基于异构属性图的自动化攻击行为语义识别方法

当前安全运营人员面对的是海量的设备日志,需要根据其专家知识或经验来进行调查溯源,大大降低了安全运营的效率,同时也为安全运营设置了较高的知识门槛.为了解决这一问题,提出了一种基于异构属性图的自动化攻击行为语义识别方法,能够实现底层安全日志到上层攻击行为之间的映射.首先,利用异构图对系统日志进行威胁建模;然后,以攻击行为上下文为语义并结合知识图谱表示学习得到图中节点与边的向量表示;接着,利用层次聚类把相似的日志聚合到一起,从中找出最具代表性日志作为整个类的行为表示.最后,对该方法进行了实验验证,可以看出该方法在系统正常行为与恶意行为的识别上都具有较高的精度,可以大大提高安全运营的效率.

基于异构属性图的案件相似度算法研究

【目的】基于司法案件异构属性图,提出一种高效的案件相似度计算模型,用于提升案件相似度比较的速度和精确率。【方法】以案件的法律文书内容及其他相关信息构建案件异构属性图,将案件文本相似性问题转化为图相似性问题,结合图注意力网络和邻域节点共识匹配,能够有效学习到司法案件异构属性图的局部信息和全局信息,进而计算案件的相似度。【结果】在2019年中国法研杯的相似案例匹配数据集上,所提出模型在计算量(FLOPs)仅有冠军模型1.02%的情况下,达到了优于冠军模型的结果。【局限】本文模型的精度与属性图构建的复杂性呈正相关,但通过离线方式预先构建案件异构属性图,不会影响算法的时间复杂度。【结论】基于司法案件异构属性图有效利用了司法领域文本中的深度语义和法律主客体之间的隐含信息,提升了案件相似度比较的速度和精确率。

基于图结构聚类的自监督学习疾病诊断方法

图自监督学习方法近年来被应用于疾病诊断任务中以缓解医疗标签信息缺乏和人工标注问题。然而,图自监督学习的性能主要依赖于高质量的正样本和负样本,这限制了疾病诊断的灵活性和泛用性。此外,在构建医疗异构属性图时没有充分利用病人的多模态数据,影响了疾病诊断的性能。提出一个基于医疗异构属性图结构聚类的自监督学习疾病诊断框架SC4DD。该框架利用病人的结构化数据和非结构化临床文本摘要构建医疗异构属性图,通过图上的结构聚类算法生成节点的伪标签。考虑到不同元路径对学习病人嵌入表示的重要性以及不同模态医疗数据对疾病诊断结果的影响程度,引入注意力机制的异构图神经网络作为编码器,伪标签作为自监督信号辅助编码器学习注意力系数和病人嵌入表示。在MIMIC-Ⅲ数据集上的实验结果表明,SC4DD优于传统基线方法,能够有效提高疾病诊断的性能。其中,相较于性能最优的基线方法HeCo,SC4DD在2%、3%、4%标记节点下的宏平均F1值分别提高了1.46%、0.97%、0.94%,微平均F1值分别提高了0.91%、0.84%、0.52%。