一种预测网络安全漏洞被利用时间的方法

1.一种预测网络安全漏洞被利用时间的方法，包括步骤S1，获取t时刻的网络安全漏洞相关的原始数据d (t) ，其中t＝1,2,3,…；步骤S2，对获取到的t时刻的原始数据d (t) 依次进行数据预处理、特征提取和特征选择，得到特征数据x (t) ；其特征在于,还包括以下步骤：步骤S3，将特征数据x (t) 通过t时刻的分类器模型f (t) (·)进行预测，得到t时刻获取的网络安全漏洞被利用时间的预测值 用于下游应用，其中 步骤S4，获取t时刻的网络安全漏洞对应的真实被利用时间标签y (t) ，其中，y (t) ∈{c [1] ,c [2] ,…,c [k] ,…c [N] }，c [1] ,c [2] ,…,c [k] ,…c [N] 表示网络安全漏洞被利用时间所属的N个类别，N表示网络安全漏洞被利用时间的类别总数，其中N≥2；步骤S5,通过滑动窗口非均衡因子算法计算当前滑动窗口内的网络安全漏洞被利用时间所属的各个类别对应的非均衡因子 和类别权重 其中k＝1，2，…，N；步骤S5中，非均衡因子 的计算公式为：其中，z表示当前滑动窗口内包含的样本总个数，其中z≥N，c [k] (k＝1，2，...，N)表示安全漏洞被利用时间所属的第k个类别，非均衡因子 表示在当前滑动窗口内，属于类别c [k] 的样本数据占当前滑动窗口内总样本数z的比例，式中，当特征数据x (t) 对应的网络安全漏洞被利用时间属于类别c [k] 时，[(x (t) ,c [k] )]＝1，否则，[(x (t) ,c [k] )]＝0；步骤S5中，类别权重 的计算公式为：其中， 为类别c [k] 对应的非均衡因子；步骤S6，根据t时刻网络安全漏洞的特征数据x (t) 、被利用时间标签y (t) 、类别权重 重新训练当前分类器模型f (t) (·)并更新参数，得到t+1时刻的分类器模型f (t+1) (·)。 2.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：公式(1)中z的取值包括通过随机搜索、网格搜索、贝叶斯优化算法在内的任何一种超参数确定方法进行优化。 3.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：步骤S2中数据预处理包括数据去重、异常值检测、正则化、归一化、分词、独热编码在内的任何一种或多种通用算法的组合。 4.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：原始数据d (t) 包括漏洞编号、漏洞描述信息、漏洞发布时间和安全等级评分的网络安全漏洞多维度原始数据组合或其中的任一种单维度原始数据。 5.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：步骤S2中特征提取包括根据原始数据的形式和内容采用通用的人工特征提取算法或者自动特征提取算法。 6.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：特征选择包括主成分分析法、相关系数法和递归特征消除法。 7.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：预测网络安全漏洞被利用时间所用到的分类器模型包括但不限于全连接神经网络算法，卷积神经网络算法和循环神经网络算法，当t＝1时，f (1) (·)模型参数随机初始化，或者用已知的预训练模型初始化。 8.根据权利要求1所述的一种预测网络安全漏洞被利用时间的方法，其特征在于：当t+1时刻的网络安全漏洞的原始数据d (t+1) 被获取之前，仍然未获取到t时刻的网络安全漏洞被利用时间标签y (t) 时，略过步骤S5和S6，令f (t+1) (·)＝f (t) (·)，用于预测t+1时刻的网络安全漏洞被利用时间。