Cyber-physical risk modeling with imperfect cyber-attackers
我们建模的恶意网络攻击者寻求诱导电网不安全的负载重新分配攻击的手段所带来的风险，同时明确承认，这样的演员将合理地基于其决策策略的不完善的信息。更具体地说，我们引入了一种新的制定网络攻击者的决策问题，并分析了随机不准确的数据对电网分支导纳或容量的决定的分布，以及它们各自的影响的分布。我们的研究结果表明，不准确的准入值最常导致次优的网络攻击，仍然危及电网安全，而不准确的容量值导致明显不太有效的攻击。我们还发现，在所有（随机）不完善的网络攻击之间，存在常见的受攻击网络资产和常见的受影响物理资产，可以在预防和/或纠正意义上利用这些资产进行有效的网络物理风险管理。
2021-10-01 cs.CR cs.SY eess.SY
Cyber Deception Reactive: TCP Stealth Redirection to On-Demand Honeypots
本文提出一种基于TCP隐蔽重定向的按需蜜罐欺骗机制，通过将攻击者无缝重定向至受害资产的克隆体来保护真实资产并收集威胁情报，实验证明其延迟低到难以被人类或机器察觉。
2024-02-20 cs.CR cs.NI cs.PF
Cybersecurity through Entropy Injection: A Paradigm Shift from Reactive Defense to Proactive Uncertainty
本文提出熵注入网络安全范式，通过向安全机制注入随机性提升不可预测性，分析其理论基础、实际实现（如ASLR、MTD）及挑战，结果显示能显著降低攻击概率（超90%），实现从被动防御到主动不确定性管理的转变。
2025-04-15 cs.CR
Optimal Attack against Cyber-Physical Control Systems with Reactive Attack Mitigation
Advanced Digital Sciences Center, Illinois at Singapore（伊利诺伊大学新加坡先进数字科学中心）；GovTech Singapore（新加坡政府科技局）；Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
本文研究了具有攻击检测和反应式攻击缓解的网络物理控制系统性能与韧性，通过马尔可夫决策过程设计最优攻击序列以最大化状态估计误差，验证了攻击影响的极限，并通过电网电压控制系统仿真验证了攻击序列设计的有效性。
2017-06-06 cs.CR cs.IT cs.SY
Time Stepped Cyber Physical Simulation of DoS, DoD, and FDI Attacks on the IEEE 14 Bus System
Washington State University Tri-Cities（华盛顿州立大学三城分校）
本文基于MATPOWER构建时间步长仿真框架，评估DoS、DoD和FDI攻击对IEEE 14节点系统的影响，揭示不同攻击对电网运行的破坏作用及网络攻击引发的不稳定性问题。
2026-02-28 cs.CR cs.SY eess.SY
Performance and Resilience of Cyber-Physical Control Systems with Reactive Attack Mitigation
University of Warwick（华威大学）；Oracle India Pvt. Ltd.（甲骨文印度私人有限公司）；GovTech Singapore（新加坡政府科技局）；Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文研究了在电力系统中具有攻击检测和反应式攻击缓解的线性网络物理控制系统（CPCS）的性能和韧性，通过推导最优的虚假数据注入攻击序列以最大化电力系统的状态估计误差，提出基于马尔可夫决策过程（MDP）的攻击设计方法，并通过PowerWorld进行仿真验证，分析攻击检测和缓解对系统性能的影响。
2019-04-20 cs.CR cs.IT cs.SY
Application of Cybernetics and Control Theory for a New Paradigm in Cybersecurity
