[发明专利]一种基于熵优化支持向量机的漏洞自动分类方法

权利要求书

1.一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于包括步骤

S1：构建漏洞分类模型；

S2：训练漏洞分类模型；以及

S2：完善漏洞分类模型。

2.根据权利要求1所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于步骤S1包括：

S11检测漏洞：根据CVE漏洞数据库得到漏洞的编号、类别和描述，形成暴露列表；

S12收集漏洞信息：将暴露列表转换为机器语言，得到漏洞信息；

S13预处理：对漏洞信息进行粗提取，得到漏洞文本特征词；

S14根据漏洞文本特征词分析获取特征权重，使用向量空间模型表示漏洞训练样本，得到漏洞分类模型。

3.根据权利要求2所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：S13中，粗提取包括对漏洞信息执行分词和清除噪音数据处理，得到漏洞文本特征词的过程。

4.根据权利要求2所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：S14中，基于信息增益的方法提取漏洞文本特征词的特征子集，确定特征子集中的各个特征项的特征权重。

5.根据权利要求2所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：S14中，基于文档频率、x²统计的方法提取漏洞文本特征词的特征子集，确定特征子集中的各个特征项的特征权重。

6.根据权利要求2所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：步骤S2包括分析漏洞训练样本，通过熵优化支持向量机的分类算法对漏洞训练样本进行训练。

7.根据权利要求6所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：步骤S3包括分析训练结果，使用预定的评估指标对分类算法进行评估。

8.根据权利要求7所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于：该评估指标包括准确率。

9.根据权利要求8所述的一种基于熵优化支持向量机的漏洞自动分类方法，其特征在于，确定该准确率的公式为：

其中，TP_i表示理论上属于CVE漏洞数据库中的类别C_i的且被正确分类的漏洞数量；FP_i表示理论上不属于类别C_i的，经过支持向量机分类后判别到C_i的漏洞数量。