基于知識圖譜的中國大陸網(wǎng)絡(luò)空間安全國際頂級會議數(shù)據(jù)分析

劉 鵬 焦小彤 何睎杰 王 鶴 張玉清

1(西安電子科技大學(xué)廣州研究院 廣州 510555)2(中國科學(xué)院大學(xué)國家計(jì)算機(jī)網(wǎng)絡(luò)入侵防范中心 北京 100049)

1 引 言

1.1 數(shù)字化的學(xué)術(shù)信息

近些年，學(xué)術(shù)信息的數(shù)字化日漸發(fā)展完善，每年都會產(chǎn)生大量的學(xué)術(shù)數(shù)據(jù).在海量的學(xué)術(shù)數(shù)據(jù)中隱含著學(xué)者的平均學(xué)術(shù)水平、當(dāng)前的學(xué)術(shù)研究熱點(diǎn)和機(jī)構(gòu)科研水平的變化等內(nèi)容.

面對海量且增長迅速的學(xué)術(shù)數(shù)據(jù)，利用互聯(lián)網(wǎng)上日趨完善的數(shù)字化學(xué)術(shù)信息分析其中的文獻(xiàn)數(shù)據(jù)已成為數(shù)據(jù)挖掘領(lǐng)域的一個(gè)新興熱點(diǎn)[1].

1.2 知識圖譜

知識圖譜是以圖的形式存儲實(shí)體及其之間關(guān)系的數(shù)據(jù)庫[2].知識圖譜的概念起源于語義網(wǎng)絡(luò)，2012年由谷歌提出，已成功應(yīng)用于智能搜索領(lǐng)域[3].邏輯上知識圖譜分為2層結(jié)構(gòu)：本體層和實(shí)例層[4].構(gòu)建知識圖譜主要使用自然語言處理等技術(shù)進(jìn)行實(shí)體提取和本體提取[5].知識圖譜廣泛應(yīng)用于智能搜索、個(gè)性化推薦[6]、知識推理等領(lǐng)域[7].

知識圖譜按其內(nèi)容可以分為通用知識圖譜與專業(yè)知識圖譜.通用知識圖譜側(cè)重于知識的廣度，如基于維基百科構(gòu)建的DBpedia[8]、YAGO[9]、上海交通大學(xué)的zhishi.me[10]等.專業(yè)知識圖譜側(cè)重于某一行業(yè)領(lǐng)域內(nèi)容，如清華大學(xué)影視雙語知識圖譜[11]等.

1.3 主要目標(biāo)

目前尚未有針對安全領(lǐng)域4大頂級會議和3大密碼會議學(xué)術(shù)數(shù)據(jù)的專業(yè)知識圖譜構(gòu)建.為了彌補(bǔ)針對7大會議的專業(yè)知識圖譜構(gòu)建的空白，本文嘗試從7大會議的學(xué)術(shù)數(shù)據(jù)構(gòu)建專業(yè)知識圖譜，并進(jìn)行應(yīng)用分析.構(gòu)建該專業(yè)知識圖譜有助于更好地評估科研水平、幫助研究者更好地把握安全領(lǐng)域和密碼學(xué)領(lǐng)域的前沿學(xué)術(shù)熱點(diǎn).本文的主要工作和貢獻(xiàn)如下：

1) 基于Springer網(wǎng)站和安全領(lǐng)域4大頂級會議官網(wǎng)的論文數(shù)據(jù)，提取并處理7大會議上所有論文并將其存儲到數(shù)據(jù)庫中，首次構(gòu)建了7大會議的知識圖譜.

2) 基于構(gòu)建的知識圖譜，對7大會議的數(shù)據(jù)進(jìn)行了基本統(tǒng)計(jì)和分析，為我國的安全領(lǐng)域和密碼學(xué)研究提供了參考.

接下來，本文將分為3個(gè)部分介紹針對7大會議的數(shù)據(jù)處理與知識圖譜構(gòu)建與應(yīng)用、學(xué)術(shù)數(shù)據(jù)統(tǒng)計(jì)分析和總結(jié)與展望.

2 數(shù)據(jù)處理與知識圖譜構(gòu)建與應(yīng)用

本節(jié)主要從安全頂級會議官網(wǎng)和密碼學(xué)會議數(shù)據(jù)源中，使用爬蟲、自然語言處理等技術(shù)提取論文數(shù)據(jù)，并進(jìn)行去重補(bǔ)全等處理.

