2021年公司研究内容简介
郝伟，2020/12/21

• 1 研究背景
• 2 研究要求
  • 目标1: 应用研究
  • 目标2: 工程导向
  • 目标3: 项目赋能
• 3 研究课题
  • 课题1: 根据漏洞描述信息进行识别与分析
  • 课题2: 利用漏洞描述信息对漏洞库去重
  • 课题3: 基于实体嵌入的漏洞知识图谱利用技术研究
  • 课题4: 多层强化学习模型化的自动渗透测试技术研究
  • 课题5: 高性能互联网数据通信安全技术研究(辅助)
• 4 研究方向
  • 方向1：自然语言处理 (NLP)
    • 4.1.1 自然语言处理理论研究
    • 4.1.2 自然语言处理应用研究
    • 4.1.3 自然语言处理工程技术
    • 4.1.4 自然语言处理开发工具
    • 4.1.5 各类资源
  • 方向2：漏洞知识图谱（VKG）
    • 4.2.1 知识图谱理论研究
    • 4.2.2 知识图谱应用研究
    • 4.2.3 知识图谱工程技术
    • 4.2.4 知识图谱开发工具
    • 4.2.5 各类资源
  • 方向3：资产与漏洞评估算法
• 5 参考文献

1 研究背景

本文为2021年研究的主要内容。根据公司发展、产品和项目需求，开发相应的研究。

2 研究要求

目标1: 应用研究

理论研究的输出是理论，而且应用研究的输出是程序或算法。所以本要求将在一定理论的指导下对问题进行科学的解释；另一方面是在经验研究的基础上提出解决问题的建议和对策，并使用相关技术手段给出问题的实用解。应用研究以解决问题或提供预防问题的对策为主要目的，更加侧重于对各种问题在实践层面的研究。

目标2: 工程导向

研究的输出是为工程为导向，表示为以下三种形式：

• 代码、类库或程序（包括相关说明文档）
  在说明文档的帮助下，能够直接运行或被调用，从而直接解决项目或产品中的问题。
• 调研文档
  根据项目或产品的需要，输出相关文档，从而产生指导作用，为项目（或产品）的研发提供技术支持。
• 设计文档
  根据产品或项目需求，进行需求分析。在对产品理解有一定深度以后，进行系统的框架和模块设计，并输出设计文档。

目标3: 项目赋能

通过对人工智能的研究，对公司的主要产品线进行赋能，

3 研究课题

课题1: 根据漏洞描述信息进行识别与分析

• 内容简介：通过各类爬虫技术，可以从网络上获得各类漏洞信息，这类漏洞信息都是纯文的形式，那么就会出现这样的问题：如何将没有编号的漏洞与其官方（如CNNVD）的漏洞编号关联起来？
• 课题目标：实现漏洞知识图谱的网站，参考 https://www.ownthink.com/
  在国外的网站上，抓取一些漏洞信息无法格式化，那么如何判断漏洞影响的内容？这个问题可以描述为：
• 输入：未格式化的漏洞描述信息（英文）
• 输出：漏洞影响的实体，包括系统、模块、软件等
• 问题模型
  首先，需要建立实体类，实体可以通过CPE描述，参见《CPE 漏洞比对机制.pptx》。

课题2: 利用漏洞描述信息对漏洞库去重

根据给定的漏洞描述文本，对已有漏洞进行去重处理。

课题3: 基于实体嵌入的漏洞知识图谱利用技术研究

课题4: 多层强化学习模型化的自动渗透测试技术研究

课题5: 高性能互联网数据通信安全技术研究(辅助)

4 研究方向

方向1：自然语言处理 (NLP)

4.1.1 自然语言处理理论研究

4.1.2 自然语言处理应用研究

4.1.3 自然语言处理工程技术

4.1.4 自然语言处理开发工具

4.1.5 各类资源

方向2：漏洞知识图谱（VKG）

知识图谱（Knowledge Graph）是一种用点来代替实体，用边代替实体之间关系的一种语义网络。通俗来说，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络，它提供了站在关系的角度去分析问题的视角。站在这个角度我们可以从“找规律”的维度上升到“理解”的维度， 这也就是为什么有人说知识图谱是 AI 的未来。

知识图谱可以表示成一个实体关系网络图，实体就是一个包含信息的个体，画出来叫节点；关系是两个实体之间的联系，画出来叫边。借用上面的例子“达观数据是一家人工智能公司”，“达观数据”和“人工智能公司”就是两个实体，“是”即这两个实体之间的关系。

4.2.1 知识图谱理论研究

推荐阅读：[2,3,4]

• A Practical Approach to Constructing a Knowledge Graph for Cybersecurity$^{[2]}$

• https://zhuanlan.zhihu.com/p/36404872

4.2.2 知识图谱应用研究

推荐阅读：[1]

4.2.3 知识图谱工程技术

4.2.4 知识图谱开发工具

• 知识图谱和 Neo4j 浅析
  在当前大数据行业中， 随着算法的升级， 特别是机器学习的加入，“找规律”式的算法所带来的“红利”正在逐渐地消失，进而需要一种可以对数据进行更深一层挖掘的方式，这种新的方式就是知识图谱。文章介绍了知识图谱的基本概念及利用知识图谱数据库Neo4j在达观数据中的实践应用。

4.2.5 各类资源

• 公司漏洞信息网站 https://vti.huaun.com:8443/index/

方向3：资产与漏洞评估算法

5 参考文献

1. 彭力(小米公司)， 知识图谱在小米的应用与探索, 开放知识图谱公众号, 2020.118. link
2. Qi, Yulu & Shang, Huaijun & Jiang, Rong & Li, Aiping. (2018). A Practical Approach to Constructing a Knowledge Graph for Cybersecurity. Engineering. 4. 10.1016/j.eng.2018.0004. link## 4.2. Qi, Yulu & Shang, Huaijun & Jiang, Rong & Li, Aiping. (2018). A Practical Approach to Constructing a Knowledge Graph for Cybersecurity. Engineering. 4. 10.1016/j.eng.2018.0004. link
3. Iannacone, Michael & Bohn, Shawn & Nakamura, Grant & Gerth, John & Huffer, Kelly & Bridges, Robert & Ferragut, Erik & Goodall, John. (2015). Developing an Ontology for Cyber Security Knowledge Graphs. 1-4. 10.1145/2746266.2746278. link
4. AKGAE-基于属性知识图谱自编码器的企业侧威胁识别方法,
5. 安全知识图谱助力内部威胁识别