近年來,隨著互聯(lián)網(wǎng)快速發(fā)展,網(wǎng)絡威脅日益增多,傳統(tǒng)的網(wǎng)絡防御體系已經(jīng)無法對威脅做出有效的判斷。因此,威脅情報技術孕育而生,該技術正處于一個飛速發(fā)展的階段。目前為止碎片化的情報無法準確溯源出攻擊組織以便及時采取有效的防御手段,本課題提出了一種威脅情報的知識圖譜構建技術,可以很好的解決情報關聯(lián)性差的問題,利用知識圖譜可視化技術,直觀地展現(xiàn)威脅情報的要素和關系。論文剖析了目前國內外對威脅情報知識圖譜技術的相關現(xiàn)狀,調研了本體工程、深度學習理論、實體消歧和知識推理等相關技術。通過研究和分析,將這些技術應用到整個威脅情報知識圖譜構建的過程中。首先,本文提出一套威脅情報本體模型。按照構建標準,利用深度學習框架,完成實體和實體關系自動化提取。接著對抽取的實體進行實體消歧。構建好的威脅情報知識庫,采用知識推理技術獲取潛在的關系。將完整的威脅情報知識庫的數(shù)據(jù)利用知識圖譜可視化技術展示。其次,針對海量威脅情報數(shù)據(jù)查詢速度慢的情況,本文采用了全文檢索技術對知識庫進行搜索。最后基于論文的研究,構建了一套原型系統(tǒng),描述了系統(tǒng)框架和系統(tǒng)部署環(huán)境,并對最終知識圖譜進行清晰的展示。通過該論文的研究,設計并實現(xiàn)了威脅情... 

【文章來源】：中國電子科技集團公司電子科學研究院北京市

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【部分圖文】：

圖２．１攻擊模式關系圖??指標信息的可信自動化交換Ｔｒｕｓｔｅｄ?Ａｕｔｏｍａｔｅｄ?ｅｘｃｈａｎｇｅ?ｏｆ?Ｉｎｄｉｃａｔｏｒ??

ＲＮＮ中神經(jīng)元的下一個時間戳將直接作用到自身。第ｎ層神經(jīng)元的ｍ時刻的輸??入，不僅包括（ｎ－１）層在ｍ時刻的輸入，還包括自身在（ｍ－１）時刻的輸出，其??結構圖如圖２．２所示??６??Ａ?４?４?Ａ??ｓ〇Ｃ）??Ｕｎｆｏｌｄ＾?ｆ?Ｗ?ｆ?Ｗ?ｆ?Ｗ??Ｕ?Ｕ?Ｕ?Ｕ??Ｘ?Ｘ＾ｌ?Ｘｔ?ＸＭ??圖２．?２?ＲＭ網(wǎng)絡結構圖??如圖２．３所示，展示了一個典型按時間展開的ＲＮＮ結構。其中ｘ是輸入??層，ｓ是隱藏層，〇是輸出層，Ｕ為上一層輸入的偏置矩陣，Ｗ為該隱藏層ｈ??一次的值指作為這一次的偏置矩陣。每個圓圈為一個神經(jīng)單元，每個神經(jīng)單元??做相同的事情。右半圖為左半圖的展開，簡單解釋ＲＮＮ，其實是一個單元結構??重復使用正因為ＲＮＮ是一個序列到序列的深度學習模型，我們作出如下定??義：Ｘｔ表示ｔ時刻的輸入，Ｓｔ表示為ｔ時刻的記憶。〇ｔ表示為ｔ時刻的輸出。上文??提到當前時刻的輸出等于此前記憶和當前時刻輸入共同作用，因此Ｓｔ的值如下??所示：??ｓｔ＝ｆ?ＣＵ?＊?Ｘ?ｔ＋Ｗ?＊Ｓ?ｔ＿２）??ｏｕｔｐｕｔ?Ｌａｙｅｒ?

ＲＮＮ中神經(jīng)元的下一個時間戳將直接作用到自身。第ｎ層神經(jīng)元的ｍ時刻的輸??入，不僅包括（ｎ－１）層在ｍ時刻的輸入，還包括自身在（ｍ－１）時刻的輸出，其??結構圖如圖２．２所示??６??Ａ?４?４?Ａ??ｓ〇Ｃ）??Ｕｎｆｏｌｄ＾?ｆ?Ｗ?ｆ?Ｗ?ｆ?Ｗ??Ｕ?Ｕ?Ｕ?Ｕ??Ｘ?Ｘ＾ｌ?Ｘｔ?ＸＭ??圖２．?２?ＲＭ網(wǎng)絡結構圖??如圖２．３所示，展示了一個典型按時間展開的ＲＮＮ結構。其中ｘ是輸入??層，ｓ是隱藏層，〇是輸出層，Ｕ為上一層輸入的偏置矩陣，Ｗ為該隱藏層ｈ??一次的值指作為這一次的偏置矩陣。每個圓圈為一個神經(jīng)單元，每個神經(jīng)單元??做相同的事情。右半圖為左半圖的展開，簡單解釋ＲＮＮ，其實是一個單元結構??重復使用正因為ＲＮＮ是一個序列到序列的深度學習模型，我們作出如下定??義：Ｘｔ表示ｔ時刻的輸入，Ｓｔ表示為ｔ時刻的記憶。〇ｔ表示為ｔ時刻的輸出。上文??提到當前時刻的輸出等于此前記憶和當前時刻輸入共同作用，因此Ｓｔ的值如下??所示：??ｓｔ＝ｆ?ＣＵ?＊?Ｘ?ｔ＋Ｗ?＊Ｓ?ｔ＿２）??ｏｕｔｐｕｔ?Ｌａｙｅｒ?


本文編號：3492523