[发明专利]基于投票机制的安全漏洞报告数据集构建方法

权利要求书

1.一种基于投票机制的安全漏洞报告数据集构建方法，其特征在于步骤如下：

步骤1：初始训练样本标记，该阶段包括两个输入和两个输出：

输入：CVE数据和未标记样本B_all；

输出：已标记初始训练样本集B_l和剩余未标记样本集B_u；

步骤1.1：基于CVE进行正样本标记：将软件产品的缺陷报告中与CVE相关联的记录，将其标记为“正”样本，最终得到软件产品的所有已标记正样本集合B_pos；将标记为正样本的记录从软件产品缺陷报告集合B_all中移除，得到剩余未标记样本集B_left；

步骤1.2：基于莱文斯坦距离获取初始标记“负”样本：通过计算剩余未标记缺陷报告B_left中的每条记录与已标记正样本B_pos之间的莱文斯坦距离，提取莱文斯坦距离最大的前若干条记录作为初始标记“负”样本，形成初始标记负样本集合B_neg；将标记为负样本的记录从软件产品缺陷报告集合B_left中移除，剩余的未标记样本集则作为目标样本集B_u；

步骤1.3：将初始标记正样本集合B_pos和初始标记负样本集合B_neg进行合并，形成初始训练样本集B_l；

步骤1.4：输出初始训练样本集B_l和未标记目标样本集B_u；

步骤2：迭代式自动投票分类：提出了一种迭代投票分类方法，其包括3个输入和3个输出；

输入：已标记训练样本集B_l；未标记目标数据集B_u；三个分类器；

输出：预测为正的样本集合Bppos；预测为负的样本集合Bpneg；不确定样本集合Bpu；

步骤2.1：模型训练：使用已标记的训练样本对三个分类器分别进行训练；

步骤2.2：投票式目标数据自动标记：通过步骤2.1中训练好的三个模型分别对目标数据进行预测，并将三个分类器同时标记为负的数据从目标数据转入训练样本中，扩充训练样本中负样本的数量；判定是否符合迭代退出条件，如果是，则进入步骤2.3；否则，进入步骤2.1；

步骤2.3：目标数据自动标记结果输出：提取三个分类器预测结果同时为“正”的数据，形成正样本集合；迭代中不断加入训练样本的数据形成负样本集合；剩余数据作为不确定样本集合；将三个集合分别输出到指定文件中。

2.根据权利要求1所述的一种基于投票机制的安全漏洞报告数据集构建方法，其特征在于步骤1中所述的莱文斯坦距离是编辑距离的一种，指从一个字符串变换到另一个字符串所需要的最少变化操作步骤；两个字符串a,b之间的莱文斯坦距离lev_a,b(|a|,|b|)计算公式如公式(1)所示：

其中，是指标函数，当a_i＝b_j时，等于0；否则，等于1；lev_a,b(i,j)是字符串a的前i个字符和字符串b的前j个字符之间的距离；i和j是步长为1的索引；通过计算剩余未标记缺陷报告B_left中的每条记录与已标记正样本B_pos之间的莱文斯坦距离。

3.根据权利要求1所述的一种基于投票机制的安全漏洞报告数据集构建方法，其特征在于步骤1.1中的选取前50条记录作为初始标记“负”样本。

4.根据权利要求1所述的一种基于投票机制的安全漏洞报告数据集构建方法，其特征在于步骤2中的3个分类器分别为多项式朴素贝叶斯MNB，逻辑回归LR和多层感知神经网络MLP。