基于残差空洞卷积神经网络的网络安全实体识别方法

• 作者: 于淼 周燕 申国伟 谢博 郭春
• 来源期刊: 网络与信息安全学报
• 学科: 工学
• 关键词: 网络安全 实体识别 残差连接 空洞卷积神经网络 BERT预训练模型
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 学术论文
• 页码范围: 126-138
• 页数: 13页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11959/j.issn.2096-109x.2020009

摘要

近年来,网络安全威胁日益增多,数据驱动的安全智能分析成为网络安全领域研究的热点.特别是以知识图谱为代表的人工智能技术可为多源异构威胁情报数据中的复杂网络攻击检测和未知网络攻击检测提供支撑.网络安全实体识别是威胁情报知识图谱构建的基础.开放网络文本数据中的安全实体构成非常复杂,导致传统的深度学习方法难以准确识别.在BERT (pre-training of deep bidirectional transformers)预训练语言模型的基础上,提出一种基于残差空洞卷积神经网络和条件随机场的网络安全实体识别模型BERT-RDCNN-CRF.通过BERT模型训练字符级特征向量表示,结合残差卷积与空洞神经网络模型有效提取安全实体的重要特征,最后通过CRF获得每一个字符的BIO标注.在所构建的大规模网络安全实体标注数据集上的实验表明,所提方法取得了比LSTM-CRF模型、BiLSTM-CRF模型和传统的实体识别模型更好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	于淼	中国科学院信息工程研究所	20	134	6.0	11.0
2	周燕	中国科学院信息工程研究所	70	764	14.0	25.0
3	郭春	中国科学院信息工程研究所	8	41	3.0	6.0
4	谢博	中国科学院信息工程研究所	1	0	0.0	0.0
5	申国伟	中国科学院信息工程研究所	1	0	0.0	0.0