技术报告 | Attack2Vec: 使用时序词嵌入技术理解网络攻击的演变模式

最新推荐文章于 2024-03-07 08:07:07 发布
最新推荐文章于 2024-03-07 08:07:07 发布
阅读量602 收藏 2
点赞数 2
分类专栏： 网络空间安全 文章标签： 人工智能 网络安全 词嵌入
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zy_zhengyang/article/details/106265181
版权
Attack2Vec通过时序词嵌入技术研究网络攻击的演变模式，从攻击步骤的关联关系中揭示攻击者的操作方式和趋势，以提升防御系统效果。该方法在监测安全事件利用、预测新攻击等方面表现出优势。
摘要由CSDN通过智能技术生成

首席安全官Plus是由一群科研院所的网络空间安全研究人员发起成立的民间网络空间安全知识平台，努力打造“有特色、高水平、国际化”的网络安全思想高地。围绕“大数据、云计算和人工智能”等高技术领域的网络安全前沿技术、产业趋势和资本市场，汇聚一流资源，产出一流安全洞察。如投稿，请发送到：csoplus@163.com。

                                                       

Usenix Security是信息安全领域“四大”顶级学术会议（此外还包括S&P，CCS，NDSS）之一，始于上世纪90年代初，每年涵盖的安全领域包含：二进制安全、固件安全、取证分析、Web安全、隐私保护、恶意分析、硬件保护、智能合约等。Usenix Security 被中国计算机学会(CCF)列为“网络与信息安全”A类会议。本文选自Usenix Security'19技术报告(ATTACK2VEC: Leveraging Temporal Word Embeddings to Understand the Evolution of Cyberattacks)。

 

 

 

现代的网络攻击具有高度复杂性的特点，攻击者往往会通过一系列攻击步骤来达到破坏计算机系统目的，这一系列攻击步骤通常包括侦测（Reconnaissance）、漏洞利用&#

