基于Bert与深度学习模型的威胁情报实体检测方法技术

本发明专利技术涉及基于Bert与深度学习模型的威胁情报实体检测方法，包括：首先，利用预训练的BERT模型捕捉文本的基本语义信息，并构建语法结构图；然后，将语法结构图被送入图注意力网络处理，分析实体间的复杂依赖关系；同时，将BERT模型输出的CLS向量与通过Text‑CNN处理得到的全局向量进行拼接，形成包含全局上下文信息和局部细节特征的HCV；此外，获得单词时序上下文信息以及实体单词之间的重要性关联；最后，将来自不同模块的向量进行融合，放入条件随机场层进行实体的识别，获得威胁实体的输出。本发明专利技术在处理网络安全领域专业术语和复杂语境时，表现出更优异的性能。

【技术实现步骤摘要】

本专利技术属于网络安全，具体涉及基于bert与深度学习模型的威胁情报实体检测方法。

技术介绍

1、在这个快速发展的数字时代，我们目睹了复杂网络攻击如0-day攻击和高级持续性威胁(advanced persistent threat,apt)的快速增长。这些攻击通常能轻易绕过传统的防御措施，侵入关键基础设施，造成严重的后果。为了应对这些日益复杂的威胁，安全专家们提出了cti报告，这些报告不仅汇集了一系列入侵指标(indicators of compromise,ioc)，还用自然语言详细描述了攻击的序列、对受攻击系统的影响、攻击者组织的信息等多个方面。与众所周知的安全数据库如cve和exploitdb不同，cti提供了更全面、更有价值的预警信息，包括恶意ip地址、域名、恶意软件及其攻击模式等，使组织能够在遭遇可疑外部或内部威胁时迅速做出响应。cti通常通过技术报告、白皮书、博客和新闻组等多种形式发布，并被视为对抗apt等先进威胁的有效手段，帮助安全专家迅速识别攻击步骤并制定有效的防御措施。然而，海量增长的网络威胁报告对安全专家的分析能力提出了挑战，迫切需要本文档来自技高网...

【技术保护点】

1.基于Bert与深度学习模型的威胁情报实体检测方法，其特征在于，包括：

2.根据权利要求1所述的基于Bert与深度学习模型的威胁情报实体检测方法，其特征在于，BERT模型输出CLS向量和包含基本语义信息的基本语义向量H；包括：

3.根据权利要求1所述的基于Bert与深度学习模型的威胁情报实体检测方法，其特征在于，将BERT模型输出的CLS向量hCLS与通过Text-CNN处理得到的全局向量hglobal进行拼接，形成包含全局上下文信息和局部细节特征的Hybrid Context Vector；如下所示：

4.根据权利要求1所述的基于Bert与深度学习...

【技术特征摘要】

1.基于bert与深度学习模型的威胁情报实体检测方法，其特征在于，包括：

2.根据权利要求1所述的基于bert与深度学习模型的威胁情报实体检测方法，其特征在于，bert模型输出cls向量和包含基本语义信息的基本语义向量h；包括：

3.根据权利要求1所述的基于bert与深度学习模型的威胁情报实体检测方法，其特征在于，将bert模型输出的cls向量hcls与通过text-cnn处理得到的全局向量hglobal进行拼接，形成包含全局上下文信息和局部细节特征的hybrid context vector；如下所示：

4.根据权利要求1所述的基于bert与深度学习模型的威胁情报实体检测方法，其特征在于，以文本的基本语义信息为基础构建语法结构图；包括：

5.根据权利要求1所述的基于bert与深度学习模型的威胁情报实体检测方法，其特征在于，将语法结构图被送入图注意力网络处理，分析实体间的复杂依赖关系；包括：

6.根据权利要求5所述的基于bert与深度学习模型...

【专利技术属性】
技术研发人员：赵大伟，孙文昊，周洋，徐丽娟，于福强，仝丰华，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：