随着互联网技术的发展,网络空间安全形势也日益严峻,严重影响国家安全和社会稳定。构建面向网络安全领域的知识图谱,可以从海量碎片化的网络安全数据中挖掘出有价值的安全信息,进一步帮助决策者分析网络安全事件。其中,实体抽取技术是知识图谱构建中的重要一环,而现有网络安全领域实体抽取技术相关的中文数据集稀少,本体模型定义不够全面,实体抽取效果仍有待提升。因此,本文主要对网络安全领域知识图谱构建技术中的实体抽取技术开展研究,具体工作和创新内容如下:第一,设计了网络安全领域的本体模型。本文参考了结构化威胁情报表达STIX2.0和统一网络安全本体UCO1.0,并结合了实际的网络安全文本的实体类别构建了包括攻击方式、防御措施、恶意软件、软件、攻击者、漏洞等网络安全领域本体。第二,搜集大量网络安全领域文本数据并构建了相关数据集,以解决网络安全领域实体抽取任务数据集稀缺的问题。本文构建了爬虫自动化爬取网络安全文本,并进行清洗,同时建立了网络安全词典,然后根据网络安全本体模型对数据进行人工标注,构建了网络安全语料训练数据1万余条。第三,提出了Security BERT-SWLE-Bi LSTM-Att-CRF实体抽取模型。首先模型针对网络安全领域进行预训练,得到Security BERT模型。其次提出了网络安全词级增强（SWLE）方法,融合了词语级信息,提高实体边界确定和实体识别能力。接着引入Bi LSTM模型和自注意力机制来捕捉上下文语义和增强局部关键信息。最后使用CRF模型进行序列标注实现网络安全实体抽取。第四,针对单任务实体抽取中标签分类多、实体识别不准确的问题,本文借鉴了多任务学习的思想,在单任务模型基础上,提出了多任务联合学习模型。该模型同时进行实体分词以及实体类别判断任务,最后在输出层进行标签融合。实验结果表明,本文模型相比其他传统方法在精确率、召回率和F1值上取得最佳效果,能有效地从网络安全文本数据中抽取网络安全实体。