网络攻击后果预测
密码学与安全
2020-12-03 v2 人机交互
摘要
信息物理系统因具有有限处理、通信和供电能力的异构设备相互连接，带来了复杂的安全挑战。此外，物理空间与网络空间的融合进一步使得难以制定涵盖这两个空间的单一安全计划。网络安全研究人员日常常被大量网络告警淹没，其中许多后来被证明是误报。在本文中，我们使用机器学习和自然语言处理技术来预测网络攻击的后果。其理念是使安全研究人员拥有可随时使用的工具，以便与可能具备极少或毫无网络安全专业知识的各类利益相关者更轻松地沟通攻击后果。此外，借助所提方法，在发现新攻击时通过自动预测攻击后果可减轻研究人员的认知负荷。我们通过采用基于tf-idf和Doc2Vec模型所得词向量的多种机器学习模型比较了性能。在我们的实验中，基于LinearSVC模型的tf-idf特征取得了60%的准确率，而Doc2Vec方法取得了57%的准确率。
引用
@article{arxiv.2012.00648,
title = {Cyber-Attack Consequence Prediction},
author = {Prerit Datta and Natalie Lodinger and Akbar Siami Namin and Keith S. Jones},
journal= {arXiv preprint arXiv:2012.00648},
year = {2020}
}
备注
9 pages. The pre-print of a paper to appear in the proceedings of the 3rd Workshop on Big Data Engineering and Analytics in Cyber-Physical Systems (BigEACPS'20), IEEE BigData Conference 2020