当前网络安全研究和技术的一个重要局限性是其反应性和应用性。这导致了攻击者扫描网络、开发漏洞和攻击系统的连续“网络周期”，防御者检测攻击、分析漏洞和修补系统。这种反应性的性质使敏感系统非常容易受到攻击，由于未修补的系统和未检测到的漏洞。目前的一些研究试图通过引入实现移动目标防御的系统来解决这一主要限制。然而，这些想法通常是基于直觉，即移动目标防御将使攻击者更难找到和扫描易受攻击的系统，而不是基于理论数学基础。由于持续缺乏开发更安全系统的基础科学和原则，人们对建立“网络安全科学”的兴趣越来越大。本文介绍了使用控制论的概念，控制论，控制理论，系统理论，信息论和博弈论应用于监管系统的跨学科方法，作为发展网络安全原则的基础方法。它从防御的角度探讨了控制论在网络安全中的潜在应用，同时提出了攻击性应用的潜在用途。此外，本文还介绍了建立非平稳系统的基本原理，这是一种比移动目标防御更通用的解决方案。最后，本文讨论了移动目标防御的局限性和一种基于非平稳原理的实现方法。
2013-11-01 cs.CR
Designing Robust Cyber-Defense Agents with Evolving Behavior Trees
Vanderbilt University（范德堡大学）
本文提出演化行为树方法，结合学习组件设计稳健可解释的网络防御智能体，在模拟环境中有效缓解威胁并增强网络可见性。
2024-10-21 cs.AI cs.CR cs.LG
An Argumentation-Based Reasoner to Assist Digital Investigation and Attribution of Cyber-Attacks
Imperial College London（帝国理工学院）
我们预计网络攻击的频率和严重程度会增加，同时需要有效的安全对策。确定网络攻击的原因有助于制定有效和有针对性的缓解和预防安全措施。在这项工作中，我们提出了一种基于论证的推理机（ABR）作为概念验证工具，可以在法医证据分析和归因过程中帮助法医分析师。鉴于从网络攻击中收集的证据，我们的推理机可以在调查过程中帮助分析师分析证据并确定谁进行了攻击。此外，它通过提示缺失的证据或新的调查路径，向分析师建议进一步分析的重点。ABR是第一个可以在网络攻击分析中结合技术和社会证据的自动推理器，也可以处理不完整和相互冲突的信息。为了说明ABR如何帮助分析和归因网络攻击，我们使用了公开报告和在线文献中报告的网络攻击及其分析的示例。我们并不打算同意或不同意其中提出的分析或得出归因结论。
2020-01-21 cs.AI cs.CR
A Theory of Hypergames on Graphs for Synthesizing Dynamic Cyber Defense with Deception
Worcester Polytechnic Institute（伍斯特理工学院）
在这一章中，我们提出了一种方法，使用形式化的方法来综合反应式防御策略的赛博网络，配备了一套诱饵系统。我们首先推广正式的图形安全模型-攻击图-将防御者的对策在博弈论模型，称为攻击-防御游戏图。这个游戏以形式逻辑捕捉防御者和攻击者之间的动态交互以及他们的防御/攻击目标。然后，我们引入了一类超对策模型的攻击者和防御者的互动中的诱饵所产生的信息不对称。给出了形式逻辑中的定性安全规范，我们证明了形式方法中的超博弈和反应合成的解决方案概念可以扩展到使用网络欺骗来合成有效的动态防御策略。该策略利用攻击者的错误感知来保证安全性，而当信息对称时，这可能是不满足的。
2020-08-07 cs.AI cs.CR cs.GT
Power Grid Cybersecurity: Policy Analysis White Paper
针对美国电网网络安全政策零散被动的问题，提出加强信息共享与标准化网络卫生的双重政策，并建议统一框架协调标准，以提升即时与长期防护。
2025-10-16 cs.CR
Proportionate Cybersecurity for Micro-SMEs: A Governance Design Model under NIS2
针对微型中小企业网络安全脆弱且合规负担重的问题，本文基于意识优先逻辑和欧盟经验构建七维度预防架构模型，对照多项欧盟法规明确其监管适配性，提出提高意识是补充合规的关键手段并给出政策启示。
2025-11-18 cs.CR cs.CY
Cybonto: Towards Human Cognitive Digital Twins for Cybersecurity
University of Arizona（亚利桑那大学）
网络防御是反应性和缓慢的。平均而言，补救时间是妥协时间的数百倍。为了应对日益复杂的威胁形势，数字孪生（DT），特别是人类数字孪生（HDT）提供了跨多个知识领域运行大规模模拟的能力。模拟结果可以提供对对手行为和战术的深入了解，从而制定更好的主动网络防御策略。本文首次通过Cybonto概念框架提案巩固了DT和HDT对网络安全的愿景。本文还贡献了Cybonto本体，正式记录了108个结构和数千个基于20个经过时间考验的心理学理论的认知相关路径。最后，本文应用了20个网络中心性算法对108个结构进行了分析。确定的十大结构要求扩展当前的数字认知架构，为DT的未来做准备。
