随着信息技术的飞速发展和计算机等信息设备的广泛应用,人类社会已经步入了信息时代。与此同时,随之伴生的网络安全问题也给国家安全和社会发展带来潜在的威胁和损失,如何在信息时代保障网络空间安全成为了学术界和工业界关注的重要问题。近年来,通过知识表示方法,将网络安全领域中漏洞、资产、攻击活动等关键要素模型化,并为网络安全的态势分析、应急处置等环节提供知识支撑,逐渐成为一种有效研究手段。特别随着以谷歌知识图谱为代表的相关技术快速的发展,网络安全领域开始引入知识图谱对网络安全知识进行表示,而实现准确命名实体识别是构建知识图谱的重要前置环节。相关研究发现,传统命名实体识别方法在应对网络安全这一专门领域时存在一些不足,如基于隐马尔可夫模型的命名实体识别算法使用条件严格,由于大部分网络安全语句并不符合马尔可夫性,导致命名实体识别效果差。针对上述问题,本文重点研究解决网络安全领域的命名实体识别准确性问题,主要工作包括:首先,本文分析了将Bert模型用于网络安全领域命名实体识别的缺点,针对Bert模型参数量大的问题,设计了改进的Bert算法。Bert算法适合解决中等长度的文本,而网络安全领域的命名实体识别主要以句子为单位作为输入,直接使用Bert算法时由于参数量大,训练时间长,效率较低。本文通过分享Encoder内部self-attention层参数的办法,减少了模型的参数,实现了Bert模型的轻量化改进。本文在MNLI和SST-2数据集上进行实验,实验结果表明,改进以后的算法模型参数降低了19.4%,而性能上基本保持不变。其次,本文使用BIOES模式对网络安全数据进行标注,将该领域的命名实体分为资产、漏洞、攻击三类。针对网络安全领域文本涉及范围大、噪声多的特点,本文设计了基于改进Bert算法的Bert-Bi LSTM-CRF模型,通过改进的Bert算法预处理、编码器、条件随机场等对网络安全领域的命名实体进行识别。最后,结合上述算法,本文设计了一个网络安全领域的命名实体识别原型系统。具体而言,该系统将Bert模块的输出作为Bi LSTM模块的输入;通过Bi LSTM模块对上一个模块的输出进行解码;Bi LSTM模块的输出又作为条件随机场模块的输入,通过条件随机场模块来对Bi LSTM模块的输出进行解码;最终完成网络安全领域的命名实体识别。该模型具有较强的特征提取能力,应用在网络安全领域的命名实体识别中可以取得良好的效果。综上,本文通过参数共享的方式改进了Bert算法,使其适用于网络安全领域命名实体识别时训练时间短、效率高;其次,设计了Bert-Bi LSTM-CRF模型,通过改进的Bert算法、编码器、条件随机场等对网络安全领域的命名实体进行识别;最后,本文设计了一个面向实际网络安全的命名实体识别原型系统。