基于命名实体识别的AI辅助网络演练内容生成框架AiCEF
计算机视觉与模式识别
2022-11-22 v1 人工智能
摘要
内容生成既相关又与目标受众当前威胁同步，是任何网络安全演练 (CSE) 成功的关键要素。通过本工作，我们探索将机器学习技术应用于非结构化信息源以生成结构化CSE内容的结果。我们工作的语料库是一个大型公开网络安全文章数据集，已用于预测未来威胁并构成新演练场景的骨架。机器学习技术，如命名实体识别 (NER) 和主题提取，已用于基于我们开发的称为网络演练场景本体 (CESO) 的新颖本体来结构化信息。此外，我们使用带离群点的聚类将生成的提取数据分类为我们本体的对象。图比较方法用于将已知威胁行为者战术的生成的场景片段进行匹配，并借助合成文本生成器相应地丰富所提场景。CESO也被选为我们AI辅助网络演练框架 (AiCEF) 表达片段和最终所提场景内容的主要方式。我们的方法通过将一组生成场景提供给一组专家评估并用作真实世界意识桌面演练的一部分而受到检验。
引用
@article{arxiv.2211.10807,
title = {Concept-based Explanations using Non-negative Concept Activation Vectors and Decision Tree for CNN Models},
author = {Gayda Mutahar and Tim Miller},
journal= {arXiv preprint arXiv:2211.10807},
year = {2022}
}