最低0.47元/天 解锁文章
网络空间发展与战略研究中心
关注
专栏目录
DeepLearning.ai笔记:(5-2) -- 自然语言处理与词嵌入(NLP and Word Embeddings）
Fangzh的技术博客
10-18 511
title: ‘DeepLearning.ai笔记:(5-2) – 自然语言处理与词嵌入(NLP and Word Embeddings)’ id: dl-ai-5-2 tags: dl.ai categories: AI Deep Learning date: 2018-10-18 17:00:17 本周主要讲了NLP和词嵌入的问题。 词汇表征 在前面学习的内容中，我们表征词汇是直接...
图解词嵌入、语言模型、Word2Vec
cuijiekun的博客
04-06 1万+
嵌入（embedding）是机器学习中最迷人的想法之一。 如果你曾经使用Siri、Google Assistant、Alexa、Google翻译，甚至智能手机键盘进行下一词预测，那么你很有可能从这个已经成为自然语言处理模型核心的想法中受益。 在过去的几十年中，嵌入技术用于神经网络模型已有相当大的发展。尤其是最近，其发展包括导致BERT和GPT2等尖端模型的语境化嵌入。 Word2vec是一种有效创...
gensim-fast2vec改造、灵活使用大规模外部词向量（具备OOV查询能力）
素质云笔记
05-31 2325
本篇是继 极简使用︱Gemsim-FastText 词向量训练以及OOV（out-of-word）问题有效解决 之后，让之前的一些旧的"word2vec"具备一定的词表外查询功能。 还有一个使用场景是很多开源出来的词向量很好用，但是很大，用gensim虽然可以直接用，如果能尽量节省一些内存且比较集中会更好，同时如果有一些OOV的功能就更好了，于是笔者就简单抛砖引玉的简单写了该模块。 譬如以下这些大...
常见网络攻击
weixin_33962621的博客
08-05 475
中间人攻击(Man-in-the-Middle (MITM) attack) 中间人攻击是一种常见的攻击手段，攻击者与通信双方分别建立连接，将双方想要交换的数据进行记录、篡改甚至丢弃。由于Http是明文传输，因此很容易遭受到中间人攻击。 一个通俗的例子 假设 Tom 想和 Jerry 交换一些秘密信息，然而 Tom 又不想跑到 Jerr...
使用图嵌入方式检测异常日志
Mark_Australia的博客
09-13 1173
原文：Log2vec: A Heterogeneous Graph Embedding Based Approach for Detecting Cyber Threats within Enterprise 现有的多数方法普遍考虑日志的序列关系和使用者的序列行为；但是没有考虑到其他关系，不可避免的导致对不同场景的表现不佳。 本文提出 log2vec方法，一种多种多样的基于模块化方法的图嵌入。首先使用启发式的方法将日志按照日志关系转为各种图。之后使用改进的图嵌入分配到上述各种图，这样可自动将每条日志
KDD 2016 | node2vec：Scalable Feature Learning for Networks
KI的博客
12-03 7656
KDD 2016 | node2vec：Scalable Feature Learning for Networks
Transformer通俗笔记：从Word2Vec、Seq2Seq逐步理解到GPT、BERT
结构之法 算法之道
10-23 8万+
我在写上一篇博客《》时，有读者在文章下面评论道：“july大神，请问BERT的通俗理解还做吗？”，我当时给他发了张俊林老师的BERT文章，所以没太在意。直到今天早上，刷到CSDN上一篇讲BERT的文章，号称一文读懂，我读下来之后，假定我是初学者，读不懂。（这是），再比如国内张俊林老师的这篇《》，然后你会发现几乎网上关于Transformer/BERT的文章无外乎是以下这几种情况。
深度学习：词嵌入之word2vec
皮皮blog
07-26 1万+
http://blog.csdn.net/pipisorry/article/details/76147604 word2vec简介 深度学习在自然语言处理中第一个应用：训练词嵌入。Google 的 Tomas Mikolov 在《Efficient Estimation of Word Representation in Vector Space》和《Distributed ...
如何通俗理解Word2Vec (23年修订版)
热门推荐
结构之法 算法之道
10-23 10万+
在继续聊 Word2vec 之前，先聊聊 NLP (自然语言处理)。NLP 里面，最细粒度的是词语，词语组成句子，句子再组成段落、篇章、文档。所以处理 NLP 的问题，首先就要拿词语开刀。咱们居住在各个国家的人们通过各自的语言进行交流，但机器无法直接理解人类的语言，所以需要先把人类的语言“计算机化”，那如何变成计算机可以理解的语言呢？我们可以从另外一个角度上考虑。举个例子，对于计算机，它是如何判断一个词的词性，是动词还是名词的呢？
使用bert 快速进行 词嵌入word2vec教程
qq_43213352的博客
01-12 2477
word2vec： 就是将 一个词或者一个句子映射到一个高维空间，得到一组向量 最近遇到一个任务，需要对特定的语句key 去 提取相应的 value： 比如从 一个身份证 ocr 结果中， 输入 姓名 得到对应 人的名字 一想到这里， 为了能够从 姓名 这个词组 box 得到 人名 box 结果， 除了从相对位置入手，词语之间的关联性也是一个入手点。 google 已经将预训练模型放出来在官方的github上面了，利用预训练模型，进行词嵌入是一件简单的事情： 下载预训练模型： 链接：https://g
