大语言模型驱动的威胁情报知识图谱构建方法OA
随着网络威胁的日益复杂化,传统依赖人工分析和规则匹配的安全防护手段已难以应对海量异构的威胁情报。针对网络威胁情报来源分散、格式异构,导致内部的复杂威胁关系和关键知识难以被高效整合与深度关联分析的问题,提出一种大语言模型(Large Language Model,LLM)驱动的威胁情报知识图谱构建方法。首先,通过多源数据接入与统一语义建模,将攻击者、目标环境、攻击方式等要素抽象为标准化多维属性体系;然后,基于偏差反馈的动态提示词优化框架,驱动LLM实现多轮自适应实体关系抽取;最后,通过领域自适应的实体指纹相似度融合算法与图分片管理机制,在本地图数据库中构建高效可扩展的威胁情报知识图谱。实验结果表明,所构建图谱的实体覆盖率达到94.2%,图连通率达到86.3%,优于当前主流技术,为自动化威胁分析提供高连通性、低冗余的动态知识支撑。
陈霄;沙乐天;董建阔;肖甫
南京邮电大学计算机学院,江苏南京210023 南京邮电大学江苏省物联网智能感知与计算重点实验室,江苏南京210023南京邮电大学计算机学院,江苏南京210023 南京邮电大学江苏省物联网智能感知与计算重点实验室,江苏南京210023南京邮电大学计算机学院,江苏南京210023 南京邮电大学江苏省物联网智能感知与计算重点实验室,江苏南京210023南京邮电大学计算机学院,江苏南京210023 南京邮电大学江苏省物联网智能感知与计算重点实验室,江苏南京210023
信息技术与安全科学
大语言模型威胁情报自然语言处理知识图谱
《南京邮电大学学报(自然科学版)》 2026 (4)
P.69-77,9
国家自然科学基金(62572255)江苏省前沿技术研发计划(BF2024071)资助项目。
评论