ACLFeb, 2019

分析社交媒体上报告的网络安全威胁的感知严重性

PDF
TL;DR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。
发现论文，激发创造
  • CVSS-BERT：使用自然语言理解技术从计算机安全漏洞描述中确定其严重程度

    利用自然语言处理中的 BERT 分类器，从可公开的计算机安全漏洞的文本描述中解析漏洞的特征并计算其严重性得分，以减少分析所需的时间和人力。

    Nov, 2021

  • 利用黑客情感预测网络安全事件

    通过对黑客论坛上的情感分析，我们提出了一种新的方法来预测网络事件，该方法可以在攻击事件发生前几周就进行预测，一些特定的黑客论坛可以比现有的深度学习和时间序列模型更有效地进行预测。

    Apr, 2018

  • Twitter 和 Reddit 上的网络安全内容情感分析

    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

  • 从嘈杂的短文本中检测网络安全事件

    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

  • 利用 Twitter 数据确定飓风等级：一项实验

    此研究通过数据挖掘方法在社交媒体数据和灾害严重程度之间找到关联，并使用特定区域的 Twitter 数据预测该区域的飓风等级。

    Aug, 2023

  • AbuseAnalyzer: 用于 Gab 帖子的滥用检测、严重程度和目标预测

    该论文提出了一种基于 “Gab” 数据集的在线滥用行为检测和评估方法，该方法可以确定滥用性内容的存在性，严重性和目标，并可达到 80％的存在性检测准确率，82％的目标检测准确率以及 65％的滥用严重性预测准确率

    Sep, 2020

  • 用于抑郁症程度估计的语义相似性模型

    本文提出了一个有效的语义管道，基于社交媒体的写作，研究个体的抑郁症严重程度。通过计算方法，利用用户生成的社交媒体内容，本文探讨了不同聚合方法以准确预测用户症状严重程度，并在 Reddit 的两个基准测试中取得了 30％的提高。

    Nov, 2022

  • TweetCred: Twitter 上内容的实时可信度评估

    本研究开发并评估了一个使用机器学习的排名模型来评估 Twitter 上的信息可信度的实时系统 TweetCred，并评估了其响应时间、有效性和可用性。

    May, 2014

  • 社交媒体上的毒性定义和检测：关键在于上下文和知识

    本研究旨在通过使用心理学和社会理论来定义网络上的毒性，提出了一种多维度的网络毒性检测方法，结合显式知识和统计学习算法，以解决网络毒性检测中的歧义和复杂度问题。

    Apr, 2021

  • Twitter 主题分类

    本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

    Sep, 2022