2021-08-05 cs.AI cs.CR
Quantifying Cybersecurity Effectiveness of Dynamic Network Diversity
部署单一文化的软件栈可能会产生毁灭性的后果，因为一次攻击就可能危及网络空间中所有易受攻击的计算机。这种“一个漏洞影响所有人”的现象将持续到软件栈多样化之后，这一点已被研究界所公认。然而，现有的研究主要集中在调查软件多样性在构建块级别的有效性（例如，两个独立的实现是否确实表现出独立的脆弱性）;实施网络范围的软件多样性的有效性很少被理解，尽管其在可能帮助证明软件多样化投资的合理性方面的重要性。作为最终解决这一问题的第一步，我们提出了一个系统的框架，用于建模和量化网络多样性的网络安全有效性，包括一套网络安全指标。我们还提出了一个基于代理的模拟实证证明框架的有用性。我们得出了一些见解，包括令人惊讶的结果，即主动多样性在非常特殊的情况下是有效的，但反应适应多样性在大多数情况下更有效。
2021-12-15 cs.CR
Cyber Sentinel: Exploring Conversational Agents in Streamlining Security Tasks with GPT-4
本文提出 Cyber Sentinel 对话系统，通过链式 GPT-4 与提示工程解释网络威胁并执行安全响应，提升透明度与决策效率。
2023-09-28 cs.CR
Fundamental Challenges in Cybersecurity and a Philosophy of Vulnerability-Guided Hardening
本文从哲学视角提出首个网络安全理论，阐明无法对软件系统安全性做出可靠论断的根本原因，并引入漏洞引导式加固的哲学以应对这些挑战。
2024-09-03 cs.CR cs.SE
What is Cybersecurity in Space?
该研究针对太空关键设施缺乏现代网络威胁抵御能力的问题，梳理11项研究空白，提出多智能体AI防御方法，并给出五年路线图，推动太空网络安全向主动弹性防御转型。
2025-09-05 cs.CR
Agentic AI Cybersecurity Framework
University of Colorado Denver（科罗拉多大学丹佛分校）；ATLAS Institute, University of Colorado Boulder（阿特拉斯研究所，科罗拉多大学博尔德分校）
针对传统被动网络防御的不足，提出Agentic AI网络安全框架（AACF），利用智能体实现自主、自适应防御，支持主动威胁检测与协调响应，奠定智能安全基础设施基础。
2026-09-24 cs.CR
An Innovative Security Strategy using Reactive Web Application Honeypot
如今，Web应用程序已成为行业中最流行的应用程序，大多数组织的关键数据都是使用Web应用程序存储的。因此，Web应用程序成为各种网络攻击的更大目标，这些攻击包括数据库注入-SQL注入，PHP对象注入，模板注入，XML外部实体注入，未经消毒的输入攻击-跨站点脚本（XSS）等等。在众多的解决方案中，Web应用程序蜜罐是一种复杂而强大的保护机制。在本文中，我们提出了一个低交互，自适应，动态的Web应用程序蜜罐，通过HTTP事件模仿漏洞。蜜罐是用SNARE和TANNER构建的; SNARE创建攻击面并将请求发送给TANNER，TANNER评估它们并决定SNARE应该如何响应请求。TANNER是一个分析和分类工具，它分析和评估由SNARE提供的HTTP请求，并组成响应，它由模拟器提供支持，模拟器是用于模拟漏洞的引擎。
2021-05-11 cs.CR
An Interview Study on Third-Party Cyber Threat Hunting Processes in the U.S. Department of Homeland Security
本文通过对美国国土安全部11名威胁狩猎者的访谈研究，首次记录了第三方网络威胁狩猎的实践流程、挑战与解决方案，并为团队改进及未来研究方向提供了建议。
2024-02-19 cs.CR cs.SE
BARTPredict: Empowering IoT Security with LLM-Driven Cyber Threat Prediction
Badji Mokhtar-Annaba University（巴吉·穆克塔尔-安纳巴大学）；University of La Rochelle（拉罗谢尔大学）；National Higher School of Technology and Engineering -Annaba（安纳巴国家技术与工程高等学校）
