ICMLNov, 2021

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

PDF
TL;DR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。
computer securityvulnerability analysisnatural language processing (nlp)bert classifiersexplainability
发现论文，激发创造
  • 语义漏洞嵌入的漏洞聚类与其他机器学习应用

    利用自然语言处理技术获得漏洞空间的简洁表示，并作为机器学习应用的基础，支持网络安全研究人员和分析师进行风险评估等相关活动。

    Aug, 2023

  • V2W-BERT: 一种有效的软件漏洞层次多类分类框架

    本文介绍了一种基于 Transformer 学习框架的新方法 (V2W-BERT)，通过自然语言处理、链接预测和迁移学习等思想，自动将 Common Vulnerabilities and Exposures (CVE) 映射到 Common Weakness Enumerations (CWE)，准确地解决了在网络安全方面的问题，可应用于寻找软件漏洞和缓解网络攻击。

    Feb, 2021

  • 分析社交媒体上报告的网络安全威胁的感知严重性

    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

  • 自动化漏洞分析：威胁优先级和影响预测

    本研究介绍了一种名为 CVEDrill 的创新预测模型与工具，能够革新 CVE 分析和威胁优先级排序，实现精确威胁缓解和自动分类 CVE 至适当的 CWE 层级类别，从而开创了在此领域超越 ChaptGPT 等最先进工具的组织实施网络安全对策缓解的精确度和及时性。

    Sep, 2023

  • 漏洞优先级排序：一种攻击性安全方法

    本文介绍了一种新的漏洞优先级排序方法，受渗透测试的启发，通过一个真实的案例来验证了机器学习自动化流程的准确性。

    Jun, 2022

  • 揭示未见安全实体之间的隐藏链接

    VulnScopper 是一种创新方法，利用多模态表示学习，结合知识图谱和自然语言处理，自动化和增强对软件漏洞的分析，显著提高了公共漏洞和曝光、常见弱点枚举和常见平台枚举之间的链接预测准确率。

    Mar, 2024

  • 面向人本解释性文本分类基准的探索

    本文探讨了已有的文本分类数据集不能准确反映真实应用场景的问题，并提出了两点解决方案：一是在文本分类数据集中增加可解释性的评价指标，二是通过人类的应用场景与判断加强数据集的教学力度。

    Nov, 2022

  • 漏洞攻击技术与威胁识别

    该研究使用机器学习和自然语言处理技术以及多个公共数据集，提供一个易于理解的漏洞到攻击技术和威胁行为者的映射，帮助安全从业者协助客户管理和优先处理漏洞。

    Jun, 2022

  • 关于语言模型在视觉概念语义相似度评估方面的可解释性研究

    这篇研究探讨了高性能预训练语言模型的表现，并提出了一些可解释的评估指标用于理解检索实例的概念质量，并对具有明显查询语义的对抗性干预进行了测试，揭示了不透明指标中的漏洞并显示了学习语言表示中的模式。

    Sep, 2022

  • 面向自然语言生成的可解释评估度量

    本文提出了解释性机器翻译评估指标的关键属性和目标并综述了最近的方法，通过实验发现当前的对抗性 NLP 技术不能自动识别高质量黑盒评估指标的局限性，提出了未来解释性评估指标的发展方向。

    Mar, 2022