基于少样本学习的网络安全事件检测：增强情境智能
密码学与安全
2025-06-23 v1
摘要
近年来，云服务的采用速度远超预期。随着越来越多的组织迁移或部署其业务到云端，相关网络安全事件（如数据泄露）呈上升趋势。云环境的许多内在属性（例如数据共享、远程访问、动态性和可扩展性）为云安全保护带来了重大挑战。更糟糕的是，网络威胁正在变得越来越精细和隐蔽。诸如高级持久性威胁（APTs）等攻击方法不断开发，以规避传统安全措施。在面向可靠威胁检测的新兴技术中，系统原venance分析正被视为有前景的机制，因而在事件响应领域受到广泛关注。本文提出了一种新的基于少样本学习的攻击检测方法，增强了数据情境智能。我们收集了云系统在真实攻击期间的操作系统行为数据，并利用一种创新的半符号提取方法来描述系统事件。灵感来自于语义分析的进展，这一领域专注于理解计算机语言学中的自然语言，我们进一步将异常检测问题转化为相似性比较问题。全面的实验表明，所提出的方法能够对未见的攻击进行泛化，并即使在事件检测模型仅用极少样本训练的情况下也能做出准确预测。
关键词
引用
@article{arxiv.2506.16626,
title = {Few-Shot Learning-Based Cyber Incident Detection with Augmented Context Intelligence},
author = {Fei Zuo and Junghwan Rhee and Yung Ryn Choe and Chenglong Fu and Xianshan Qu},
journal= {arXiv preprint arXiv:2506.16626},
year = {2025}
}