2.1 數(shù)據(jù)源

SpringerLink是科技出版機(jī)構(gòu)Springer的官方網(wǎng)站，包含了CRYPTO,EUROCRYPT和ASIACRYPT歷年的論文數(shù)據(jù)；針對安全領(lǐng)域4大頂級會議本文使用官網(wǎng)數(shù)據(jù)作為數(shù)據(jù)源.

2.2 數(shù)據(jù)提取

根據(jù)2.1節(jié)確定的數(shù)據(jù)源，本文基于Python語言使用網(wǎng)絡(luò)爬蟲提取數(shù)據(jù).按以下步驟實(shí)現(xiàn)數(shù)據(jù)提取和存儲：

1) 使用Python中的request庫訪問數(shù)據(jù)源的網(wǎng)頁，獲得整個(gè)網(wǎng)頁的數(shù)據(jù)；

2) 分析網(wǎng)頁結(jié)構(gòu)，使用Xpath庫根據(jù)網(wǎng)頁節(jié)點(diǎn)解析網(wǎng)頁內(nèi)容，獲取所需的數(shù)據(jù)；

3) 將數(shù)據(jù)寫入數(shù)據(jù)庫，完成數(shù)據(jù)的存儲工作.

2.3 數(shù)據(jù)去重

在現(xiàn)實(shí)中，一個(gè)機(jī)構(gòu)往往存在多種不同的名稱，如縮寫、別名等.本文采用啟發(fā)式的方法，使用正則表達(dá)式進(jìn)行去重.

對于學(xué)者姓名的去重，由于同名且學(xué)術(shù)成果類似的學(xué)者較少，本文通過手動確認(rèn)的方式完成去重工作.

2.4 數(shù)據(jù)補(bǔ)全與關(guān)鍵詞提取

論文的關(guān)鍵詞數(shù)據(jù)存在較為嚴(yán)重的缺失，需要進(jìn)行補(bǔ)全.本文采用TF-IDF算法[12]和RAKE算法[13]進(jìn)行數(shù)據(jù)補(bǔ)全和關(guān)鍵詞提取.2種算法中，TF-IDF算法能夠處理單個(gè)關(guān)鍵詞，但無法處理詞組.RAKE算法可以提取關(guān)鍵詞詞組，但無法處理單個(gè)單詞的關(guān)鍵詞.因此對于缺失關(guān)鍵詞的論文，本文結(jié)合使用RAKE算法與TF-IDF算法，從摘要中提取關(guān)鍵詞.

2.5 知識圖譜的構(gòu)建與使用

本文使用neo4j圖數(shù)據(jù)庫對論文數(shù)據(jù)進(jìn)行分析，提取數(shù)據(jù)中實(shí)體的抽象本體，分析本體之間的關(guān)系，構(gòu)建出知識圖譜的本體層，通過neo4j-import工具導(dǎo)入圖數(shù)據(jù)庫，形成知識圖譜的本體結(jié)構(gòu)圖.

使用neo4j數(shù)據(jù)庫構(gòu)建并保存知識圖譜后，可以使用CYPHER查詢語言對圖中的數(shù)據(jù)進(jìn)行查詢.CYPHER查詢語言中，使用MATCH語句選取節(jié)點(diǎn)，并根據(jù)關(guān)系邊對圖進(jìn)行搜索，WHERE語句對選取的節(jié)點(diǎn)進(jìn)行過濾，最后RETURN語句返回選中的節(jié)點(diǎn).

3 學(xué)術(shù)數(shù)據(jù)統(tǒng)計(jì)分析

基于已經(jīng)構(gòu)建好的知識圖譜，使用2.5節(jié)介紹的查詢語言來查詢數(shù)據(jù).后續(xù)使用的數(shù)據(jù)同時(shí)來源于學(xué)術(shù)微信公眾號：安全張之家.

