提出了一种基于多模式和多层次特征融合的高级持续性威胁行为者归因方法，该方法利用异构属性图来表征高级威胁报告及其威胁迹象的信息，并提取融合多模式特征以构建全面的节点表示，进而设计多层次的异构图注意力网络来学习高级威胁报告节点的深层隐藏特征，结果表明该方法在归因分析任务中不仅优于现有方法，而且具有良好的可解释性。

Feb, 2024

本研究提出了一种基于神经网络的序列标注模型来自动识别网络入侵的迹象（IOCs），不需要专家级别的网络安全知识，通过对多个 token 拼写特征使用注意力机制，该模型可以从网络安全报告中识别出低频 IOCs，并取得了 88% 以上的平均 F1 分数，优于其他序列标注模型。

Oct, 2018

通过自动挖掘时间攻击模式，我们的研究旨在帮助安全从业人员从过去的网络威胁情报报告中挖掘有关恶意行为的结构化信息，并应用于优先处理和主动防御网络攻击。

Jan, 2024

本研究致力于将非结构化的网络威胁情报（CTI）用机器学习自动分类，以支持先发制人的安全措施，并为 CTI 分析提供新的数据集、模型选择指南以及挑战。

Aug, 2022

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

本研究通过分析 89 个真实的机器学习攻击情景，研究机器学习中的威胁特性、识别通用基本应对策略，最终总结出其中的最有针对性的漏洞、攻击手段及其防御方式，以共同为机器学习安全保驾护航。

Jun, 2022

通过使用大型语言模型 (LLMs) 以及对 MITRE AT&CK 框架中的 Tactics，Techniques 和 Procedures (TTPs) 进行训练，我们研究了它们在预测 ATT＆CK tactics 方面的能力，发现 BaseLLMs 提供更加集中和清晰的 ATT＆CK tactics 预测，而 LLMs 则提供更广泛的网络攻击技术解释。虽然 LLMs 具有强大的潜力，但它们的预测中存在内在歧义。因此，我们总结了现有的挑战，并建议 LLMs 研究方向以处理 TTP 描述的内在歧义。

Jun, 2023

本文探讨了不同的自然语言处理和机器学习技术，以提取关于网络攻击者战术、技术和过程（TTP）的安全信息，并提出了一个基于已知对手策略、技术和程序知识库的自动分类非结构化文本的数据处理管道。

Jul, 2022

该研究论文介绍了一种能够分析 CVE 描述并推测由 CVE 利用导致的可能 TTP 攻击的创新技术工具 TTPpredictor，并通过与 MITRE 的攻击功能类别的关联，实现了对威胁行为的自动分类，提高了对于潜在攻击技术的主动识别和威胁治理的能力。

Sep, 2023

本文将 MITRE 的 ATT＆CK MATRIX、NIST 的通用弱点枚举（CWE）、CVE 和 CAPEC 等公共数据源连接起来，构建了一个名为 BRON 的聚合数据图，从而增强了 Alerts，威胁和漏洞的信息，并鉴别了公共数据源的盲点和范围。

Oct, 2020