物联网威胁情报知识图谱中潜在关系的挖掘

doi:10.11772/j.issn.1001-9081.2024010136

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (1): 24-31.DOI: 10.11772/j.issn.1001-9081.2024010136

物联网威胁情报知识图谱中潜在关系的挖掘

程子栋¹, 李鹏¹^,²(), 朱枫¹

^1.南京邮电大学计算机学院、软件学院、网络空间安全学院，南京 210023
^2.南京邮电大学网络安全与可信计算研究所，南京 210023

收稿日期:2024-02-06 修回日期:2024-03-27 接受日期:2024-03-27 发布日期:2024-05-09 出版日期:2025-01-10
通讯作者: 李鹏
作者简介:程子栋（1998—），男，安徽滁州人，硕士研究生，主要研究方向：物联网安全、知识图谱构建；
朱枫（1987—），男，安徽合肥人，讲师，博士，主要研究方向：无线传感器网络、信息安全。
基金资助:
国家自然科学基金资助项目(62102194);江苏省“六大人才高峰”高层次人才项目(RJFW-111)

Potential relation mining in internet of things threat intelligence knowledge graph

Zidong CHENG¹, Peng LI¹^,²(), Feng ZHU¹

^1.School of Computer Science，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210023，China
^2.Institute of Network Security and Trusted Computing，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210023，China

Received:2024-02-06 Revised:2024-03-27 Accepted:2024-03-27 Online:2024-05-09 Published:2025-01-10
Contact: Peng LI
About author:CHENG Zidong， born in 1998， M. S. candidate. His research interests include internet of things security， knowledge graph construction.
ZHU Feng， born in 1987， Ph. D.， lecturer. His research interests include wireless sensor network， information security.
Supported by:
National Natural Science Foundation of China(62102194);“Six Talent Peaks” High-Level Talents Project of Jiangsu Province(RJFW-111)

摘要/Abstract

摘要：

知识图谱对实现物联网威胁情报（ITI）的共享与利用具有重要意义，图神经网络（GNN）可以应用于ITI知识图谱（ITIKG）的知识表示任务，进而挖掘ITIKG的潜在关系；然而，当前大多数GNN没有考虑节点类型对节点表示能力的影响，且在节点信息聚合过程中使用随机策略进行节点采样，导致这些GNN不能区分不同距离的邻居，且没有考虑节点之间的关联性或重要性。为了解决这些问题，首先，基于不同数据源构建ITIKG；然后，设计确定性采样方法，从而基于节点的重要性采样根节点的邻居，并且考虑邻居距根节点的距离以及邻居在图中的中心性度量，即Katz中心性和中介中心性；最后，设计节点、节点模态和节点类型的嵌入和聚合方法。在此基础上，提出基于确定性采样的多模态异构图神经网络（DM-HGNN）模型。在所构建的ITIKG上的链接预测实验的结果表明，DM-HGNN模型的性能优于metapath2vec、多模态知识图谱表示学习模型（MMKRL）以及复杂图卷积网络（ComplexGCN）等知识表示模型，相较于次优模型MMKRL，DM-HGNN模型在曲线下面积（AUC）上提高了6.8%，在F1值上提高了7.1%，展示了DM-HGNN模型在链接预测任务上有效性和先进性。

关键词: 物联网安全, 威胁情报, 知识图谱, 图神经网络, 知识表示, 链接预测

Abstract:

Knowledge graph plays a crucial role in the sharing and utilization of Internet of Things Threat Intelligence （ITI）. Graph Neural Network （GNN） can be applied to tasks of knowledge representation in ITI Knowledge Graph （ITIKG）， thereby mining potential relations in ITIKG. However， most existing GNNs fail to consider the influence of node types on node representation capability and employ random sampling strategies for node sampling during node information aggregation， leading to an inability to distinguish neighbors at different distances and a lack of consideration for correlations among or importance of nodes. To address these issues， firstly ITIKG was constructed on the basis of various data sources. Subsequently， a deterministic sampling method was designed to sample the neighbors of root node based on node importance， and consider the distance between neighbors and root node， as well as the centrality measurement of neighbors in the graph， namely Katz centrality and betweenness centrality. Finally， embedding and aggregation methods of node， node modality， and node type were devised. On this basis， a Deterministic Multimodal Heterogeneous Graph Neural Network （DM-HGNN） model was proposed. Experimental results on link prediction in the constructed ITIKG demonstrate that the performance of DM-HGNN model is better than that of knowledge representation models such as metapath2vec， Multi-modal Knowledge Graph Representation Learning （MMKRL）， and Complex Graph Convolutional Network （ComplexGCN）. Compared to the suboptimal model MMKRL， DM-HGNN model exhibits an improvement of 6.8% in Area Under the Curve （AUC） and 7.1% in F1-score， indicating the effectiveness and advancement of DM-HGNN model in link prediction tasks.

