知识系统化（SoK）——迁移学习在网络安全中的交叉影响：攻击、防御与威胁情报视角

近期文献凸显了迁移学习与网络安全之间的显著交叉影响。已有许多关于利用迁移学习增强安全性的研究，导致了在不同网络安全任务中的多种应用。然而，以往研究聚焦于网络安全的特定领域。本文通过对广泛领域的覆盖、识别当前趋势并阐明未被充分探索的领域，对迁移学习在网络安全中的应用进行了全面综述。该综述强调了迁移学习在解决网络安全关键问题（如提升检测精度、减少训练时间、处理数据不平衡以及增强隐私保护）中的重要意义。文中还提供了关于使用迁移学习解决的常见问题的额外见解，例如标注数据匮乏、数据分布差异以及隐私顾虑。本文确定了需要学界关注的未来研究方向与挑战，包括隐私保护模型的需求、用于知识迁移的自动化工具、衡量领域相关性的度量指标以及增强的隐私保护机制。本文提出的见解与路线图将引导研究者在网络安全领域进一步推进迁移学习，促进稳健高效的网络安全系统的发展，以抵御新兴威胁并保护敏感信息。据我们所知，本文是首篇提出受益于迁移学习的网络安全全领域综合分类法，并给出详细未来路线图以塑造该领域可能研究方向的论文。