基于内生人工智能(AI,artificial intelligence)在大规模复杂异构网络中实现万物智联是6G的重要特征之一。联邦学习(FL,federated learning)因其数据处理本地化这一特有的机器学习架构,被认为是在6G场景中实现分布式泛在智联的重要途径,已成为6G的重要研究方向。为此,首先分析了在未来6G,特别是物联网(IoT,internet of things)场景中引入分布式AI的必要性,以此为基础论述了FL在满足相关6G指标要求的潜力,并从架构设计、资源利用、数据传输、隐私保护、服务提供角度综述了FL如何赋能6G网络,最后给出了FL赋能6G研究存在的一些关键挑战和未来有价值的研究方向。
随着信息化的发展和网络应用的增多,许多软硬件产品受到各种类型的网络安全漏洞影响.漏洞分析和管理工作往往需要对大量漏洞情报文本进行人工分类.为了高效准确地判断漏洞情报文本所描述漏洞的类别,提出了一种基于多层双向Transformer编码器表示(bidirectional encoder representation from Transformers,BERT)的网络安全漏洞分类模型.首先,构建漏洞分类数据集,用预训练模型对漏洞情报文本进行特征向量表示.然后,将所得的特征向量通过分类器完成分类.最后,使用测试集对分类效果进行评估.实验共使用了48000个包含漏洞描述的漏洞情报文本,分别用TextCNN,TextRNN,TextRNN_Att,fastText和所提模型进行分类.实验结果表明,所提模型在测试集上的分类评价指标得分均为最高,能够有效应用于网络安全漏洞分类任务,降低人工工作量.
暂无评论