构建方法及装置 |
TWI717831B (zh) * | 2019-09-11 | 2021-02-01 | 財團法人資訊工業策進會 | 攻擊路徑偵測方法、攻擊路徑偵測系統及非暫態電腦可讀取媒體 |
US11575700B2 (en) * | 2020-01-27 | 2023-02-07 | Xm Cyber Ltd. | Systems and methods for displaying an attack vector available to an attacker of a networked system |
KR102650732B1 (ko) * | 2020-08-06 | 2024-03-26 | 한국전자통신연구원 | 컴퓨터 네트워크의 공격 취약점 예측 방법 및 장치 |
-
2022
- 2022-03-24 CN CN202210295287.XA patent/CN115225304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112769869A (zh) * | 2021-02-09 | 2021-05-07 | 浙江工商大学 | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 |
CN113783896A (zh) * | 2021-11-10 | 2021-12-10 | 北京金睛云华科技有限公司 | 一种网络攻击路径追踪方法和装置 |
Non-Patent Citations (1)
Title |
---|
《基于联合学习的端到端威胁情报知识图谱构建方法》;刘强等;《现代计算机》;第16-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115225304A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep reinforcement learning for partially observable data poisoning attack in crowdsensing systems | |
CN115225304B (zh) | 一种基于概率图模型的网络攻击路径预测方法及系统 | |
CN109858390B (zh) | 基于端到端时空图学习神经网络的人体骨架行为识别方法 | |
Fan et al. | Evidence reasoning for temporal uncertain information based on relative reliability evaluation | |
Xia et al. | Deciphering spatio-temporal graph forecasting: A causal lens and treatment | |
Ramkumar et al. | Intrusion detection using optimized ensemble classification in fog computing paradigm | |
CN116340524A (zh) | 一种基于关系自适应网络的小样本时态知识图谱补全方法 | |
Kaiser et al. | Attack hypotheses generation based on threat intelligence knowledge graph | |
Nie et al. | Data and domain knowledge dual‐driven artificial intelligence: Survey, applications, and challenges | |
Wang et al. | Federated iot interaction vulnerability analysis | |
Wang et al. | Artificial intelligence of things (AIoT) data acquisition based on graph neural networks: A systematical review | |
CN114116957A (zh) | 一种基于知识图谱的电磁信息泄漏智能分析方法 | |
Sarala et al. | Fuzzy cognitive map-based reasoning for prediction of multi-stage attacks in risk assessment | |
Han et al. | A triple-branch neural network for knowledge graph embedding | |
Zhao et al. | Effective fault scenario identification for communication networks via knowledge-enhanced graph neural networks | |
Du et al. | A Few-Shot Class-Incremental Learning Method for Network Intrusion Detection | |
Zhou et al. | Network security situation assessment methods and tactics based on multivariate spatiotemporal attack graph model | |
Kim et al. | Intrusion Prediction using LSTM and GRU with UNSW-NB15 | |
CN113312920B (zh) | 基于图对比学习的验证方法、系统、设备和存储介质 | |
Zhong et al. | A Survey on Graph Neural Networks for Intrusion Detection Systems: Methods, Trends and Challenges | |
Chakraborty et al. | Brain-Inspired Spiking Neural Network for Online Unsupervised Time Series Prediction | |
Wang et al. | JECI++: A Modified Joint Knowledge Graph Embedding Model for Concepts and Instances | |
Zhang et al. | Metaconcept: Learn to abstract via concept graph for weakly-supervised few-shot learning | |
Lee et al. | Applicability Analysis of Knowledge Graph Embedding on Blended Threat | |
Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks |
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 |