3.1 安全4大頂級會議數(shù)據(jù)統(tǒng)計(jì)分析

3.1.1 國內(nèi)機(jī)構(gòu)數(shù)據(jù)統(tǒng)計(jì)分析

截至2022年12月，中國大陸的機(jī)構(gòu)在安全領(lǐng)域4大頂級會議上參與發(fā)表了共計(jì)512篇文章.其中ACM CCS上發(fā)表201篇、NDSS上發(fā)表80篇、USENIX Security上發(fā)表152篇、IEEE S&P上發(fā)表79篇，如表1所示：

表1 安全領(lǐng)域4大頂級會議我國歷年發(fā)文數(shù)量統(tǒng)計(jì)

從表1可以看出，我國機(jī)構(gòu)2013年以前總計(jì)參與發(fā)表12篇論文，說明在2013年以前我國在安全領(lǐng)域的研究還處于摸索階段.

2013年后，我國安全領(lǐng)域的研究水平有了一定的提升，說明越來越多的國內(nèi)學(xué)者開始關(guān)注安全領(lǐng)域的問題，從2018年開始進(jìn)入了爆發(fā)式增長的階段，最近2年的發(fā)文數(shù)量均穩(wěn)定在100篇以上.

安全領(lǐng)域4大頂級會議參與發(fā)文數(shù)量前10的我國機(jī)構(gòu)如表2所示.從表2可以看出，清華大學(xué)和浙江大學(xué)發(fā)文數(shù)量領(lǐng)先，這也反映出這2所院校在安全領(lǐng)域雄厚的科研實(shí)力.

圖1 3大密碼會歷年參與發(fā)文數(shù)量統(tǒng)計(jì)

3.1.2 國內(nèi)學(xué)者數(shù)據(jù)統(tǒng)計(jì)分析

以上統(tǒng)計(jì)了國內(nèi)學(xué)者在安全領(lǐng)域4大頂級會議上參與發(fā)文數(shù)量.表3示出我國學(xué)者在安全領(lǐng)域4大頂級會議上發(fā)文數(shù)量前10學(xué)者.按照參與發(fā)表數(shù)量多少排序，若參與發(fā)文數(shù)量一致，則按照學(xué)者署名的英文字符串排序.僅統(tǒng)計(jì)同時(shí)是中國大陸學(xué)者且以中國大陸機(jī)構(gòu)發(fā)文的數(shù)據(jù)：

表2 安全領(lǐng)域4大頂級會議參與發(fā)文數(shù)量前10機(jī)構(gòu)

表3 安全領(lǐng)域4大頂級會議參與發(fā)文數(shù)量前10學(xué)者

本文對學(xué)者楊珉在復(fù)旦大學(xué)參與發(fā)文數(shù)量的占比情況作了統(tǒng)計(jì).發(fā)現(xiàn)截至2022年12月復(fù)旦大學(xué)共在4大頂級會議上參與發(fā)表45篇論文，學(xué)者楊珉?yún)⑴c發(fā)表的論文占比為73.3%.可見楊珉對于復(fù)旦大學(xué)在安全領(lǐng)域的研究作出了很大的貢獻(xiàn).

3.1.3 4大頂級會議研究趨勢分析

通過以上統(tǒng)計(jì)分析發(fā)現(xiàn)：

1) 軟件與系統(tǒng)安全仍然是目前安全領(lǐng)域的熱門研究方向，并且增長趨勢大于網(wǎng)絡(luò)安全、漏洞利用與分析；

2) 漏洞分析與利用研究方向雖然熱度不及網(wǎng)絡(luò)安全和軟件與系統(tǒng)安全，但是上升趨勢比較穩(wěn)定.

3.2 密碼學(xué)3大頂級會議數(shù)據(jù)統(tǒng)計(jì)分析

3.2.1 我國機(jī)構(gòu)發(fā)文數(shù)量統(tǒng)計(jì)分析

截至2022年12月，我國機(jī)構(gòu)在3大密碼會上共參與發(fā)表255篇論文.其中在亞密會參與發(fā)表122篇、歐密會參與發(fā)表55篇、美密會參與發(fā)表78篇.最早在1988年就有我國機(jī)構(gòu)在3大密碼會上參與發(fā)表論文，可見密碼學(xué)領(lǐng)域的發(fā)展相較于安全領(lǐng)域起步要早.各個(gè)會議的統(tǒng)計(jì)數(shù)據(jù)如圖1所示.

