用于网络安全命名实体识别的 LSTM 循环神经网络
信息检索
2024-09-18 v1 人工智能
密码学与安全
机器学习
摘要
将网络安全信息从博客和文章等非结构化在线来源自动且及时地转换为更正式的表示，已成为当今该领域许多应用的必然需求。命名实体识别（NER）是实现这一目标的早期阶段之一，它涉及在技术文档中检测相关领域实体，如产品、版本、攻击名称等。尽管在信息提取领域这通常被视为一项简单任务，但在网络安全等某些领域，由于其实体结构复杂，该任务颇具挑战性。现有最先进的方法需要耗时且耗力地进行特征工程，以描述实体的属性、其上下文、领域知识和语言学特征。本文展示的模型独立于领域，不依赖于网络安全领域实体的任何特定特征，因此不需要专家知识来进行特征工程。所使用的方法依赖于一种称为长短期记忆（LSTM）的循环神经网络以及条件随机场（CRF）方法。我们获得的结果表明，在给定规模适中的标注语料库的情况下，该方法优于现有最先进的方法。
引用
@article{arxiv.2409.10521,
title = {LSTM Recurrent Neural Networks for Cybersecurity Named Entity Recognition},
author = {Houssem Gasmi and Jannik Laval and Abdelaziz Bouras},
journal= {arXiv preprint arXiv:2409.10521},
year = {2024}
}