3、机器学习自动标注CVE摘要中的CPE及开源软件供应链攻击综述

最新推荐文章于 2025-07-24 20:18:53 发布
最新推荐文章于 2025-07-24 20:18:53 发布
阅读量8 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 探索入侵检测与恶意软件防御的新前沿 文章标签： 机器学习 CVE CPE
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.youkuaiyun.com/css33/article/details/149356846

机器学习自动标注CVE摘要中的CPE及开源软件供应链攻击综述

1. 机器学习自动标注CVE摘要中的CPE

在利用机器学习自动对CVE（Common Vulnerabilities and Exposures）摘要进行CPE（Common Platform Enumeration）标注的研究中，有诸多发现。常见标签的性能优于不常见标签，当样本数量约达到300个时，F - 测度能高于0.8。多词标签的性能较差，I - 标签的得分较低。为提高I - 标签条目的性能，可以在词汇表中创建n - 元特征，或者为这些特定情况收集更多数据。

Label F1 Recall Precision Prediction count Label count
B - versionEndIncluding 0.7817 0.7817 0.7817 875 875
B - version 0.8573 0.8618 0.8527 2655 2627
B
了解本专栏 订阅专栏 解锁全文 超级会员免费看
1、17th DIMVA 2020会议回顾与自动化CPE标签技术解析
css33的专栏
06-14 5
本文回顾了线上举行的DIMVA 2020会议，总结了其组织架构、论文主题分类，并重点解析了一项关于自动化CPE标签的技术研究。该技术利用自然语言处理和机器学习方法从CVE摘要中快速提取CPE信息，以解决漏洞数据库中CPE链接滞后的问题，提升软件安全性。
「日拱一码」035 机器学习——调参过程可视化
weixin_44396644的博客
07-22 395
机器学习——调参过程可视化
【金融机器学习】第二章：复杂模型的优势——Bryan Kelly, 修大成（中文翻译）
Menger_Wen的博客
07-22 1235
摘要： 本章探讨了复杂机器学习模型在金融预测中的优势，挑战了传统计量经济学中的"简约性原则"。研究表明，高参数化模型（如神经网络）在样本外表现优异，这种现象被称为"良性过拟合"。通过岭回归和随机矩阵理论分析，作者证明模型复杂度（参数数量P与数据量T之比c=P/T）越高，预测精度和投资组合表现通常越好。当P>T时，即使模型完全拟合训练数据，仍能保持良好泛化能力。这一发现为金融领域采用复杂机器学习模型提供了理论支持，表明在预测资产收益率时，"更大往往更好"。
机器学习基础-k 近邻算法（从辨别水果开始）
数据爬坡ing的博客
07-24 560
摘要：本文通过超市水果分类的生活场景，生动讲解k近邻(kNN)算法原理。当遇到未知水果时，人们会通过颜色、大小等特征与记忆中最相似的已知水果对比来判断类别，这正与kNN算法"寻找最近邻居投票表决"的核心思想一致。文章详细展示了如何将生活观察转化为数值特征，并逐步实现距离计算、邻居选取和多数表决的完整kNN算法流程。通过手写代码和scikit-learn库两种实现方式，帮助读者理解k值选择、特征标准化等关键概念，最终构建出一个简单实用的水果分类器。全文以橘子/苹果分类为例，将抽象算法具象化
机器学习-线性回归
weixin_50701238的博客
07-20 666