本文提出BARTPredict框架，结合微调的BART和BERT大语言模型主动预测并识别物联网网络中的恶意流量，在CICIoT2023数据集上取得98%准确率，实现了从被动检测到主动预测的转变。
2025-01-03 cs.AI cs.CR
Learning About Simulated Adversaries from Human Defenders using Interactive Cyber-Defense Games
本文提出使用对抗算法和交互式网络防御游戏（IDG）研究防御者学习策略，发现参与者能学会预判Beeline对手并增加主动防御，为加速网络安全分析师训练提供了启示。
2023-04-03 cs.CR cs.HC
Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
Badji Mokhtar Annaba University（巴吉·穆克塔尔·安纳巴大学）；University of La Rochelle（拉罗谢尔大学）；National Higher School of Technology and Engineering（国家技术与工程高等学院）
本研究提出一种结合LLMs与LSTM的主动网络入侵预测框架，利用微调GPT预测流量、微调BERT评估预测，并由LSTM识别恶意数据包，在CICIoT2023数据集上达到98%准确率，有效提升IoT网络安全。
2024-08-26 cs.AI cs.CR
The Role of Deep Learning in Advancing Proactive Cybersecurity Measures for Smart Grid Networks: A Survey
Hamad Bin Khalifa University（哈马德·本·哈利法大学）
该综述系统梳理了深度学习驱动的智能电网主动网络防御技术，提出分类法并分析关键方法、移动目标防御、基准数据集及部署挑战，填补了该领域缺乏全面探索的空白。
2024-01-11 cs.CR cs.LG cs.NI
CGraph: Graph Based Extensible Predictive Domain Threat Intelligence Platform
有效调查网络攻击中涉及的危害指标和相关网络资源的能力不仅对于识别受影响的网络资源而且对于检测相关恶意资源至关重要。今天，大多数网络威胁情报平台都是被动的，因为它们只能在攻击实施后才能识别攻击资源。此外，这些系统具有有限的调查相关联的网络资源的功能。在这项工作中，我们提出了一个名为cGraph的可扩展预测网络威胁情报平台，以解决上述限制。cGraph是一个图形优先的系统，研究人员可以利用基于图形的API来探索网络资源。此外，cGraph提供基于最先进的推理算法的实时预测能力，以从具有一些已知的恶意和良性种子的网络图中预测恶意域。据我们所知，cGraph是唯一这样做的威胁情报平台。cGraph是可扩展的，因为附加的网络资源可以透明地添加到系统中。
2022-02-16 cs.CR
Qualitative Planning in Imperfect Information Games with Active Sensing and Reactive Sensor Attacks: Cost of Unawareness
我们考虑的概率规划问题，代理（称为玩家1，或P1）可以联合计划的控制动作和传感器查询在传感器网络和攻击者（称为玩家2，或P2）可以对传感器进行攻击。我们使用一个正式的模型来模拟这样的对抗性交互--一个具有部分可控观测函数的可达性游戏。本文的主要贡献是评估P1的不知情的成本：假设P1误解的传感器故障的概率节点故障，由于不可靠的网络通信，和P2知道P1的误解，除了她的部分可观测性。然后，P2可以从哪些状态执行传感器攻击，以概率1确保P1将无法完成她的可达性任务，即使由于误解，P1认为她几乎可以肯定地完成她的任务。我们开发了一个算法来解决几乎肯定会赢的传感器攻击策略P1的观察为基础的战略。我们的攻击分析可用于无线通信网络中的攻击检测和网络物理系统的决策理论模型中可证明安全的攻击感知传感器分配的设计。
2021-05-02 cs.CR cs.FL cs.GT
AI-Based Vulnerability Assessment Capability and Cyber Attack Graph Analysis
Aalto University School of Science（阿尔托大学理学院）；Lockheed Martin（洛克希德·马丁）
