.png){kind=icon}
返回
Vulnerability2Vec: A Graph-Embedding Approach for Enhancing Vulnerability Classification
.png){kind=icon}
OA
AI
DOI：10.32604/cmes.2025.068723.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代能源系统日益加剧的复杂性和异构性——尤其是在智能电网和分布式能源基础设施方面——加剧了对智能且可扩展的安全漏洞分类的需求。为应对这一挑战，我们提出了Vulnerability2Vec，一种基于图嵌入的框架，旨在增强威胁能源系统韧性的安全漏洞的自动化分类。Vulnerability2Vec将通用漏洞与暴露（CVE）文本解释转换为语义图，其中节点代表CVE ID和关键术语（名词、动词和形容词），而边捕捉共现关系。随后，它通过随机游走采样和带负采样的skip-gram方法将语义图嵌入到低维向量空间中。可以识别出传统稀疏向量方法未能捕捉的潜在关系和结构模式。实验结果表明，分类准确率最高可达80%，显著优于基线方法。该方法为将复杂软件系统中的漏洞类型分类为结构化语义模式提供了理论依据。所提出的方法对漏洞的语义结构进行建模，为其分类提供了理论基础。
Keyword:
Security vulnerability
graph representation
graph-embedding
deep learning
node classification
期刊
C
IF:
2.5
论文数:
44
被引数:
4.4K
机构
暂无机构信息
引用论文
Network visualization and analysis of gene expression data using BioLayout Express3D.png)
NATURE PROTOCOLS
NATURE PROTOCOLSIF16
PREAI
分享收藏A study of synergy between programming practices evolution and information disclosure-causing vulnerabilities编程实践演进与信息泄露引发漏洞之间的协同效应研究
PREAI
分享收藏Word Equations: Inherently Interpretable Sparse Word Embeddings through Sparse Coding词语方程：通过稀疏编码实现的固有可解释稀疏词嵌入Proceedings of the Fourth BlackboxNLP Workshop on Analyzing and Interpreting Neural Networks for NLPOAAI
Proceedings of the Fourth BlackboxNLP Workshop on Analyzing and Interpreting Neural Networks for NLPIF0
OAAI分享收藏CSGVD: A deep learning approach combining sequence and graph embedding for source code vulnerability detectionCSGVD: 一种结合序列和图嵌入的深度学习方法，用于源代码漏洞检测
PREAI
分享收藏
查看更多内容