SecureBERT+
PulseAugur coverage of SecureBERT+ — every cluster mentioning SecureBERT+ across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
BERT模型在CVE到CWE映射中的比较，分类法结构是关键
研究人员探讨了多类别与多标签BERT模型在将通用漏洞披露（CVE）映射到通用弱点枚举（CWE）类别方面的有效性。他们的研究评估了BERT Base、SecureBERT和CySecBERT在不同标签空间大小下的表现，发现多类别训练通常能获得更高的宏F1分数。然而，随着标签空间的减小，多类别与多标签方法之间的差距缩小，并且事后阈值优化在较小的设置中进一步缩小了这一差距。分析还显示，主要的错误模式在所有测试的编码器中都保持一致，并且很大程…
-
BERT 模型在网络安全研究中用于 CVE 到 CWE 映射的比较
一篇新的研究论文探讨了不同 BERT 模型在将常见漏洞和暴露 (CVE) 映射到常见弱点枚举 (CWE) 类别方面的有效性。该研究使用 BERT Base、SecureBERT 和 CySecBERT 比较了多类别和多标签分类方法。结果表明，多类别训练通常能获得更高的宏观 F1 分数，尽管在标签空间较小时差距会缩小。研究还表明，CWE 分类法的结构对分类错误有显著影响，其影响程度超过了编码器的选择。
-
新的CTiKG框架提高了威胁情报抽取准确性
研究人员开发了一个名为CTiKG的新框架，以改进从网络安全报告中抽取威胁实体及其关系。该框架利用了一个混合NLP模型，该模型结合了SecureBERT上下文嵌入和本体论中的领域特定知识。实验表明，与现有方法相比，CTiKG在命名实体识别（NER）和关系抽取（RE）性能方面取得了显著的提升，在专业数据集上NER提高了3-4%，RE提高了高达8%。
-
TIJERE模型利用专家知识增强威胁情报抽取
研究人员开发了TIJERE，一个用于从威胁情报报告中联合抽取实体和关系的新型框架。该模型通过将问题表述为多序列标注表示，并整合专家领域知识以增强特征区分和分类准确性，从而解决了现有方法的局限性。TIJERE利用微调的SecureBERT+语言模型以提高泛化能力，并在新的网络安全数据集上展示了最先进的性能，命名实体识别的F1分数超过0.93，关系抽取F1分数超过0.98。
-
新AI工具可自动为网络物理系统进行威胁建模
研究人员开发了SMSI，一个自动化网络物理系统威胁建模的新型流程。该系统通过将系统组件映射到漏洞，再映射到攻击技术，最后映射到NIST 800-53安全控制，从而将架构模型转化为可操作的安全控制建议。使用医疗物联网网关进行的实验表明，经过微调的语言模型SecureBERT在将漏洞与攻击技术关联方面表现最佳，突显了密集嵌入在自动化安全建议中的有效性。