针对传统防御无法应对复杂网络威胁的问题，本文结合Vortex/Crow框架与概率攻击图模型两种AI方法，经乌克兰电网攻击场景验证，可有效识别攻击路径、定位关键防御目标并辅助优先级决策。
2026-09-28 cs.CR
PhishLumos: An Adaptive Multi-Agent System for Proactive Phishing Campaign Mitigation
Tokyo Metropolitan University（东京都立大学）；NTT Security Holdings Corporation & NTT, Inc.（NTT安全控股公司与日本电信电话株式会社）
提出PhishLumos自适应多智能体系统，利用大语言模型智能体分析共享基础设施，在专家确认前一周主动识别钓鱼活动，实现从被动URL拦截到主动活动缓解的转变。
2026-05-31 cs.CR
DOLOS: A Novel Architecture for Moving Target Defense
针对移动目标防御开销高、网络欺骗易被识别的问题，本文提出 DOLOS 架构，通过多层隔离将随机化、多样性、冗余与欺骗融入生产系统，并在多类攻击者评估中验证其防护效果。
2023-09-27 cs.CR cs.CY
GenDetect: Generalizing Reactive Detection for Resilience Against Imitative DeFi Attack Cascade
University of Minnesota（明尼苏达大学）；Xi’an Jiaotong University（西安交通大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Zhejiang University（浙江大学）
针对DeFi攻击连锁中的模仿行为，GenDetect通过抽象函数语义和匹配交易逻辑，实现高精度检测，发现56个此前未被发现的攻击。
2026-04-28 cs.CR cs.SE
ISADM: An Integrated STRIDE, ATT&CK, and D3FEND Model for Threat Modeling Against Real-world Adversaries
University of New South Wales (UNSW)（新南威尔士大学）；Bangladesh University of Business and Technology (BUBT)（孟加拉商业与技术大学）；Anchoram’s Cyber Security Practice（Anchoram网络安全实践）；RMIT University（皇家墨尔本理工大学）
ISADM是一种整合STRIDE、ATT&CK和D3FEND的威胁建模方法，用于提升金融科技对现实世界对手的防御能力。
2025-12-21 cs.CR
Modeling and Analysis of Integrated Proactive Defense Mechanisms for Internet-of-Things
作为一种保护和防御系统免受内部攻击的解决方案，许多入侵检测系统（IDS）已经被开发出来，以识别和响应他们，以保护系统。然而，IDS的核心思想本质上是一种反应机制，即使它检测到系统中已经存在的入侵。因此，反应机制将远远落后于敏捷和聪明的攻击者所采取的行动，并且无效。由于入侵检测系统的固有局限性，入侵防御系统（IPS）已经开发出来，以阻止潜在的攻击者和/或减轻入侵的影响之前，他们渗透到系统中。在本章中，我们介绍了一种集成防御机制，通过利用网络欺骗技术（即，诱饵系统）和移动目标防御，即MTD（即，网络拓扑重排）。此外，我们验证他们的有效性和效率的基础上设计的图形安全模型（GSM）为基础的评估框架。为了开发一个自适应的，主动的入侵防御机制，我们采用适应度函数的基础上的遗传算法，以确定一个最佳的网络拓扑结构，网络拓扑结构可以洗牌的基础上检测到的系统漏洞的水平。我们的仿真结果表明，基于遗传算法的洗牌计划优于随机洗牌计划的攻击路径的数量对诱饵目标。此外，我们观察到系统寿命（即，平均安全失败时间）和防御成本所提出的MTD技术的固定和自适应洗牌方案。也就是说，基于固定GA的混洗可以以更多的成本实现更高的MTTSF，而基于自适应GA的混洗以更少的成本获得更少的MTTSF。
2019-08-01 cs.CR
LLM: LSTM Look-Ahead Moving Target Defense Based on Historical Malicious Scan
提出LLM方法，利用LSTM网络预测攻击者可能扫描的目标地址，结合集成学习和动态变异机制，提升IP shuffling的安全性和降低开销。
2026-06-16 cs.CR
