Extracción de eventos y argumentos de ciberataque basada en la interacción de características y el aprendizaje de...

Área de la Ciencia:

• Ciberseguridad
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• La inteligencia de amenazas cibernéticas (CTI) es vital para analizar los ataques cibernéticos y las vulnerabilidades.
• Los métodos actuales de aprendizaje profundo luchan con la complejidad de la CTI y la escasez de datos.
• La falta de grandes corpora anotados dificulta la aplicación directa de los grandes modelos de lenguaje (LLM).

Objetivo del estudio:

• Mejorar la eficiencia de la extracción de información de las TIC.
• Para hacer frente a los desafíos de la complejidad y la escasez de datos en los datos CTI.
• Mejorar el rendimiento de los métodos de extracción de eventos de ciberseguridad.

Principales métodos:

• Propuso el método de extracción de información de interacción de características de ataque cibernético (CAFIIE).
• Interacciones de características superficiales de múltiples capas para capturar las características de la entidad de amenaza latente.
• Ajuste fino del modelo CAFIIE utilizando el aprendizaje de pocos disparos para escenarios con datos limitados.

Principales resultados:

• CAFIIE captura efectivamente las características profundas latentes en las interacciones de las entidades de amenazas de CTI.
• El método demuestra una precisión superior y un rendimiento de puntuación F1.
• CAFIIE muestra una mejora en la eficiencia de la utilización de las funciones de CTI.

Conclusiones:

• El método CAFIIE ofrece un avance significativo en la extracción de información de CTI.
• El aprendizaje de pocos disparos hace que CAFIIE sea adecuado para entornos de ciberseguridad con datos limitados.
• CAFIIE supera a los métodos de referencia existentes en varios conjuntos de datos.