【期刊信息】
Message刊名：计算机工程与科学
主办：国防科技大学计算机学院
ISSN：1007-130X
CN：43-1258/TP
语言：中文;
周期：月刊
影响因子：1.134
被引频次：79695
数据库收录：
INSPEC 科学文摘(英)(2021)
JST 日本科学技术振兴机构数据库(日)(2022)
CSCD 中国科学引文数据库来源期刊(2021-2022年度)(扩展版)
WJCI 科技期刊世界影响力指数报告（2021）来源期刊
北京大学《中文核心期刊要目总览》来源期刊：
2008年版,2011年版,2014年版,2017年版,2020年版期刊分类：信息科技
期刊热词：
电子信息科学综合
知识增强文本语义特征的漏洞自动分类模型
作者:网站采编
关键词:
研究背景与问题
随着信息技术的飞速发展，网络安全问题日益突出。漏洞自动分类作为一种自动识别和分类安全漏洞的技术，对于提升网络安全防护水平具有重要意义。然而，传统的漏洞自动分类模型往往面临以下问题：一是细化的漏洞类型导致各类型文本数量分布不均，影响模型的训练效果；二是漏洞描述文本中包含的信息存在显著差异，增加了分类难度。因此，针对这些问题，本研究旨在提出一种有效的知识增强文本语义特征的漏洞自动分类模型。
研究方法
为了解决上述问题，本研究提出了一种基于知识增强文本语义特征的漏洞自动分类模型BTH-KE。该模型主要包含以下几个关键步骤： 1. 数据预处理：根据《信息安全技术—网络安全漏洞分类分级指南》，对漏洞文本进行统一归并，确保数据的一致性和准确性； 2. 特征提取：采用Word2Vec等方法将文本转换为向量形式，并引入外部知识库（如维基百科、OWASP等）以丰富特征； 3. 模型训练：利用深度学习技术构建分类模型，通过知识增强机制提升模型对漏洞描述文本的理解能力； 4. 模型评估：通过交叉验证等方法评估模型性能，优化模型参数。
核心结果
经过实验验证，所提出的BTH-KE模型在漏洞自动分类任务中取得了显著的性能提升。具体表现为： 1. 与传统模型相比，BTH-KE模型在各类漏洞分类任务中的准确率、召回率、F1值等指标均有所提高； 2. 模型对具有明显信息差异的漏洞描述文本表现出良好的分类效果，提高了模型的泛化能力； 3. 模型在训练过程中，通过引入外部知识库有效解决了文本特征稀疏和低维的问题，提升了模型性能。
结论与意义
本研究提出了一种基于知识增强文本语义特征的漏洞自动分类模型BTH-KE，成功解决了漏洞自动分类任务中存在的问题。该模型在实际应用中具有良好的分类效果，为网络安全防护提供了有力支持。同时，本研究也为后续相关研究提供了有益的借鉴和启示。未来，我们将在以下几个方面进行进一步研究： 1. 研究更具代表性的外部知识库，进一步提升模型性能； 2. 探索更有效的知识增强机制，增强模型对未知漏洞的分类能力； 3. 将BTH-KE模型应用于实际场景，提高网络安全防护水平。
文章来源：《计算机工程与科学》 网址: http://www.jsjgcykxzz.cn/qikandaodu/2026/1027/332.html