LOCALINTEL: 从全球和本地网络知识生成组织威胁情报
内容提要
SecurityKG是一个自动化开源网络安全威胁情报收集管理系统，利用AI和NLP构建安全知识图谱。相关研究包括：基于spaCy的网络安全实体模型；BERT聚焦爬虫ThreatCrawl，收集率达52%；隐私增强与联邦处理框架；用transformers生成虚假CTI的数据污染风险；基于知识图谱和本体的云安全威胁分析；结构化CTI提取工具aCTIon，F1提升10至50个百分点；知识感知语言模型KALM；结合迁移学习、数据增强和少样本学习的高质量分类器，F1提升超21点；以及非结构化CTI自动分类研究。
延伸解读
从收集到知识图谱：OSCTI管理的演进
文章指出SecurityKG旨在弥补现有OSCTI平台忽视高级概念及其关系的不足，通过AI和NLP构建安全知识图谱。这反映了威胁情报管理正从简单收集转向结构化知识表示，以捕捉实体间的深层关联。后续研究如基于本体的云安全威胁分析，也延续了利用知识图谱进行自动化推理的思路，说明该方向具有持续的研究价值。
自动化提取的精度与效率提升
多项研究致力于提升CTI提取的自动化水平。ThreatCrawl基于BERT实现动态聚焦爬取，收集率达52%；aCTIon工具在结构化CTI提取任务上，F1得分较先前工作提升10至50个百分点；结合迁移学习、数据增强和少样本学习的方法，F1得分比标准训练提高超21点。这些进展表明，针对特定任务优化模型能显著改善情报处理效果。
虚假CTI与数据污染的风险警示
文章提到，有研究利用transformers生成虚假CTI文本，表明攻击者可能通过OSINT社区或网络传播虚假情报，实施数据污染攻击，进而影响依赖AI的网络安全系统。这一风险提示读者，在利用自动化工具收集和分析CTI时，需关注数据来源的可信度与完整性，防范对抗性干扰，这对构建稳健的威胁情报系统至关重要。
Q&A
SecurityKG是什么？它主要用来做什么？
SecurityKG是一个自动化的开源网络安全威胁情报收集管理系统，利用AI和NLP技术提取威胁行为知识，构建安全知识图谱，弥补现有OSCTI平台忽视高级概念及其关系的不足。
ThreatCrawl是如何提高威胁情报文档收集率的？
ThreatCrawl是一种基于BERT的聚焦爬虫，能动态分类文档并适应爬行路径，成功找到相关文档并修改路径，获得高达52%的收集率。
使用transformers生成虚假CTI文本可能带来什么风险？
可能被用于数据污染攻击，通过OSINT社区或网络传播虚假CTI，对其他依赖AI的网络安全系统产生负面影响。
aCTIon工具在结构化CTI信息提取方面有什么改进？
aCTIon是一个新的结构化CTI信息提取工具，相比先前10种解决方案，在所有任务中F1得分提高了10到50个百分点。
如何利用知识图谱和本体分析云安全威胁？
通过包含180个语义图的本体，建立基于Docker Compose的云配置数据流程图，评估本体和知识图谱用于自动识别图谱中的安全威胁。
在网络安全信息分类中，如何克服小数据问题提高F1得分？
结合迁移学习、数据增强和少样本学习三种小数据技术训练高质量分类器，F1得分比标准训练方法提高超过21个点，比现有少样本学习方法提高超过18个点。