Key words: Internet of Things (IoT) security, threat intelligence, knowledge graph, Graph Neural Network (GNN), knowledge representation, link prediction

中图分类号:

TP181

程子栋, 李鹏, 朱枫. 物联网威胁情报知识图谱中潜在关系的挖掘[J]. 计算机应用, 2025, 45(1): 24-31.

Zidong CHENG, Peng LI, Feng ZHU. Potential relation mining in internet of things threat intelligence knowledge graph[J]. Journal of Computer Applications, 2025, 45(1): 24-31.

图/表 9

参考文献 30

1	官赛萍，靳小龙，贾岩涛，等.面向知识图谱的知识推理研究进展［J］.软件学报， 2018， 29（10）： 2966-2994.
	GUAN S P， JIN X L， JIA Y T， et al. Knowledge reasoning over knowledge graph： a survey ［J］. Journal of Software， 2018， 29（10）： 2966-2994.
2	FANG Y， LU W， LIU X， et al. CircularE： a complex space circular correlation relational model for link prediction in knowledge graph embedding ［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2023， 31： 3162-3175.
3	LI M， WANG Y， ZHANG D， et al. Link prediction in knowledge graphs： a hierarchy-constrained approach ［J］. IEEE Transactions on Big Data， 2022， 8（3）： 630-643.
4	WANG J， WANG B， GAO J， et al. TDN： triplet distributor network for knowledge graph completion ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（12）： 13002-13014.
5	LU X， WANG L， JIANG Z， et al. MMKRL： a robust embedding approach for multi-modal knowledge graph representation learning ［J］. Applied Intelligence， 2022， 52（7）： 7480-7497.
6	DONG Y， CHAWLA N V， SWAMI A. metapath2vec： scalable representation learning for heterogeneous networks ［C］// Proceedings of the 23rd ACM SIGKDD International Conference on knowledge Discovery and Data Mining. New York： ACM， 2017： 135-144.
7	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks ［EB/OL］. ［2023-09-20］. .
8	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks ［EB/OL］. ［2023-10-20］. .
9	HAMILTON W L， YING Z， LESKOVEC J. Inductive representation learning on large graphs ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1025-1035.
10	HOCHREITER S， SCHMIDHUBER J. Long short-term memory ［J］. Neural Computation， 1997， 9（8）： 1735-1780.
11	SCHLICHTKRULL M， KIPF T N， BLOEM P， et al. Modeling relational data with graph convolutional networks ［C］// Proceedings of the 2018 European Semantic Web Conference， LNCS 10843. Cham： Springer， 2018： 593-607.
12	ZHANG C， SONG D， HUANG C， et al. Heterogeneous graph neural network ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 793-803.
13	ZEB A， SAIF S， CHEN J， et al. Complex graph convolutional network for link prediction in knowledge graphs ［J］. Expert Systems with Applications， 2022， 200： No.116796.
14	YANG J， YANG L T， WANG H， et al. Tensor graph attention network for knowledge reasoning in Internet of Things ［J］. IEEE Internet of Things Journal， 2022， 9（12）： 9128-9137.
15	YU L， SUN L， DU B， et al. Heterogeneous graph representation learning with relation awareness ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（6）： 5935-5947.
16	YUAN L， BAI Y， XING Z， et al. Predicting entity relations across different security databases by using graph attention network ［C］// IEEE 45th Annual Computers， Software， and Applications Conference. Piscataway： IEEE， 2021： 834-843.
17	ANSARIZADEH F， TAY D B， THIRUVADY D， et al. Deterministic sampling in heterogeneous graph neural networks ［J］. Pattern Recognition Letters， 2023， 172： 74-81.
18	KATZ L. A new status index derived from sociometric analysis ［J］. Psychometrika， 1953， 18（1）： 39-43.
19	FREEMAN L C. A set of measures of centrality based on betweenness ［J］. Sociometry， 1977， 40（1）： 35-41.
20	NIST Computer Security Division， Information Technology Laboratory. National vulnerability database ［DB/OL］. ［2023-05-08］. .
21	MITRE. Common weakness enumeration ［DB/OL］. ［2023-05-08］. .
22	MITRE. Adversarial tactics， techniques， and common knowledge ［DB/OL］. ［2023-05-08］. .
23	MITRE. Common vulnerabilities and exposures ［EB/OL］. ［2023-05-08］. .
24	MITRE. Common attack pattern enumerations and classifications ［EB/OL］. ［2023-05-18］. .
25	MITRE. Structured Threat Information eXpression — STIX［EB/OL］. ［2023-05-08］. .
26	SOLÁ L， ROMANCE M， CRIADO R， et al. Eigenvector centrality of nodes in multiplex networks ［J］. Chaos， 2013， 23（3）： No.033131.
27	MA N， GUAN J， ZHAO Y. Bringing PageRank to the citation analysis ［J］. Information Processing and Management， 2008， 44 （2）： 800-810.
28	GROVER A， LESKOVEC J. node2vec： scalable feature learning for networks ［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 855-864.
29	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional transformers for language understanding ［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1（Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
30	PEROZZI B， AL-RFOU R， SKIENA S. DeepWalk： online learning of social representations ［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 701-710.