本文介绍了简单线性回归和多元线性回归的基本概念与实现步骤。简单线性回归通过单一自变量预测因变量，寻找最佳拟合直线使预测误差最小化，其实现步骤包括数据预处理、模型训练、预测和结果可视化。多元线性回归则在多个特征间建立线性关系，实现步骤类似但涉及类别数据处理（独热编码）和避免虚拟变量陷阱。两种方法都使用sklearn的LinearRegression类进行建模，并通过训练集拟合模型、测试集评估性能。文章提供了完整的Python代码示例，涵盖数据读取、特征处理、模型训练和结果可视化等关键环节，适用于探索变量间线性
机器学习中核心评估指标（准确率、精确率、召回率、F1分数）
充满焦虑的大学生
07-21 552
混淆矩阵是评估分类模型性能的重要工具，包含真正例(TP)、假正例(FP)、假反例(FN)和真反例(TN)四个基本指标。基于这些指标可计算准确率（整体预测正确率）、精确率（预测正类的可靠性）和召回率（正类样本的识别能力）。F1分数则综合了精确率和召回率，特别适用于数据不平衡的场景。不同指标各有侧重：准确率适合类别均衡数据，精确率强调预测质量，召回率关注正类覆盖率，需根据具体应用场景选择合适的评估指标。
模式识别与机器学习课程笔记（1）：绪论
luozhenghao的博客
07-21 917
《模式识别与机器学习》课程笔记（1）：绪论 本课程面向EECS背景的研究生，需具备线性代数、概率统计、数据结构和编程基础。课程内容涵盖贝叶斯决策论、神经网络、深度学习等13个章节。模式识别旨在将对象分类到预定义类别，涉及特征提取、学习训练和分类识别三大核心问题。课程梳理了模式识别的发展历程，从1929年数字阅读机到当前深度学习主流技术。介绍了模式识别基本方法，包括统计模式识别、结构模式识别等主流技术，并区分了监督学习、无监督学习和强化学习等机器学习类型。课程强调特征选择与提取的重要性，以及分类器设计中决策边
机器学习-深入理解 ChatGPT
JXL1860的博客
07-17 638
预训练，又被称为自监督学习（Self-supervised Learning）或构建基石模型（Foundation Model）。它在 ChatGPT 的命名中占据了“P”的位置，代表着“Pre-trained”。简单来说，ChatGPT 的核心功能是文本接龙。它是一个函数，能够根据输入生成连贯的文本。人类老师的教导：提供大量的输入-输出对，让模型学习正确的响应。网络上的海量数据：通过自监督学习从无标签数据中提取知识。
机器学习基础：从数据到智能的入门指南
数据爬坡ing的博客
07-20 1060
机器学习是一门让计算机从数据中学习并改进的学科，其本质是通过分类将无序数据转化为有用信息。文章首先介绍了机器学习的广泛应用和重要性，解释了其核心概念如特征、样本、模型等。然后详细阐述了监督学习（分类和回归）和非监督学习两种主要任务，并强调优质数据对模型性能的关键作用。文章还指出优秀算法需要反复试错的迭代过程，并通过Python代码示例展示了完整的机器学习开发流程：数据收集、预处理、模型训练测试及实际应用。最后强调统计学知识在建模过程中的重要作用，为读者理解机器学习提供了系统框架。
【机器学习之推荐算法】基于K最近邻的协同过滤推荐与基于回归模型的协同过滤推荐
m0_46168848的博客
07-24 189
基于K最近邻的协同过滤推荐其实本质上就是MemoryBased CF，只不过在选取近邻的时候，加上K最近邻的限制。这里我们直接根据MemoryBased CF的代码实现修改以下地方 修改所有的选取近邻的地方的代码，根据相似度来选取K个最近邻 但由于我们的原始数据较少，这里我们的KNN方法的效果会比纯粹的MemoryBasedCF要差.## 基于K最近邻的协同过滤推荐基于K最近邻的协同过滤推荐其实本质上就是MemoryBased CF，只不过在选取近邻的时候，加上K最近邻的限制。这里我们直接根据MemoryB
DAY 20 奇异值分解（SVD）
CONGOREDE的博客
07-20 1071
数据降维成功减少了特征维度，降低了数据复杂性。模型在测试集上的准确率处于中等水平，训练集的近似误差也在可接受范围内，但无论是降维效果还是模型性能，都还有进一步优化提升的空间。比如，可以尝试调整降维时保留的特征数量k，或者对模型进行调参、更换更合适的模型等操作，来提高准确率并降低误差。@浙大疏锦行。
