Apr, 2023

从国家漏洞数据库中文本描述构建知识图谱

PDF
TL;DR本文介绍了一种基于知识图谱构建漏洞图谱的新方法，结合了命名实体识别、关系提取和实体预测，以及神经模型、启发式规则和知识图谱嵌入。我们展示了这种方法如何帮助修复用于网络安全的知识图谱中缺失项，并评估了其性能。
发现论文，激发创造
  • 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

  • 通过探索知识图谱进行实体描述生成

    本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

    Apr, 2020

  • 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

  • 针对网络安全概念的关系抽取框架

    本论文介绍了一种利用半监督自然语言处理和引导式算法从文本中提取安全实体与其关系的方法，并在小型语料库上进行测试，结果表明可以较高准确地实现此目的。

    Apr, 2015

  • 无监督从文本和代码构建知识图谱

    利用无监督学习方法构建知识图谱，将自然语言概念实体与源代码实体相关联，结合词嵌入、降维和聚类技术的文本概念聚类方法，用于帮助科学家理解、组织和比较开放科学生态系统中的软件，并增强对科学文献的整体理解。

    Aug, 2019

  • 分层非负矩阵分解生成网络安全知识图

    从科学论文中提取本体学的等结构来构建多模态知识图谱，以及在网络安全领域应用层次 NMF 方法构建网络安全领域特定的知识图谱。

    Mar, 2024

  • 用于源代码漏洞识别的顺序图神经网络

    本文提出了一个用于帮助开发模型的 C/C++ 源代码漏洞数据集 CVEFunctionGraphEmbeddings（CVEFGE），该数据集是从 CVE 数据库中自动爬取的，并且提出了基于图神经网络的学习框架 SEquential Graph Neural Network（SEGNN）来学习大量的代码语义表示。我们的实验结果表明，SEGNN 在图分类设置中的表现优于两个数据集和四种基线方法。

    May, 2023

  • 基于知识图谱的上下文感知安全监测机器学习

    讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。

    May, 2021

  • Devign：基于图神经网络学习全面程序语义的有效漏洞识别

    提出 Devign，基于图表征学习的图层级分类模型，旨在识别软件系统中的漏洞函数，能够有效地训练和提取代码的语义表示特征。经过广泛的数据集评估，结果表明该模型在准确率和 F1 得分上，明显优于现有技术。

    Sep, 2019

  • 知识图谱扩展 —— 通过实体类型识别

    本文提出了一种基于实体类型识别的知识图谱扩展框架，通过对不同知识图谱的模式和实体进行对齐，提高了扩展的性能，从而实现高质量的知识提取。通过定量实验和案例研究，全面展示了所提出的扩展框架及其功能的可行性和有效性。

    May, 2024