TIJERE: A Novel Threat Intelligence Joint Extraction Model based on Analyst Expert Knowledge
Notice bibliographique
Résumé
Extracting entities and relationships from threat intelligence reports into structured formats, such as cybersecurity knowledge graphs (CKGs), is essential for automated threat analysis, detection, and mitigation. However, existing joint extraction approaches struggle with feature confusion, language ambiguity, noise propagation, and overlapping relations, leading to low accuracy and poor model performance. This paper presents TIJERE, a novel joint entity and relation extraction framework that formulates joint extraction as a multi-sequence labeling representation (MSLR) problem, where separate sequences are generated for each entity pair. TIJERE incorporates expert domain features (EDF) to enrich positional, contextual, and semantic entity representations, improving feature distinction and classification accuracy. Additionally, SecureBERT + contextual embeddings, fine-tuned for cybersecurity text, enhance named entity recognition (NER) and relation extraction (RE) by reducing language ambiguity and improving domain-specific generalization. Empirical evaluations on the curated DNRTI-JE dataset demonstrate that TIJERE achieves state-of-the-art performance, with F1-scores exceeding 0.93 for NER and 0.98 for RE, outperforming existing methods. Additionally, this paper introduces DNRTI-JE, the first publicly available jointly labeled dataset for cybersecurity entity and relation extraction, filling a crucial gap in cyber threat intelligence automation. The dataset enables reproducible research, standardized benchmarking, and facilitates the development of next-generation AI-driven cybersecurity systems. TIJERE, along with DNRTI-JE, provides a highperformance framework for structured cybersecurity intelligence extraction, with broader applications in domains such as healthcare, finance, and bioinformatics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».