近年來,網(wǎng)絡(luò)安全威脅日益增多,數(shù)據(jù)驅(qū)動的安全智能分析成為網(wǎng)絡(luò)安全領(lǐng)域研究的熱點。特別是以知識圖譜為代表的人工智能技術(shù)可為多源異構(gòu)威脅情報數(shù)據(jù)中的復(fù)雜網(wǎng)絡(luò)攻擊檢測和未知網(wǎng)絡(luò)攻擊檢測提供支撐。網(wǎng)絡(luò)安全實體識別是威脅情報知識圖譜構(gòu)建的基礎(chǔ)。開放網(wǎng)絡(luò)文本數(shù)據(jù)中的安全實體構(gòu)成非常復(fù)雜,導(dǎo)致傳統(tǒng)的深度學(xué)習(xí)方法難以準確識別。在BERT（pre-training of deep bidirectional transformers）預(yù)訓(xùn)練語言模型的基礎(chǔ)上,提出一種基于殘差空洞卷積神經(jīng)網(wǎng)絡(luò)和條件隨機場的網(wǎng)絡(luò)安全實體識別模型BERT-RDCNN-CRF。通過BERT模型訓(xùn)練字符級特征向量表示,結(jié)合殘差卷積與空洞神經(jīng)網(wǎng)絡(luò)模型有效提取安全實體的重要特征,最后通過CRF獲得每一個字符的BIO標注。在所構(gòu)建的大規(guī)模網(wǎng)絡(luò)安全實體標注數(shù)據(jù)集上的實驗表明,所提方法取得了比LSTM-CRF模型、Bi LSTM-CRF模型和傳統(tǒng)的實體識別模型更好的效果。 

【文章頁數(shù)】：13 頁

【參考文獻】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全實體識別方法[J]. 秦婭,申國偉,趙文波,陳艷平.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(01)
[2]基于深度學(xué)習(xí)的威脅情報知識圖譜構(gòu)建技術(shù)[J]. 王通,艾中良,張先國.  計算機與現(xiàn)代化. 2018(12)
[3]基于CNN和雙向LSTM融合的實體關(guān)系抽取[J]. 張曉斌,陳福才,黃瑞陽.  網(wǎng)絡(luò)與信息安全學(xué)報. 2018(09)
[4]命名實體識別研究綜述[J]. 劉瀏,王東波.  情報學(xué)報. 2018(03)



本文編號：3686610