24、人工智能在网络安全知识图谱中的应用与挑战

人工智能在网络安全知识图谱中的应用与挑战

1. 网络安全知识图谱的应用场景与推理技术

网络安全知识图谱（CSKG）有着广泛的应用场景，如 CT 建模、APT - CT 搜索、智能保管、网络空间估值/映射、供应链安全以及 CPS 防御等。在 CSKG 上建立了两种推理技术：
- 基于图表示学习的关系推理。
- 通过神经网络实现的多关系推理方案。

2. 网络安全知识图谱的数据集问题

当前用于网络安全知识图谱的数据集存在诸多不足，具体如下表所示：
| 问题 | 描述 |
| — | — |
| 任务针对性 | 大多数数据集仅针对单一的信息提取任务（实体挖掘），很少能同时处理两个或多个任务。 |
| 本体和目标差异 | 由于不同的本体和研究目标，实体和关系的种类各不相同。 |
| 语言限制 | 现有数据集主要依赖英语，无法满足多语言需求。 |
| 数据来源 | 垂直模型的初始数据主要依赖人工对语料的解读。 |

为了解决这些问题，需要创建新的多语言网络安全信息提取数据集，并且应该有相关的声明文件和标准注释。同时，可以采用半监督或无监督提取以及基于提示的生成方法，减少注释垂直语料的需求。

3. 网络安全知识图谱的动态构建

现有的知识图谱框架可以通过自上而下和自下而上的方法构建大型知识库。自上而下的方法在网络安全领域较为常见，即先创建本体模式，再从中提取语料知识，主要基于专家知识。然而，还需要本体学习或自动化本体构建技术来在本体更新过程中捕捉新知识。传统的知识图谱主要关注确定性、静态的实体、关系和属性等，而领域应用的知识图谱研究和前提条件将纳入事件