我國機(jī)構(gòu)從2005年開始，在3大密碼會上參與發(fā)文數(shù)量逐漸上升，并達(dá)到了一個(gè)新的高度.2012年以后，在3大密碼會上參與發(fā)文數(shù)量明顯增加.可能是因?yàn)閺狞h的十八大開始，黨中央和國務(wù)院對信息安全領(lǐng)域高度重視，先后設(shè)立了多個(gè)部門和機(jī)構(gòu)，極大地促進(jìn)了密碼學(xué)和信息安全的發(fā)展.

我國機(jī)構(gòu)在3大密碼學(xué)會議上發(fā)文數(shù)量前10的機(jī)構(gòu)如表4所示.在密碼學(xué)領(lǐng)域，中國科學(xué)院和清華大學(xué)處于領(lǐng)先.相較于安全4大頂級會議的參與發(fā)文前10機(jī)構(gòu)，密碼學(xué)領(lǐng)域起步更早，但在總數(shù)上并沒有超過4大頂級會議發(fā)文的數(shù)量.

表4 3大密碼會議參與發(fā)文前10機(jī)構(gòu)

3.2.2 國內(nèi)學(xué)者數(shù)據(jù)統(tǒng)計(jì)分析

表5示出國內(nèi)在3大密碼會上發(fā)文數(shù)量的前10學(xué)者.規(guī)則同3.1.2節(jié).

表5 3大密碼會議參與發(fā)文前10學(xué)者

來自上海交通大學(xué)的學(xué)者郁昱在密碼學(xué)3大會議參與發(fā)表了16篇文章，前3位學(xué)者的參與發(fā)文數(shù)量非常接近.郁昱在上海交通大學(xué)所有密碼學(xué)3大會議參與發(fā)文的數(shù)量占比為36.3%，在密碼學(xué)領(lǐng)域中，該占比已經(jīng)很高，極大地推動了上海交通大學(xué)在密碼學(xué)領(lǐng)域的發(fā)展.

3.2.3 密碼學(xué)研究趨勢分析

關(guān)于國際上密碼學(xué)領(lǐng)域最常出現(xiàn)的前20個(gè)關(guān)鍵詞的增長趨勢分析如表6所示.從表6可知：

1) quantum,lattice cryptography,zero know-leadge等領(lǐng)域上升趨勢明顯；

2) 關(guān)于public-key encryption,signature等領(lǐng)域的相關(guān)論文數(shù)較為穩(wěn)定，依然有大量的研究；

3) RSA,Discrete Logarithm以及stream cipher等舊的研究領(lǐng)域，相關(guān)論文呈現(xiàn)下降趨勢，說明這些領(lǐng)域的研究已經(jīng)較為成熟，其應(yīng)用研究也較為穩(wěn)定.

除此之外，國內(nèi)一作論文中，最多的關(guān)鍵詞為hash function,MILP等.

表6 密碼學(xué)領(lǐng)域關(guān)鍵詞趨勢分析

3.3 綜合分析

本文還統(tǒng)計(jì)了在7大會議上參與發(fā)文數(shù)量最多的前10個(gè)國家.其中在3大密碼會議上，前3的國家分別是美國、法國和以色列.中國排在第11位.在安全4大頂級會議上，發(fā)文數(shù)量前3的國家分別是美國、德國和中國.

美國不論在4大安全頂級會議還是3大密碼會議上，相較于其他國家都有著巨大的優(yōu)勢.在4大頂級會議上，美國參與發(fā)表論文的總數(shù)在全球參與發(fā)表論文總數(shù)的占比超過50%.

在7大會議的綜合學(xué)術(shù)數(shù)據(jù)中，參與發(fā)文前10的我國機(jī)構(gòu)如表7所示.從表7發(fā)現(xiàn)：

1) 在前10的機(jī)構(gòu)中，有些機(jī)構(gòu)在安全領(lǐng)域和密碼學(xué)領(lǐng)域的成果分布比較均勻.例如中國科學(xué)院大學(xué)在密碼學(xué)3大會議參與發(fā)表論文數(shù)占其在7大頂級會議上發(fā)表論文數(shù)的48.8%.

2) 有些機(jī)構(gòu)在安全領(lǐng)域或者密碼學(xué)領(lǐng)域其中的一個(gè)領(lǐng)域成果較多.例如浙江大學(xué)在安全4大頂級會議上參與發(fā)文數(shù)量占其在7大頂級會議參與發(fā)表論文數(shù)的96.4%；密碼學(xué)國家重點(diǎn)實(shí)驗(yàn)室在3大密碼會議上參與發(fā)表論文數(shù)占其在7大會議參與發(fā)表論文總數(shù)的84.0%.