NLP：Word Embedding词嵌入/word2vec词向量思想方法(一种主流的分布式表示)的简介(词向量VS词嵌入等)、使用方法、案例应用之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
12-12 1908
​ NLP：Word Embedding词嵌入/word2vec词向量思想方法(一种主流的分布式表示)的简介(词向量VS词嵌入等)、使用方法、案例应用之详细攻略 目录 词嵌入(一种主流的分布式表示)的简介 词嵌入的使用方法 词嵌入的案例应用 推荐文章 NLP之NNLM：NNLM算法(词向量法的始祖)的简介、网络结构、案例应用之详细攻略 NLP：Word Embedding词嵌入/word2vec词向量思想方法(一种主流的分布式表示)的简介、使用方法、案例应用之详细攻略
NLP之Word2Vec：Word2Vec算法的简介(CBOW和Skip-Gram及其对比)、安装、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
02-03 1710
​ NLP之Word2Vec：Word2Vec算法的简介(CBOW和Skip-Gram及其对比)、安装、使用方法之详细攻略 目录 Word2Vec算法的简介 Word2Vec的网络结构简介 Word2Vec的安装 Word2Vec的案例应用 推荐文章 NLP之NNLM：NNLM算法(词向量法的始祖)的简介、网络结构、案例应用之详细攻略 NLP：Word Embedding词嵌入/word2vec词向量思想方法(一种主流的分布式表示)的简介、使用方法、案例应用之详细攻略
图神经网络实战（4）——基于Node2Vec改进嵌入质量
最新发布
盼小辉丶的博客
03-07 2479
Node2Vec 是一种基于 DeepWalk 的架构，DeepWalk 主要由随机游走和 Word2Vec 两个组件构成，Node2Vec 通过改进随机游走的生成方式改进嵌入质量。在本节中，我们将学习这些改进以及如何为给定的图找到最佳参数，实现 Node2Vec 架构，并将其与在 Zachary's Karate Club 数据集上使用的 DeepWalk 进行比较，以理解两种架构之间的差异。
词嵌入技术：如何通过词嵌入技术，实现智能文本分类和命名实体识别？
程序员光剑
06-27 4102
词嵌入的计算原理主要包括两部分：词向量的计算和上下文向量的计算。
Deep Walk 和 Node2Vec：图嵌入
gongdiwudu的专栏
08-07 5313
DeepWalk 是一种基于图的机器学习算法，可为给定图生成节点嵌入。它由纽约大学的 Bryan Perozzi、Rami Al-Rfou 和 Steven Skiena 于 2014 年开发。 该算法的目标是通过分析图中每个节点的局部邻域来学习图中每个节点的表示。 DeepWalk应用了skip-gram的概念（也用于自然语言处理）来为每个节点生成向量嵌入。这个想法是将图上的随机游走视为句子，并将每个节点视为句子中的一个单词。
什么是攻击向量（Attack Vector）？
网络空间发展与战略研究
09-15 4953
攻击向量（Attack Vector）是一种路径或手段，黑客可以通过它访问计算机或网络服务器，以传递有效负载或恶意结果。攻击向量使黑客能够利用系统漏洞，包括人为因素。 攻击向量包括病毒、电子邮件附件、网页、弹出窗口、即时消息、聊天室和欺骗。所有这些方法都涉及到软件（少数情况下涉及到硬件）和欺骗。在欺骗中，人类操作员通常被愚弄去移除或削弱系统的防御。 ...
资产、漏洞、威胁、风险和攻击的关系
网络空间发展与战略研究
04-07 2998
资产：信息系统等需要保护的目标客体，主要特点是有价值； 漏洞：资产保护所存在的缺陷和脆弱性； 威胁：损害和破坏资产的人、技术和工具等； 风险：威胁能够利用漏洞对资产实施损害和破坏； 攻击：风险成为现实，实际发生了！ ​​​l​​​​ 图1：资产、漏洞和威胁关系图 努力打造“有特色、高水平、国际化”的网络安全思想高地。 ...
顶会论文：深度学习检测网络安全漏洞报告的不一致性，你常用的CVE、NVD漏洞库信息可能不可靠
网络空间发展与战略研究
05-21 1800
Usenix Security是信息安全领域“四大”顶级学术会议（此外还包括S&P，CCS，NDSS）之一，始于上世纪90年代初，每年涵盖的安全领域包含：二进制安全、固件安全、取证分析、Web安全、隐私保护、恶意分析、硬件保护、智能合约等。Usenix Security 被中国计算机学会(CCF)列为“网络与信息安全”A类会议。 网络安全行业已经通过建立强大的社区来发现和修补漏洞。CVE（Common Vulnerabilities and Exposures，常见漏洞和泄露）和NVD（Na.
现代处理器内核的分支预测逻辑
网络空间发展与战略研究
05-13 1622
在计算机体系结构中，分支预测器（Branch predictor）是一种数字电路，在分支指令执行结束之前猜测哪一路分支将会被运行，以提高处理器的指令流水线的性能。使用分支预测器的目的，在于改善指令管线化的流程，进而通过指令管线化提高处理器性能，分支预测器是现今指令流水线微处理器性能提升的关键技术之一。 01分支类型 按照是否条件执行以及是否直接寻址可以将分支分为下表中...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

网络空间发展与战略研究中心

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值