面向预测组织网络威胁目标的供应商条件对比学习
密码学与安全
2026-05-15 v2 机器学习
摘要
网络攻击每年造成数十亿美元损失，恶意黑客常在地下论坛分享漏洞利用代码与技术。识别这些漏洞利用所针对的组织对于主动网络威胁情报（CTI）至关重要。为弥补该缺口，我们提出漏洞利用的时间表示与分类（TRACE），一种基于CySecBERT构建的供应商条件对比学习框架，联合优化组织目标分类与供应商一致表示，同时评估在时间分布偏移下的鲁棒性。与限于小型单源数据集的先前工作不同，我们利用跨越9个漏洞数据库与黑客论坛的大规模多源语料库，包含三十年来收集的352,866篇帖子，形成跨七类组织的129,126样本数据集。在时间分布外评估中，TRACE达到宏F1=97.00%，大幅优于17种基准经典机器学习方法、采用GloVe/FastText嵌入的深度学习及预训练Transformer模型。
引用
@article{arxiv.2012.14425,
title = {Vendor-Conditioned Contrastive Learning for Predicting Organizational Cyber Threat Targets},
author = {Benjamin M. Ampel},
journal= {arXiv preprint arXiv:2012.14425},
year = {2026}
}
备注
6 pages, 3 figures