Feb, 2022

基于排名聚合和多目标优化的数据中心漏洞风险优先级评价

PDF
TL;DR本文主要阐述数据中心的漏洞问题和解决方案，介绍多目标优化技术在漏洞管理中的应用，以及如何开发一个有效的模型来优化漏洞的安全风险排序。
发现论文，激发创造
  • 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

  • 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

  • 利用人工智能规划检测云安全漏洞

    云计算服务、安全漏洞、访问控制策略、PDDL 模型和亚马逊 AWS 云配置是本研究的五个关键词，该研究提出了一个通用框架来表达云系统中不同云对象之间的关系，以建立访问控制策略，并使用 PDDL 模型检测安全漏洞，从而测试 14 个真实的亚马逊 AWS 云配置中的安全性漏洞。

    Feb, 2024

  • Deep VULMAN: 一种深度强化学习驱动的网络漏洞管理框架

    提出了基于深度强化学习代理和整数规划方法的漏洞管理框架 Deep VULMAN，该框架可以确定在不确定性下漏洞管理过程中最优资源分配和优先漏洞实例的选择，并在模拟和实际应用数据上优于现有方法。

    Aug, 2022

  • 关于不确定性决策与风险管理问题的解决

    本文基于对 100 个决策问题数据集的回顾，发现许多问题具有关键性质和对应的决策策略，而采用多目标优化方法能够定量地进行投资决策。作者评估了这些性质的重要程度，得到了对应问题的信息量评分，使得在关键性质的指导下，决策问题的分析复杂度显著降低。

    Jan, 2023

  • 使用开源数据预测软件漏洞的利用

    本研究旨在研究使用机器学习模型来预测软件漏洞是否会被攻击，着重探讨了该方法的局限性和如何选择更合适的测试数据以准确预测漏洞被攻击的可能性。

    Jul, 2017

  • 基于标量化的风险概念的鲁棒多目标优化

    基于鲁棒优化的多目标问题，介绍了鲁棒化和标量化两种关键操作之间的哲学差异，展示了风险概念在鲁棒多目标优化问题中的集成，并通过两个基于真实数据集的案例研究验证了这些新思路的有效性。

    May, 2024

  • 利用预测评分系统（EPSS）

    本文提出了第一个开放的数据驱动的漏洞威胁评估框架，即漏洞在公开披露后的 12 个月内被利用的概率评分系统，该系统被设计为足够简单，可以由非技术专家实践者实现，同时提供准确的利用估计，且可根据更多更好的数据进行更新。我们称之为 Exploit Prediction Scoring System (EPSS)。

    Aug, 2019

  • 一种多目标重新排序学习方法，优化面向多方利益相关者的在线市场

    本研究提出了一种基于多目标的重新排序方法，使用基于 Kendall tau 相关度量和其核版本的正则化函数来解决涉及多种利益相关方的推荐问题，对包括消费者、供应商和中介在内的三个利益相关方进行多目标优化，通过真实数据集验证了此方法的有效性。

    Aug, 2017

  • 基于机器学习的自动化软件漏洞检测

    利用机器学习和深度神经网络，针对 C++ 程序开发了一种基于数据驱动的漏洞检测方法，研究结果表明结合源代码和神经网络特征，可以获得更可靠的漏洞检测结果，最高检测能力达到 0.87。

    Feb, 2018