利用黑客情感预测网络安全事件
本文介绍了一种基于深度神经网络和自回归时间序列模型的机器学习技术,利用公开 Web 资源的外部信号预测网络攻击,测试结果表明该方法在真实世界预测任务中显著提高了预测精确度,能够有效预防各种类型的网络攻击。
Jun, 2018
通过分析 Twitter 和 Reddit 上的数据,使用 VADER 算法测量网络安全的情绪(积极 / 消极 / 中立),VADER 对 Twitter 和 Reddit 的准确度分别为 60% 和 70%。
Apr, 2022
本文通过实证研究两个组织的真实数据,量化了过滤对于预测网络攻击可预测性的影响,发现过滤降低了网络攻击的可预测性,由于入侵事件的数据过少且具有不同于总数据集的生成过程,使得预测模型更加困难。
Apr, 2020
本文研究了通过对互联网上描述网络威胁的语言进行分析来评估网络安全威胁的严重程度等方面的方法,并基于对软件漏洞的持重者的讨论,建立了自动分类器来判断软件漏洞的严重程度,从而提高了高严重性漏洞的精度,在此基础上,通过在线上记录的严重威胁漏洞的报告来预测真实世界的漏洞的利用。
Feb, 2019
本文介绍了一种利用域特定词汇和任务特定特征来检测推文中的网络安全事件的方法,该方法结合了卷积神经网络和长短期记忆循环神经网络,并对嘈杂短文本进行分类。通过新收集的推文数据集进行实验,得到实验结果表明该方法检测噪声短文本中的网络安全事件的效果优于传统和神经基线方法。
Apr, 2019
通过主题建模分析并发现地下黑客论坛中讨论的漏洞的关键主题,从而开发出一种基于机器学习的模型,能够自动检测和分类地下黑客论坛中与漏洞相关的讨论。
May, 2024
利用机器学习和数据挖掘技术增强网络安全,本文提出了一种新的技术,基于多个数据参数预测网络中即将发生的攻击,通过测试阶段的结果选择最佳模型,并提取可能导致攻击的事件类别。
Dec, 2023
研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击,通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率,最终实现了三倍于历史电子邮件攻击的成功率,并超过手动执行相同任务的人类。
Feb, 2018
本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知,证明了 BERT 模型在情感分析中的卓越性能。
Nov, 2022