58、基于逻辑回归的概率模型半自动化参数化：数据收集、准备与基础原理

基于逻辑回归的概率模型半自动化参数化：数据收集、准备与基础原理

在利用逻辑回归进行概率模型的半自动化参数化过程中，数据的收集、准备以及对逻辑回归基础原理的理解至关重要。下面我们将详细探讨这些方面的内容。

1. 数据收集

为了定义具有足够“通用性”属性的模型，我们需要从多个不同的数据源收集数据，这些数据源包括但不限于：
- 配置管理数据库（CMDB） ：它是关于资产信息的丰富来源，主要用于存储系统组件的各种有用信息，维护这样的数据库是安全管理的最佳实践之一。
- 国家漏洞数据库（NVD） ：提供了大量的漏洞信息。
- 通用漏洞披露（CVE） ：包含了各种已知的漏洞信息。
- 通用漏洞评分系统数据 ：可从（拓扑）漏洞扫描器（如OpenVAS）获得。
- 监控设备性能数据 ：例如某些研究中提到的相关数据。

虽然这些数据源不会直接提供我们所需的数据，但可以通过一些方式加以利用。以CVE为例，假设一次网络攻击是对某个漏洞的利用，知道特定计算机或其他IT组件的供应商和版本后，我们可以在CVE数据库中查找该组件的漏洞列表以及通用漏洞评分系统（CVSS）分数，以了解漏洞的严重程度。这些信息可以补充到资产数据中，方便专家进行评估。

2. 获取训练数据

为了说明自动化模型参数化的方法，我们构建了一个数据集。考虑一个具有单个父节点的资产，资产状态的转换可能取决于以下属性：
- 当前状态（Curr