物联网威胁情报知识图谱中潜在关系的挖掘.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃01⁃10

计算机应用,2025,45(1):24-31CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）01-0024-08DOI:10.11772/j.issn.1001-9081.2024010136

物联网威胁情报知识图谱中潜在关系的挖掘

11，2*1

程子栋，李鹏，朱枫

（1.南京邮电大学计算机学院、软件学院、网络空间安全学院，南京210023；

2.南京邮电大学网络安全与可信计算研究所，南京210023）

（∗通信作者电子邮箱lipeng@njupt.edu.cn）

摘要：知识图谱对实现物联网威胁情报（ITI）的共享与利用具有重要意义，图神经网络（GNN）可以应用于ITI知

识图谱（ITIKG）的知识表示任务，进而挖掘ITIKG的潜在关系；然而，当前大多数GNN没有考虑节点类型对节点表示

能力的影响，且在节点信息聚合过程中使用随机策略进行节点采样，导致这些GNN不能区分不同距离的邻居，且没有

考虑节点之间的关联性或重要性。为了解决这些问题，首先，基于不同数据源构建ITIKG；然后，设计确定性采样方

法，从而基于节点的重要性采样根节点的邻居，并且考虑邻居距根节点的距离以及邻居在图中的中心性度量，即Katz

中心性和中介中心性；最后，设计节点、节点模态和节点类型的嵌入和聚合方法。在此基础上，提出基于确定性采样

的多模态异构图神经网络（DM-HGNN）模型。在所构建的ITIKG上的链接预测实验的结果表明，DM-HGNN模型的性

能优于metapath2vec、多模态知识图谱表示学习模型（MMKRL）以及复杂图卷积网络（ComplexGCN）等知识表示模型，

相较于次优模型MMKRL，DM-HGNN模型在曲线下面积（AUC）上提高了6.8%，在F1值上提高了7.1%，展示了DM-

HGNN模型在链接预测任务上有效性和先进性。

关键词：物联网安全；威胁情报；知识图谱；图神经网络；知识表示；链接预测

中图分类号：TP181文献标志码：A

Potentialrelationminingininternetofthingsthreatintelligenceknowledgegraph

11，2*1

CHENGZidong，LIPeng，ZHUFeng

（1.SchoolofComputerScience，NanjingUniversityofPostsandTelecommunications，NanjingJiangsu210023，China；

2.InstituteofNetworkSecurityandTruste