網(wǎng)絡(luò)威脅情報(bào)在抵御網(wǎng)絡(luò)威脅方面的價(jià)值日益凸顯,運(yùn)用威脅情報(bào)驅(qū)動(dòng)網(wǎng)絡(luò)安全防御已成為企業(yè)和組織的廣泛共識。實(shí)際上,收集威脅情報(bào)并加以分析和共享是一種空間換取時(shí)間的有效網(wǎng)絡(luò)安全防御措施。通過主動(dòng)探測現(xiàn)有或潛在的網(wǎng)絡(luò)威脅,提高面臨威脅時(shí)的響應(yīng)速度,可在一定程度上改變網(wǎng)絡(luò)攻防不對稱的局面,實(shí)現(xiàn)網(wǎng)絡(luò)態(tài)勢感知。然而,威脅情報(bào)類型復(fù)雜,應(yīng)用場景多變。隨著信息快速生成,威脅情報(bào)更新迅速,給安全人員實(shí)時(shí)分析利用威脅情報(bào)帶來了挑戰(zhàn)。各安全廠商發(fā)布的威脅情報(bào)通常為文本形式,包含大量的非結(jié)構(gòu)化數(shù)據(jù)。同時(shí),冗余信息和專業(yè)領(lǐng)域詞匯的存在一定程度上降低了威脅情報(bào)的可用性。知識圖譜在各領(lǐng)域的廣泛應(yīng)用為網(wǎng)絡(luò)智能防御提供了新的思路:作為最有效的知識集成方法之一,知識圖譜能夠通過高效可視化安全知識,關(guān)聯(lián)融合多源異構(gòu)數(shù)據(jù),對攻擊進(jìn)行追蹤溯源,實(shí)現(xiàn)威脅感知,檢測新型網(wǎng)絡(luò)威脅。本文將知識圖譜推廣至網(wǎng)絡(luò)安全領(lǐng)域,面向網(wǎng)絡(luò)威脅情報(bào)知識圖譜構(gòu)建與應(yīng)用過程中所涉及到的關(guān)鍵技術(shù)展開重點(diǎn)研究。針對現(xiàn)有威脅情報(bào)通常為來源廣泛的非結(jié)構(gòu)化數(shù)據(jù)的問題,設(shè)計(jì)實(shí)體抽取和關(guān)系抽取模型,改進(jìn)損失函數(shù),融入多種特征,建立知識圖譜,開發(fā)基于Neo4j圖數(shù)據(jù)庫的知...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1論文組織架構(gòu)

第七章,總結(jié)與展望。本章對論文的研究內(nèi)容、工作價(jià)值和創(chuàng)新點(diǎn)進(jìn)行整理歸納,并闡明下一步工作探索的目標(biāo)與方向。2.1知識圖譜

圖2.1圖數(shù)據(jù)庫排名

根據(jù)DB-Engines發(fā)布的最新圖數(shù)據(jù)庫排名,Neo4j分?jǐn)?shù)仍遙遙領(lǐng)先,遠(yuǎn)超同類型數(shù)據(jù)庫得分,如圖2.1所示。2.2知識抽取

圖3.1融合FocalLoss的實(shí)體抽取模型框架

設(shè)計(jì)實(shí)體抽取模型如圖3.1所示。模型分為以下三個(gè)部分:嵌入層、編碼層和融合FocalLoss的解碼層。首先,輸入單詞序列,基于隨機(jī)嵌入獲得詞嵌入向量;由于威脅情報(bào)中存在專業(yè)詞匯引發(fā)的OOV問題,引入CNN和BiLSTM提取字符特征,與詞嵌入向量拼接得到完整的單詞嵌入;接著,將....

圖3.2基于CNN獲取字符特征

根據(jù)先前工作研究[45,90],卷積神經(jīng)網(wǎng)絡(luò)CNN能夠識別單詞構(gòu)成,提取單詞的結(jié)構(gòu)信息(如單詞的詞形、詞根和前綴),并以向量的形式表示。圖3.2展示了基于CNN獲取單詞字符特征的網(wǎng)絡(luò)結(jié)構(gòu)。將CNN和BiLSTM提取到的字符特征向量與詞嵌入拼接,獲得單詞的向量表示。3.2.3B....

本文編號：3974312