（9）机器学习小白入门 YOLOv:YOLOv8-cls 技术解析与代码实现
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
07-21 474
YOLOv8-cls 是 YOLOv8 系列中针对图像分类任务的模型，基于 CSPDarknet 架构优化，专注于高效特征提取与类别判断，支持多规模版本部署。
图机器学习（19）——金融数据分析
盼小辉丶的博客
07-24 606
金融数据分析是大数据和数据分析中最常见且重要的领域之一。随着移动设备数量的增加和在线支付标准平台的普及，银行所产生和使用的交易数据正在呈指数级增长。因此，迫切需要新的工具和技术来充分利用这些海量信息，以便更好地理解客户的行为，并在业务流程中支持数据驱动的决策。这些数据还可用于构建更完善的机制，以提高在线支付的安全性。本节分析揭示了网络图的基本特性，并以社区检测算法为例演示了如何识别数据中的特定模式。
Python：开启机器学习的魔法之门
srlsong的博客
07-24 528
*在机器学习的浩瀚宇宙中，Python 为何能成为众多开发者的首选语言呢？这背后有着诸多令人信服的原因。简洁易读的语法：Python 以其简洁、优雅的语法闻名，它的代码就像是用自然语言书写的一样，新手也能轻松理解。就拿一个简单的列表求和来说，Python 代码sum([1, 2, 3])，短短一行，清晰明了，而在其他一些语言中，可能需要更多的代码行和复杂的语法结构。这种简洁性大大降低了编程的门槛，让开发者可以更专注于机器学习算法的实现和逻辑，而不是被复杂的语法所困扰。丰富强大的库。
嵌入式学习-（李宏毅）机器学习（2）-day29
最新发布
liuguangqia的博客
07-24 146
预估的结果和真实的结果的差距计算差距真实的值叫做label把三年每一天的误差都加起来然后求一个均值 ： LL越大， 这一组参数越不好L越小，这一组参数越好计算误差的公式有很多MAE，MSE，交叉熵将计算的Loss画一个等高线图，越靠近蓝色就代表参数设置的越好，Loss越小。
机器学习原理及实际应用案例解析
srlsong的博客
07-22 1239
摘要：机器学习作为人工智能的核心技术，主要包括监督学习、无监督学习和强化学习三大类型，在身份识别、自动驾驶和金融风控等领域取得显著应用成效。尽管机器学习展现出强大潜力，但仍面临数据依赖性强、模型可解释性差等挑战。未来需在提升模型性能的同时关注伦理隐私问题，推动技术健康发展。开发者应持续学习创新，将机器学习技术更好地应用于实际场景。
模式识别与机器学习课程笔记（1）：数学基础
luozhenghao的博客
07-21 610
本文介绍了模式识别与机器学习的数学基础，主要内容包括：1）特征矢量的三种类型（物理量、次序量、名义量）及其处理方法；2）随机矢量的概率分布描述，包括联合分布、条件分布和数字特征（均值、协方差等）；3）随机变量间的统计关系（相关性、独立性）；4）随机矢量的变换方法；5）正态分布的性质；6）离散随机变量的分布；7）信息论中的自信息概念。这些数学工具为后续的模式识别与机器学习算法提供了理论基础。
【机器学习】组合优化问题combination-optimization概述
Yaoyao2024的博客
07-23 813
组合优化是运筹学中的核心领域，专注于在离散对象的有限集合中寻找“最佳”组合方式。这类问题普遍存在于现实世界，从物流路径规划到金融资产配置，再到算法设计，其核心挑战是如何在“组合爆炸”的庞杂解空间中高效锁定最优解。
「日拱一码」034 机器学习——插值处理
weixin_44396644的博客
07-21 469
机器学习——插值处理
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
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