Dec, 2023

硬件弱点脆弱性映射框架 HW-V2W-Map: GPT 辅助缓解建议的根本原因分析

PDF
TL;DR现代计算框架的复杂性不断增加，导致从业人员向国家漏洞数据库（NVD）报告的网络安全漏洞激增。尽管 NVD 具有提供最新洞察的重要性，但在没有适用的技术方法的情况下，从如此大量的非结构化数据中提取有意义的趋势仍然具有挑战性。该研究提出了一种综合策略，包括解决漏洞、分数预测和从 CWE 和 CVE 数据库中提取相关洞察的知识生成系统。为了应对物联网设备的硬件攻击不断增长的问题，作者提出了基于机器学习的硬件漏洞到弱点映射（HW-V2W-Map）框架，该框架使用本体驱动叙事框架自动更新本体以识别漏洞随时间的演变趋势，并提供解决漏洞的方法。该框架还利用生成式预训练转换器（GPT）大型语言模型提供解决方案建议。
cybersecurity vulnerabilitiesnational vulnerability databaseholistic strategyhardware vulnerability to weakness mapping frameworkgenerative pre-trained transformer
发现论文，激发创造
  • 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

  • 将 CVE 漏洞记录自动映射到 MITRE CWE 弱点

    本研究旨在通过 Sentence-BERT 和 rankT5 等深度学习模型将 CVE 记录映射为 MITRE CWE 弱点，并发布了包含 4,012 个记录的手动注释数据集，以用于弥补缺乏公共可用数据集的问题。

    Apr, 2023

  • 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

  • 威胁分析：使用分层神经网络对 CVE2CWE 进行分类

    本文介绍了第一个自动将 CVE 分类到 CWE 的工具 ——ThreatZoom，它利用一种新颖的学习算法，该算法采用自适应层次神经网络，基于文本分析分数和分类错误进行权重调整，通过从 CVE 的描述中提取的统计和语义特征自动估计 CWE 类别，经过 MITRE 和国家漏洞数据库（NVD）提供的各种数据集的严格测试，将 CVE 实例正确分类到其正确的 CWE 类别的精度为 92％（细粒度）和 94％（粗粒度）对于 NVD 数据集，并为 MITRE 数据集 75％（细粒度）和 90％（粗粒度），尽管数据集很小。

    Sep, 2020

  • 所有人工，更少智能：形式验证透视下的 GenAI

    该研究针对以大型语言模型（LLMs）为动力的再生人工智能（AI）中，用 SystemVerilog 编写的硬件设计的 CWE 进行了形式验证。研究发现，大多数 LLMs 在生成硬件代码时并不知道任何硬件 CWE，因此未考虑其安全风险。该研究揭示了由 LLMs 生成的硬件设计约 60% 存在 CWE 风险，并提供了一个数据集，可用于训练 LLMs 和机器学习算法避免生成 CWE 风险的硬件设计。

    Mar, 2024

  • 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

  • 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

  • 将威胁战术、技术和模式与防御弱点、漏洞和受影响的平台配置联系起来，用于网络狩猎

    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

  • 深度学习系统的安全弱点和漏洞

    通过对 AI 软件系统中深度学习技术的脆弱性进行系统研究，我们提出了一个两流数据分析框架，探索各种数据库中的脆弱性模式，并进行了大规模实证研究来理解脆弱性的模式和修复中的挑战，以推进安全的深度学习系统的发展。

    Jun, 2024

  • 通过多任务指令微调增强泛化的代码漏洞检测

    Code Pre-trained Models (CodePTMs) based vulnerability detection struggles to generalize as they typically learn superficial mapping from source code to labels, resulting in poor performance in real-world scenarios. To address this, VulLLM integrates multi-task learning with Large Language Models (LLMs) to effectively mine deep-seated vulnerability features, surpassing seven state-of-the-art models in terms of effectiveness, generalization, and robustness.

    Jun, 2024