綜合7大會議的學(xué)者數(shù)據(jù)，來自復(fù)旦大學(xué)的學(xué)者楊珉以在7大會議參與發(fā)表33篇名列第一.值得注意的是學(xué)者楊珉的33篇論文均發(fā)表在安全4大頂級會議上.

表7 7大會議參與發(fā)文數(shù)量前10機(jī)構(gòu)

3.4 結(jié)論與啟示

從國家角度來看，可以得到以下結(jié)論：

1) 我國在安全領(lǐng)域的研究起步雖然比較晚，但是成果產(chǎn)出比較高效，這充分說明我國對于安全領(lǐng)域研究的重視，也說明了安全領(lǐng)域是一個(gè)研究的熱門領(lǐng)域.

2) 我國在密碼學(xué)領(lǐng)域的研究起步較早，但是成果產(chǎn)出沒有安全領(lǐng)域的高效.密碼學(xué)領(lǐng)域的研究和我國的國家信息安全密切相關(guān)，因此密碼學(xué)領(lǐng)域仍然是一個(gè)非常有價(jià)值的研究領(lǐng)域.

3) 在國際上雖然我國在安全領(lǐng)域已經(jīng)進(jìn)入前3，但是和美國相比還有很大的差距，還需要不斷地努力.值得注意的是，我國在增長速度上是國際上最快的.

從機(jī)構(gòu)的數(shù)據(jù)來看可以得到以下結(jié)論：

1) 在7大會議上，我國前10機(jī)構(gòu)在安全領(lǐng)域的成果產(chǎn)出分化明顯，相對而言在密碼學(xué)領(lǐng)域的成果產(chǎn)出差距較?。?/p>

2) 不同的機(jī)構(gòu)對于安全領(lǐng)域和密碼學(xué)領(lǐng)域的關(guān)注程度不同，這可能與機(jī)構(gòu)最初設(shè)立的目標(biāo)、機(jī)構(gòu)內(nèi)研究人員擅長的領(lǐng)域、資源分配、機(jī)構(gòu)的發(fā)展歷程有很大關(guān)系.

從學(xué)者的角度來看可以得到以下結(jié)論：

1) 大多數(shù)學(xué)者注重合作的科研方式.隨著當(dāng)前領(lǐng)域研究的不斷深入，完成一項(xiàng)優(yōu)秀的工作所需的精力、時(shí)間、智力都在增加.因此合作更能夠高效地完成優(yōu)秀的科研工作.

2) 有些學(xué)者的參與發(fā)文數(shù)量在其所在機(jī)構(gòu)的發(fā)文數(shù)量中占比非常高，反映出該學(xué)者對于所在機(jī)構(gòu)該領(lǐng)域的研究有非常重要的推進(jìn)作用.

從研究趨勢來看可以得到以下結(jié)論：

1) 在4大頂級會議上，軟件與系統(tǒng)安全仍然是研究的熱門方向，但是模糊測試、區(qū)塊鏈和機(jī)器學(xué)習(xí)領(lǐng)域的安全問題正在成為新興的研究方向.

2) 在密碼學(xué)領(lǐng)域，公鑰加密、簽名算法等領(lǐng)域仍然是研究的熱門方向.但是零知識證明、量子密碼等領(lǐng)域上升趨勢明顯，而RSA和流密碼領(lǐng)域則呈現(xiàn)下降趨勢.

4 總結(jié)與展望

本文實(shí)現(xiàn)了安全領(lǐng)域4大頂級會議和3大密碼會議知識圖譜的提取構(gòu)建流程，并基于密碼學(xué)領(lǐng)域的頂級會議文獻(xiàn)，構(gòu)建了專業(yè)學(xué)術(shù)知識圖譜，同時(shí)對7大會議的學(xué)術(shù)數(shù)據(jù)進(jìn)行了詳細(xì)分析，為研究人員了解我國安全領(lǐng)域和密碼學(xué)領(lǐng)域研究水平提供了參考.本文工作填補(bǔ)了安全領(lǐng)域4大頂級會議和密碼學(xué)領(lǐng)域?qū)W術(shù)知識圖譜的空白，有助于未來的學(xué)術(shù)研究.