Resumen

Con el fin de obtener datos etiquetados de alta calidad y a gran escala para la investigación en seguridad de la información, proponemos un nuevo enfoque que combina una red generativa adversarial con el modelo BiLSTM-Attention-CRF para obtener datos etiquetados a partir de anotaciones de multitudes. Utilizamos la red generativa adversarial para encontrar características comunes en las anotaciones de la multitud y luego considerarlas junto con la característica del diccionario de dominio y la característica de dependencia de oraciones como características adicionales a introducir en el modelo BiLSTM-Attention-CRF, que luego se utiliza para llevar a cabo el reconocimiento de entidades nombradas en la crowdsourcing. Finalmente, creamos un conjunto de datos para evaluar nuestros modelos utilizando datos de seguridad de la información. Los resultados experimentales muestran que nuestro modelo tiene un mejor rendimiento que los otros modelos de referencia.

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Enfoque; Red generativa adversarial; Modelo BiLSTM-Attention-CRF; Datos etiquetados; Anotaciones de multitudes; Reconocimiento de entidades con nombre.
• Keywords:Approach; Generative adversarial network; BiLSTM-Attention-CRF model; Labelled data; Crowd annotations; Named entity recognition