發(fā)布時間：2023-01-04 19:15

　　網(wǎng)絡(luò)威脅情報作為一種網(wǎng)絡(luò)安全大數(shù)據(jù),其本質(zhì)是立足于攻擊者視角對防御方所面臨的潛在威脅信息進(jìn)行匯總與分析,進(jìn)而幫助防御者更好地提升網(wǎng)絡(luò)安全防護(hù)能力。當(dāng)前隨著網(wǎng)絡(luò)安全形勢的日益嚴(yán)峻,網(wǎng)絡(luò)威脅情報在整個網(wǎng)絡(luò)安全防護(hù)過程中的價值愈發(fā)突顯。知識圖譜作為知識工程在大數(shù)據(jù)時代成功應(yīng)用的典型代表,是人工智能研究領(lǐng)域的一個重要分支。知識圖譜本質(zhì)上是一種大規(guī)模語義網(wǎng)絡(luò),其以圖結(jié)構(gòu)的形式直觀地表達(dá)客觀世界中存在的各種概念、實體、屬性及語義關(guān)系。知識圖譜技術(shù)蘊含有兩個顯著特性:實現(xiàn)多源異構(gòu)數(shù)據(jù)的關(guān)聯(lián)融合;實現(xiàn)知識的精準(zhǔn)化語義檢索與智能化推理分析。知識圖譜所具備的這些特性能夠完美契合大數(shù)據(jù)挖掘與分析的技術(shù)需求,為此,當(dāng)前知識圖譜已發(fā)展成為一種大數(shù)據(jù)處理與數(shù)據(jù)挖掘的技術(shù)體系。本文將知識圖譜技術(shù)應(yīng)用于網(wǎng)絡(luò)威脅情報領(lǐng)域,面向非結(jié)構(gòu)化網(wǎng)絡(luò)威脅情報數(shù)據(jù),深入研究網(wǎng)絡(luò)威脅情報知識圖譜構(gòu)建與應(yīng)用過程中所涉及的關(guān)鍵技術(shù),重點探索了面向非結(jié)構(gòu)化網(wǎng)絡(luò)威脅情報的知識抽取方法以及面向網(wǎng)絡(luò)威脅情報知識圖譜的知識推理方法,梳理了知識圖譜在網(wǎng)絡(luò)威脅情報領(lǐng)域應(yīng)用的技術(shù)體系。本文主要工作如下:1.提出基于多特征融合的威脅情報實體抽取方法。構(gòu)建網(wǎng)... 

