.png){kind=icon}
返回
LSTM-based text analysis to automatically adapt cyberattack detection capabilities
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06891-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检测能力能够实现网络安全事件和异常的及时发现，因此能够发现潜在的安全事件。这些能力主要基于持续监控机制和态势感知流程。威胁态势和攻击模式的不断演变使得选择、部署和配置这些机制和流程成为一项具有挑战性的任务。特别是如果像以往一样，寻求一套可以一次性设计和部署并在时间上保持静态的检测能力。本文提出了一种方法，在基础设施中观察到一组战术、技术和程序（TTPs）后，能够提升检测能力的性能。可以引入新的检测能力，或对现有的检测能力进行适当的重新配置。深度学习，特别是长短期记忆（LSTM）循环神经网络，被用于预测这些TTPs。所提出的方法基于分析恶意软件分析报告，然后决定所需的调整。该方法的原型已被实现，并在一个测试用例中用于验证。
Keyword:
Adaptive security
Cybersecurity
Deep learning
Long short-term memory
Malware reports
Recurrent neural networks
Text analysis
TTP prediction
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Bidirectional LSTM Malicious webpages detection algorithm based on convolutional neural network and independent recurrent neural network.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏HCL-Classifier: CNN and LSTM based hybrid malware classifier for Internet of Things (IoT)Hcl-classifier: 基于CNN和LSTM的物联网混合恶意软件分类器
PREAI
分享收藏An Adaptive Behavioral-Based Incremental Batch Learning Malware Variants Detection Model Using Concept Drift Detection and Sequential Deep LearningIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Statically Detecting Vulnerabilities by Processing Programming Languages as Natural Languages通过将编程语言处理为自然语言来静态检测漏洞
OAAI
OAAI分享收藏
查看更多内容