论文页面 - 稀疏且突发漏洞目击事件建模：数据受限下的预测

来源：https://huggingface.co/papers/2604.16038
发布时间：4 月 17 日

·

提交者：https://huggingface.co/cedricbonhomme

Cédric (https://huggingface.co/cedricbonhomme) 于 4 月 21 日

摘要

使用时间序列模型预测与漏洞相关的活动时，稀疏、突发的数据带来挑战，而基于计数的方法（如泊松回归）能提供更稳定的预测。

在网络威胁情报中，理解并预判漏洞相关活动是一大难题。本文研究能否对“漏洞目击事件”（如 PoC 公开、检测模板或线上讨论）进行时间维度的预测。在我们前期 VLAI（一种基于 Transformer、通过文本描述预测漏洞严重性的模型）的基础上，探讨能否将严重性得分作为外生变量，提升时间序列预测效果。我们评估了多种短期预测每漏洞目击数的方法：

1. 测试带/不带 log(x+1) 变换、以及是否引入 VLAI 严重性输入的 SARIMAX 模型。尽管这些调整带来有限提升，SARIMAX 仍不适用于稀疏、短暂且突发的漏洞数据；实践中，预测常产生过宽的置信区间，甚至出现不合理的负值。
2. 为更好捕捉目击事件的离散、事件驱动特性，转向基于计数的方法，如泊松回归。初步结果表明，这类模型在按周聚合目击数后，能给出更稳定、可解释的预测。
3. 还讨论了更简单的运营替代方案，如指数衰减函数，可在短预测窗口内无需长历史序列即可估计未来活动。

总体而言，本研究揭示了预测稀有且突发网络事件的潜力与局限，并为将预测分析集成到漏洞情报流程提供了实用指导。

查看 arXiv 页面 (https://arxiv.org/abs/2604.16038)
查看 PDF (https://arxiv.org/pdf/2604.16038)
项目主页 (https://github.com/vulnerability-lookup/TARDISsight)
GitHub2 (https://github.com/vulnerability-lookup/TARDISsight)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2604.16038)

在智能体中获取该论文：

hf papers read 2604\.16038

尚未安装最新 CLI？
curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型 0

暂无模型链接该论文

在模型 README.md 中引用 arxiv.org/abs/2604.16038 即可在此显示。

引用该论文的数据集 0

暂无数据集链接该论文

在数据集 README.md 中引用 arxiv.org/abs/2604.16038 即可在此显示。

引用该论文的 Spaces 0

暂无 Space 链接该论文

在 Space README.md 中引用 arxiv.org/abs/2604.16038 即可在此显示。

包含该论文的收藏 0

暂无收藏包含该论文

将该论文添加到收藏 (https://huggingface.co/new-collection) 即可在此显示。