【文章頁數(shù)】：115 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 威脅情報發(fā)展現(xiàn)狀
        1.2.2 知識圖譜發(fā)展現(xiàn)狀
        1.2.3 威脅語義建模研究現(xiàn)狀
    1.3 研究內(nèi)容
        1.3.1 面向威脅情報的知識圖譜研究框架
        1.3.2 本文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于多特征融合的威脅情報實體抽取方法
    2.1 引言
    2.2 相關(guān)工作
    2.3 方法描述
        2.3.1 模型架構(gòu)
        2.3.2 輸入特征表示層
        2.3.3 Bi LSTM特征編碼層
        2.3.4 自注意力機制
        2.3.5 實體邊界特征獲取
        2.3.6 實體上下文特征獲取
        2.3.7 LSTM解碼層
    2.4 實驗結(jié)果與分析
        2.4.1 實驗設(shè)置
        2.4.2 結(jié)果對比與分析
    2.5 小結(jié)
第三章 基于語義特征增強的威脅情報實體關(guān)系抽取方法
    3.1 引言
    3.2 相關(guān)工作
    3.3 方法描述
        3.3.1 模型整體架構(gòu)
        3.3.2 輸入特征表示層
        3.3.3 BiGRU全局語義特征抽取
        3.3.4 DGRU局部語義特征抽取
        3.3.5 基于語義特征融合的依存注意力
        3.3.6 基于對抗學(xué)習(xí)的語義特征增強
    3.4 實驗結(jié)果與分析
        3.4.1 實驗設(shè)置
        3.4.2 結(jié)果對比分析
    3.5 小結(jié)
第四章 融合對抗主動學(xué)習(xí)的威脅情報知識三元組抽取方法
    4.1 引言
    4.2 相關(guān)工作
    4.3 方法描述
        4.3.1 模型架構(gòu)
        4.3.2 標(biāo)注策略及匹配規(guī)則
        4.3.3 表示層和Bi LSTM特征編碼層
        4.3.4 動態(tài)注意力機制
        4.3.5 LSTM解碼層
        4.3.6 對抗主動學(xué)習(xí)
    4.4 實驗結(jié)果與分析
        4.4.1 實驗設(shè)置
        4.4.2 序列標(biāo)注模型性能對比實驗
        4.4.3 三元組抽取方法對比
        4.4.4 三元組抽取實例分析
        4.4.5 對抗主動學(xué)習(xí)算法性能評估
    4.5 小結(jié)
第五章 基于混合強化學(xué)習(xí)和圖卷積網(wǎng)絡(luò)的威脅知識推理方法
    5.1 引言
    5.2 相關(guān)工作
    5.3 方法描述
        5.3.1 模型架構(gòu)
        5.3.2 強化學(xué)習(xí)推理
        5.3.3 圖卷積網(wǎng)絡(luò)推理
        5.3.4 對抗學(xué)習(xí)過程
    5.4 實驗結(jié)果與分析
        5.4.1 實驗設(shè)置
        5.4.2 結(jié)果對比分析
    5.5 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
作者簡歷


【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)安全威脅情報共享與交換研究綜述[J]. 林玥,劉鵬,王鶴,王文杰,張玉清.  計算機研究與發(fā)展. 2020(10)
[2]實體關(guān)系抽取方法研究綜述[J]. 李冬梅,張揚,李東遠(yuǎn),林丹瓊.  計算機研究與發(fā)展. 2020(07)
[3]基于深度學(xué)習(xí)的關(guān)系抽取研究綜述[J]. 莊傳志,靳小龍,朱偉建,劉靜偉,白龍,程學(xué)旗.  中文信息學(xué)報. 2019(12)
[4]基于依存樹及距離注意力的句子屬性情感分類[J]. 蘇錦鈿,歐陽志凡,余珊珊.  計算機研究與發(fā)展. 2019(08)
[5]基于神經(jīng)網(wǎng)絡(luò)的藥物實體與關(guān)系聯(lián)合抽取[J]. 曹明宇,楊志豪,羅凌,林鴻飛,王健.  計算機研究與發(fā)展. 2019(07)
[6]威脅情報相關(guān)標(biāo)準(zhǔn)綜述[J]. 石志鑫,馬瑜汝,張悅,王翔宇.  信息安全研究. 2019(07)
[7]深度學(xué)習(xí)實體關(guān)系抽取研究綜述[J]. 鄂海紅,張文靜,肖思琪,程瑞,胡鶯夕,周筱松,牛佩晴.  軟件學(xué)報. 2019(06)
[8]面向?qū)傩猿槿〉拈T控動態(tài)注意力機制[J]. 程夢,洪宇,唐建,張家碩,鄒博偉,姚建民.  模式識別與人工智能. 2019(02)
[9]融入自注意力機制的社交媒體命名實體識別[J]. 李明揚,孔芳.  清華大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[10]知識圖譜研究綜述及其在醫(yī)療領(lǐng)域的應(yīng)用[J]. 侯夢薇,衛(wèi)榮,陸亮,蘭欣,蔡宏偉.  計算機研究與發(fā)展. 2018(12)

碩士論文
[1]疾病名稱識別和規(guī)范化[D]. 何云琪.蘇州大學(xué) 2019



本文編號：3727782