基于 Transformer 的模型在预测网络攻击后果中的应用

网络攻击日益增多，防范此类威胁每年给各行各业造成数十亿美元的损失。威胁建模，即理解这些攻击的后果，可以为网络安全专业人员提供关键支持，使他们能够及时采取行动并分配原本可用于其他地方的资源。网络安全高度依赖威胁建模，因为它有助于安全专家评估和缓解与识别漏洞和威胁相关的风险。近来，随着网络攻击复杂性的增加，迫切需要自动化方法来评估攻击描述并预测其未来后果。本研究探讨了如何应用自然语言处理 (NLP) 和深度学习，通过利用来自 MITRE 通用弱点枚举 (CWE) 数据库的文本描述来分析网络攻击的潜在影响。我们强调将攻击后果分为五个主要类别：可用性、访问控制、机密性、完整性和其他。本文研究了将来自 Transformer 的双向编码器表示 (BERT) 与分层注意力网络 (HAN) 结合用于多标签分类，并评估了它们与传统的基于 CNN 和 LSTM 的模型相比的性能。实验结果表明，BERT 的总体准确率达到 $0.972$，远高于传统深度学习模型在多标签分类中的表现。HAN 在特定的网络安全标签上优于基于 CNN 和 LSTM 的基线模型。然而，BERT 始终能获得更好的精确率和召回率，使其更适合预测网络攻击的后果。