节点/关系类型	节点/关系数
节点/关系类型	训练集	测试集
设备	1 085	465
软件	3 640	1 561
操作系统	853	366
工具	56	24
弱点	95	40
漏洞	2 584	1 107
威胁执行者	95	40
攻击模式	391	168
恶意软件	379	163
威胁活动	219	94
缓解措施	675	289
指示器	598	256
has	6 295	2 698
target	5 694	2 440
use	5 782	2 478
exploit	8 497	3 641
related-to	5 178	2 219

节点/关系类型	节点/关系数
节点/关系类型	训练集	测试集
设备	1 085	465
软件	3 640	1 561
操作系统	853	366
工具	56	24
弱点	95	40
漏洞	2 584	1 107
威胁执行者	95	40
攻击模式	391	168
恶意软件	379	163
威胁活动	219	94
缓解措施	675	289
指示器	598	256
has	6 295	2 698
target	5 694	2 440
use	5 782	2 478
exploit	8 497	3 641
related-to	5 178	2 219

模型	has		target		use		exploit		related-to		所有关系
模型	AUC	F1	AUC	F1	AUC	F1	AUC	F1	AUC	F1	AUC	F1
text-enhanced GAT	0.732	0.715	0.678	0.603	0.742	0.713	0.694	0.655	0.761	0.761	0.721	0.689
HetGNN	0.767	0.744	0.736	0.711	0.772	0.739	0.727	0.699	0.767	0.764	0.754	0.731
metapath2vec	0.712	0.677	0.701	0.595	0.737	0.690	0.744	0.694	0.788	0.780	0.736	0.687
MMKRL	0.779	0.736	0.746	0.726	0.788	0.759	0.775	0.756	0.792	0.786	0.776	0.753
ComplexGCN	0.762	0.751	0.729	0.712	0.784	0.758	0.715	0.708	0.776	0.769	0.753	0.740
DM-HGNN	0.829	0.811	0.835	0.806	0.824	0.801	0.825	0.803	0.834	0.816	0.829	0.807

模型	has		target		use		exploit		related-to		所有关系
模型	AUC	F1	AUC	F1	AUC	F1	AUC	F1	AUC	F1	AUC	F1
text-enhanced GAT	0.732	0.715	0.678	0.603	0.742	0.713	0.694	0.655	0.761	0.761	0.721	0.689
HetGNN	0.767	0.744	0.736	0.711	0.772	0.739	0.727	0.699	0.767	0.764	0.754	0.731
metapath2vec	0.712	0.677	0.701	0.595	0.737	0.690	0.744	0.694	0.788	0.780	0.736	0.687
MMKRL	0.779	0.736	0.746	0.726	0.788	0.759	0.775	0.756	0.792	0.786	0.776	0.753
ComplexGCN	0.762	0.751	0.729	0.712	0.784	0.758	0.715	0.708	0.776	0.769	0.753	0.740
DM-HGNN	0.829	0.811	0.835	0.806	0.824	0.801	0.825	0.803	0.834	0.816	0.829	0.807

[1]	赵文博, 马紫彤, 杨哲. 基于有向超图自适应卷积的链接预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 15-23.
[2]	李瑞, 李贯峰, 胡德洲, 高文馨. 融合路径与子图特征的知识图谱多跳推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 32-39.
[3]	余肖生, 王智鑫. 基于多层次图对比学习的序列推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 106-114.
[4]	吕学强, 王涛, 游新冬, 徐戈. 层次融合多元知识的命名实体识别框架——HTLR[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 40-47.
[5]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[6]	武杰, 张安思, 吴茂东, 张仪宗, 王从宝. 知识图谱在装备故障诊断领域的研究与应用综述[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2651-2659.
[7]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[8]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[9]	唐廷杰, 黄佳进, 秦进. 基于图辅助学习的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2711-2718.
[10]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[11]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[12]	杨莹, 郝晓燕, 于丹, 马垚, 陈永乐. 面向图神经网络模型提取攻击的图数据生成方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2483-2492.
[13]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[14]	于右任, 张仰森, 蒋玉茹, 黄改娟. 融合多粒度语言知识与层级信息的中文命名实体识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1706-1712.
[15]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.

物联网威胁情报知识图谱中潜在关系的挖掘

Potential relation mining in internet of things threat intelligence knowledge graph

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 30

相关文章 15

编辑推荐

Metrics