CN119449452A 一种基于Transformer和图注意力网络模型的网络威胁推演系统及方法 （中国人民解放军92493部队信息技术中心）

一种基于Transformer和图注意力网络模型本发明公开了一种基于Transformer和图注发明利用图注意力网络(GAT)模型来预处理和挖图谱中确定漏洞利用权重；基于Transformer模21.一种基于Transformer和图注意力网络模型的网络威胁推演系统，其特征在于，包攻击验证模块，通过与网络威胁推演模块同源/近似的虚拟环境进行攻击路径验证测5.一种实施如权利要求1_4任意一项所述基于Transformer和图注意力网络模型的网对推演结果进行同源镜像系统测试，在与目标网络同源镜像的虚拟环境进行验证测3攻击验证模块通过利用同源虚拟环境进行攻击验证测试，根据测4[0001]本发明属于网络安全技术领域，尤其涉及一种基于Transformer和图注意力网络[0004]针对现有技术存在的问题，本发明提供了一种基于Transformer和图注意力网络[0005]本发明具体实现如下，一种基于Transformer和图注意力网络模型的网络威胁推意力网络(GraphAttentionNetworks,GAT)处理从威胁情报提取模块接收的数据，构建动(DecisionTransformer)在知识图谱基础上推演潜在的攻击路径和攻击者的可能行为，并5[0023]利用循环神经网络RNN或长短期记忆网络LSTM分析历史攻击行为的时间序列数[0025]通过自注意力机制，Transformer能够在处理输入序列时动态调整各个时间步的6[0029]推演验证模块与网络威胁推演模块连接，分为攻击验证[0030]本发明的另一目的在于提供一种基于Transformer和图注意力网络的网络威胁推作，综合评估和推演潜在的攻击路径和策略，提供对不同攻击场景的全面威胁情报分析；执行所述基于Transformer和图注意力网络的网络威胁推7[0039]本发明通过Transformer对推理的路径序列进行建模，生成式地对下一个推理序[0045]Transformer利用序列处理有效解决情报数据的多维度和时间序列问题，并通过学习历史数据中的最佳序列，在推演过程中完成对图注意力网络的节点权重的动态调整，[0046]图1是本发明实施例提供的基于Transformer和图注意力网络模型的网络威胁推[0048]图3是本发明实施例提供的基于Transformer和图注意力网络模型的网络威胁推8弱性(如易受特定漏洞攻击的系统类型)，GAT[0066]利用循环神经网络RNN或长短期记忆网络LSTM分析历史攻击行为的时间序列数9[0068]通过自注意力机制，Transformer能够在处理输入序列时动态调整各个时间步的StackExchange网站，是近期安全事件的文本；(5)安全简易内容聚合(ReallySimple[0102]梯度下降法是计算损失函数相对于模型参数的梯度，并用此梯度信息来更新参[0103]8=6-n*vgL(0)(2)[0116]并聚合按不同注意力权重缩放后的邻居节点特征表示。节点i的聚合特征表示如多个不同的特征表示，最终采用均值的方式对多头注意力机制进行输出，K为设置的多头[0122]构建一个基于Transformer的推演模型，用于分析网络中的时间序列特征和空间[0129]首先将经过GAT处理后的知识图谱作为序列输入，将节点特征和边特征通过多头a1nno[0138]通过知识图谱表示学习模型ConvE对序列中的每一个实体和关系进行嵌入表示，将每一项token映射到一个相同维度的向量。同时，为进一步区分推理序列的先后顺序关率是基于路径的语义相似度和全局信息的综伏一段时间，逐步获取敏感数据或权限。为了防护APT攻击，本实施例中应用了基于[0165]该实施例在APT攻击早期阶段成功拦截了攻击者的权限提升行为，预防了进一步[0166]上述实施例展示了基于Transf