Recientemente, los ataques de seguridad que ocurren en entornos de computación en el borde han surgido como un tema de investigación importante en el campo de la ciberseguridad. La computación en el borde es una tecnología de computación distribuida que expande la arquitectura existente de computación en la nube para introducir una nueva capa, la capa del borde, entre la capa de la nube y la capa del terminal de usuario. La computación en el borde tiene la ventaja de mejorar considerablemente la velocidad y eficiencia del procesamiento de datos pero, al mismo tiempo, es compleja y se producen frecuentemente varios nuevos ataques. Por lo tanto, para mejorar la seguridad de la computación en el borde, deben establecerse estrategias y políticas de seguridad efectivas e inteligentes teniendo en cuenta una amplia gama de vulnerabilidades. Los sistemas de seguridad inteligente, que han sido estudiados recientemente, proporcionan una forma de detectar y responder a amenazas de seguridad integrando las últimas tecnologías, como el aprendizaje automático y el análisis de big data. La tecnología de seguridad inteligente puede reconocer rápidamente patrones de ataque o comportamientos anormales dentro de una gran cantidad de datos y responder continuamente a nuevas amenazas a través del aprendizaje. En particular, las tecnologías basadas en el conocimiento que utilizan la ontología o la tecnología de grafos de conocimiento desempeñan un papel importante en comprender más profundamente el significado y las relaciones entre los datos de seguridad y en detectar y responder de manera más efectiva a amenazas complejas. Este estudio propuso un método para recomendar estrategias para responder a incidentes de seguridad en la computación en el borde basado en la generación automática e incrustación de grafos de conocimiento de seguridad. Se diseñó un modelo EdgeSecurity-BERT, que utiliza los últimos datos de vulnerabilidad de seguridad de la computación en el borde, para extraer entidades e información relacional. Además, se propuso un método de evaluación de vulnerabilidad de seguridad para recomendar estrategias para responder a incidentes de seguridad en la computación en el borde a través de la incrustación de grafos de conocimiento. En el experimento, la precisión de clasificación de datos de noticias de seguridad para datos comunes de vulnerabilidad y exposición fue de aproximadamente el 86% en promedio. Además, EdgeSecurityKG aplicando la similitud de vulnerabilidad de seguridad mejoró el rendimiento de Hits@10 para identificar el enlace correcto, pero el rendimiento de MR se degradó debido a la mayor complejidad. En áreas complejas, como la seguridad, la evaluación cuidadosa del rendimiento del modelo y la selección de datos son importantes. EdgeSecurityKG aplicando la similitud de vulnerabilidad de seguridad proporciona una ventaja importante para comprender las complejas relaciones de vulnerabilidad de seguridad.