ThreatZoom：基于分层神经网络的 CVE 到 CWE 分类工具
密码学与安全
2022-04-04 v1 机器学习
摘要
通用漏洞披露（CVE）代表了共享公开已知信息安全漏洞的标准手段。一个或多个 CVE 被归类到通用缺陷枚举（CWE）类别中，以便理解由这些漏洞引发的软件或配置缺陷及潜在影响，并识别检测或防止利用的方法。由于 CVE 到 CWE 的分类主要由领域专家手动执行，数千个关键且新的 CVE 仍未被分类，然而它们无法打补丁。这显著限制了 CVE 的效用并减缓了主动威胁缓解。本文提出了首个将 CVE 自动分类到 CWE 的工具。ThreatZoom 使用了一种新颖的学习算法，该算法采用自适应分层神经网络，根据文本分析分数和分类误差调整其权重。它利用从 CVE 描述中提取的统计和语义特征，自动估计与 CVE 实例对应的 CWE 类别。该工具通过 MITRE 和国家漏洞数据库（NVD）提供的各种数据集进行了严格测试。尽管语料库较小，将 CVE 实例分类到其正确 CWE 类别的准确率在 NVD 数据集上为 92%（细粒度）和 94%（粗粒度），在 MITRE 数据集上为 75%（细粒度）和 90%（粗粒度）。
引用
@article{arxiv.2009.11501,
title = {ThreatZoom: CVE2CWE using Hierarchical Neural Network},
author = {Ehsan Aghaei and Waseem Shadid and Ehab Al-Shaer},
journal= {arXiv preprint arXiv:2009.11501},
year = {2022}
}
备注
This is accepted paper in EAI SecureComm 2020, 16th EAI International Conference on Security and Privacy in Communication Networks