AttackER：通过命名实体识别数据集增强网络攻击归因
密码学与安全
2024-08-12 v1 人工智能
摘要
网络攻击归因是一个重要过程，使专家能够部署以攻击者为导向的对策和法律行动。分析人员主要手动执行归因任务，因其性质复杂。人工智能，尤其是自然语言处理（NLP）技术，可以用于支持网络安全分析人员在归因过程中的工作。然而，无论这些技术多么强大，它们都需要应对攻击归因领域数据集匮乏的问题。在本工作中，我们将填补这一空白，并将提供据我们所知的第一个网络攻击归因数据集。我们设计该数据集的主要目标是从网络安全文本中提取攻击归因信息，利用NLP领域的命名实体识别（NER）方法。与其他网络安全NER数据集不同 ours提供丰富的标注集，包含上下文细节，其中一些跨越短语和句子。我们进行了广泛实验并应用NLP技术以展示该数据集对攻击归因的有效性。这些实验突显了大语言模型（LLM）能力在提升网络安全数据集NER任务以实现网络攻击归因方面的潜力。
引用
@article{arxiv.2408.05149,
title = {AttackER: Towards Enhancing Cyber-Attack Attribution with a Named Entity Recognition Dataset},
author = {Pritam Deka and Sampath Rajapaksha and Ruby Rani and Amirah Almutairi and Erisa Karafili},
journal= {arXiv preprint arXiv:2408.05149},
year = {2024}
}
备注
Submitted to WISE 2024