机构名称：
¥ 1.0
摘要：最近的进步突出了高质量数据在开发准确的AI模型中的关键作用，尤其是在称为实体识别（TI-NER）的威胁智能中。这项技术自动化了广泛网络报告中信息的检测和分类。但是，缺乏可扩展的注释安全数据集阻碍了TI-NER系统的开发。为了克服这一点，研究人员经常使用数据增强技术，例如合并多个带注释的NER数据集以提高品种和可扩展性。整合这些数据集面临着挑战，例如保持一致的实体注释和实体类别以及对标准化标记方案的影响。手动合并数据集在大规模上很耗时且不切实际。我们的论文介绍了Ti-Nermerger，这是一个半自动化的框架，将各种Ti-NER数据集集成到可扩展的，合规的数据集中，与Stix-2.1等网络安全标准对齐。，我们通过使用DNRTI和APTNER数据集将框架的效率和效率进行了比较，从而验证了该框架的效率和有效性，从而产生了增强APTNER（2aptner）。结果表明，手动劳动减少了94％以上，在短短几分钟内节省了几个月的工作。此外，我们应用了高级ML算法来验证集成NER数据集的有效性。我们还提供公开访问的数据集和资源，支持威胁情报和AI模型开发的进一步研究。
ti-nermerger：用于在网络安全中集成NER数据集的半自动化框架
主要关键词
相关文件推荐
