揭示未见安全实体之间的隐藏链接
内容提要
本文综述了利用自然语言处理、机器学习和知识图谱自动将CVE漏洞映射到CWE类别并检测软件漏洞的研究。代表方法包括V2W-BERT、ThreatZoom、CVEDrill和VULNERLIZER，最高精度达92%至94%，还可预测脆弱库和零日漏洞。
延伸解读
从CVE到CWE：自动化映射的价值
文章指出，自动将CVE漏洞映射到CWE类别是理解漏洞本质的关键。传统手动映射效率低且易出错，而V2W-BERT、ThreatZoom等方法利用自然语言处理和机器学习，能快速准确分类。这有助于安全团队优先处理高风险漏洞，并预测潜在攻击模式，提升响应速度。
精度对比：ThreatZoom与CVEDrill的差异
ThreatZoom在NVD数据集上达到92%细粒度和94%粗粒度精度，在MITRE数据集上为75%和90%。CVEDrill则宣称超越ChatGPT等工具，但未提供具体精度数据。读者需注意，不同数据集和评估标准可能导致结果差异，实际应用时应结合自身数据验证。
VULNERLIZER：预测脆弱库的尝试
VULNERLIZER框架结合CVE数据和软件库数据，通过聚类算法生成关联，并利用权重更新重新评估。其训练模型准确率达75%以上，展示了预测未来脆弱库的潜力。然而，该准确率相对较低，且依赖历史数据，可能无法完全应对新型漏洞，需谨慎看待其预测结果。
零日漏洞检测：进展与局限
文章提到，结合RoBERTa和GCN的多任务分类器在GitHub代码库测试中达到93%准确率，并能检测4种零日漏洞。大型语言模型也被视为未来方向。但零日漏洞本质未知，检测方法可能受训练数据限制，实际部署中需持续更新模型以应对新威胁。
Q&A
V2W-BERT 是什么？它如何帮助解决网络安全问题？
V2W-BERT 是一种基于 Transformer 学习框架的新方法，通过自然语言处理、链接预测和迁移学习，自动将 CVE 映射到 CWE，从而准确解决网络安全问题，可应用于寻找软件漏洞和缓解网络攻击。
ThreatZoom 在 CVE 到 CWE 分类上的准确率如何？
ThreatZoom 是第一个自动将 CVE 分类到 CWE 的工具，在 NVD 数据集上细粒度精度为 92%，粗粒度精度为 94%；在 MITRE 数据集上细粒度精度为 75%，粗粒度精度为 90%。
CVEDrill 有什么创新之处？它和 ChatGPT 相比如何？
CVEDrill 是一种创新的预测模型与工具，能够革新 CVE 分析和威胁优先级排序，实现精确威胁缓解和自动分类 CVE 至适当的 CWE 层级类别，在精确度和及时性上超越了 ChatGPT 等最先进工具。
VULNERLIZER 框架是如何预测脆弱库的？
VULNERLIZER 是一种跨漏洞与软件库分析框架，使用 CVE 数据和软件库数据结合聚类算法生成漏洞与库之间的关联，通过更新权重重新评估关联，并使用测试集的 CVE 数据进行预测，训练模型的准确率达到 75% 或更高。
有哪些方法可以检测软件漏洞？
文章提到了多种方法：利用机器学习和深度神经网络针对 C++ 程序开发数据驱动的漏洞检测方法，最高检测能力达到 0.87；结合 RoBERTa 和 GCN 的多任务分类器，在 N-day 样本上准确率 93%，能检测 4 种零日漏洞；以及使用大型语言模型进行漏洞检测，性能优于手动特征工程的图神经网络。
知识图谱在漏洞分析中有什么应用？
知识图谱可用于构建漏洞图谱，结合命名实体识别、关系提取和实体预测，以及神经模型、启发式规则和知识图谱嵌入，帮助修复知识图谱中缺失项，并评估其性能。
