从嘈杂的短文本中检测网络安全事件
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
本文通过弱监督学习建立高质量的社交媒体紧急信息分类器,使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据,利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息,且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。
Oct, 2020
本文通过采用双向 LSTM 循环神经网络来区分类别 Twitter 上的人类账户和垃圾邮件机器人账户,实现对无先验知识的 Twitter 账户进行检测,以及不需要任何手工特征设计,最终得到良好的实验结果。
Feb, 2020
本文旨在研究使用不同神经网络和通用与领域特定词嵌入的应用能力,以提高推文分类模型的性能,结果表明 Bi-LSTM 模型使用通用词嵌入(如 GloVe)效果最佳,最高可达 62.04%的 F1 分数。
Mar, 2019
本文介绍了一种基于深度循环神经网络技术和 Apache Spark 框架,实现了对流量异常检测的网络安全解决方案,具有更高的检测率和更低的误报率,可以检测集体和上下文安全攻击。该方法合并了语言处理、上下文分析、分布式深度学习、大数据和流量分析的概念,并在 MAWI 数据集上进行实验,结果表明,该方法不仅优于签名 IDS 和传统异常 IDS,在点异常检测方面表现更好,并有望在未来进一步证明其可靠性。
Sep, 2022
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
本论文旨在介绍基于神经网络的分类方法,该方法针对社交媒体上的危机信息进行二元和多元分类。本方法无需进行特征工程,相比现有的最先进的分类方法,其性能更佳,并可在缺乏标记数据的情况下取得良好的分类效果。
Aug, 2016
本文提出两种利用字符级音韵、词嵌入和词性标注等特征解决社交媒体文本处理困难的模型,比现有技术在噪声环境下的表现更好, F1 得分比之前提高了 2.45% 和 3.69%。
Jun, 2019
提出了一种结合卷积神经网络(CNN)和长短期记忆(LSTM)深度学习模型的入侵检测系统(IDS)模型,用于保护物联网设备免受网络攻击的伤害,通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析,实现了高精度和高效率的物联网流量检测和分类,验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。
May, 2024
提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统,在 CICIDS2017 数据集上实现了 99.52% 的准确率,具有实时处理能力、可扩展性和低虚警率,成功应用于当今的物联网网络,对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论,为显著提高网络安全性提供了强有力的解决方案。
Jun, 2024