申请/专利权人：南京众智维信息科技有限公司

申请日：2024-02-06

公开（公告）日：2024-04-26

公开（公告）号：CN117725597B

主分类号：G06F21/57

分类号：G06F21/57;G06F18/22;G06F18/214;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于时空记忆网络的漏洞威胁预测方法，包括以下步骤：将漏洞威胁事件文本数据映射到嵌入空间；将过去漏洞威胁事件的嵌入存储到低级内存库中；将低级内存库中的嵌入事件映射到高级语义内存库中；检索低级内存库和高级语义内存库中的嵌入信息，预测出漏洞威胁；为漏洞分配权重，展示漏洞的优先级和潜在影响；本方案具有更好的预测漏洞威胁、为漏洞分配权重和展示漏洞的优先级和潜在影响，使漏洞管理更加具有针对性、更全面地了解漏洞管理的紧急性，从而制定更明智的安全决策、提高了漏洞管理的智能性、效率和综合性，加强了漏洞全生命周期管理的能力，以确保系统和数据的安全的特点。

主权项：1.一种基于时空记忆网络的漏洞威胁预测方法，其特征在于，包括以下步骤：S1，将漏洞威胁事件文本数据映射到嵌入空间；S2，将过去漏洞威胁事件的嵌入存储到低级内存库中；S3，将低级内存库中的嵌入事件映射到高级语义内存库中；S4，检索低级内存库和高级语义内存库中的嵌入信息，预测出漏洞威胁；S5，为漏洞分配权重，展示漏洞的优先级和潜在影响；步骤S1还包括：S101，对漏洞威胁事件文本数据进行预处理；S102，通过预训练好的BERT模型，将清洗后的漏洞威胁事件文本数据输入到BERT模型中，通过BERT模型为漏洞威胁事件文本数据中的每个词或子词生成上下文相关的初级嵌入向量；S103，将初级嵌入向量送入卷积层，通过卷积层在初级嵌入向量中提取特征，并在每个卷积层后，使用非线性激活函数，引入非线性性质，增强特征的表达能力，获得高级嵌入向量；S104，将初级嵌入向量与高级嵌入向量进行合并形成拼接向量，将拼接向量输入空间注意力模块，生成具有空间注意力的向量，通过多层感知机对具有空间注意力的向量进行增强，获得强化后的向量，将强化后的向量与拼接向量相加，得到终极嵌入向量；步骤S3还包括：S301，在高级语义记忆库中，存储一组紧凑的N个向量，构成低级记忆库的高级摘要，高级语义记忆库通过BERT将低级记忆库中的基础事件特征向量转换为高级事件特征；步骤S4还包括：S401，在漏洞威胁的预测过程中，将当前事件映射为终极嵌入向量，随后逐一计算终极嵌入向量与低级内存库中向量的余弦相似度，选取相似度最高的前20个基础特征向量，并将它们与对应的余弦相似度相乘，通过对乘积的基础特征向量进行求和，得到当前事件的低级综合嵌入特征向量；S402，同时通过多层感知机，将高级语义记忆库和当前事件的终极嵌入向量作为输入，得到高级综合嵌入特征向量；S403，将得到的低级综合嵌入特征向量和高级综合嵌入特征向量拼接在一起，通过CBAM模块和残差块进行特征的融合，得到终极的综合嵌入特征；步骤S5还包括：S501，使用Transfomer的解码器部分将综合嵌入特征转换为文本信息，该文本信息即为预测出的漏洞威胁和漏洞潜在的影响；S502，同时将综合嵌入特征送入多重感知机，输出漏洞威胁指数；S503，将得出的漏洞威胁和漏洞潜在的影响，依照得到的漏洞威胁指数进行排序，进行下一步的管理操作。

全文数据：

权利要求：

百度查询： 南京众智维信息科技有限公司 一种基于时空记忆网络的漏洞威胁预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD