Proceedings of the 1st International Workshop on Adaptive Cyber Defense
第一届适应性网络防御国际研讨会作为2021年人工智能国际联席会议的一部分举行。本次研讨会旨在分享研究成果，探讨人工智能（AI）和机器学习（ML）作为追求自适应网络防御的基础能力的独特应用。如果不广泛依赖人类专家，网络领域目前就无法得到可靠和有效的保护。熟练的网络防御人员供不应求，往往无法对网络威胁做出足够快的反应。基于人工智能和机器学习的最新进展，网络防御研究社区一直致力于通过将人工智能和机器学习技术应用于网络和非网络环境来开发新的动态和可持续的防御。弥合人工智能和网络研究人员和从业人员之间的关键差距可以加速创建半自主网络防御的努力，这些防御可以学习识别和响应网络攻击，或者与其他网络操作系统和人类专家合作发现和减轻弱点。此外，这些防御措施预计将具有自适应性，并能够随着时间的推移而发展，以阻止攻击者行为的变化，系统健康和准备状态的变化以及用户行为随时间的自然变化。该研讨会（于2021年8月19日和20日在以军事为主题的虚拟现实中举行）包括技术演示和小组讨论，重点是开放问题和潜在的研究解决方案。研讨会提交的材料由一个领域专家小组进行同行审查，会议记录包括10篇技术文章，探讨对国家和全球安全至关重要的挑战性问题。参加这次研讨会提供了新的机会，以刺激研究和创新的新兴领域的自适应和自主网络防御。
2021-08-19 cs.AI cs.CR
DefTesPY: Cyber defense model with enhanced data modeling and analysis for Tesla company via Python Language
针对特斯拉公司日益严峻的网络攻击，提出基于Python的DefTesPY网络防御模型，通过增强数据建模与分析来保护敏感信息，应对数据泄露等威胁。
2024-07-19 cs.CR
The Path To Autonomous Cyber Defense
Oak Ridge National Laboratory（橡树岭国家实验室）
针对网络攻击规模和数量激增、AI赋能攻击将加剧防御压力的问题，提出打造自主网络智能体的路径，通过自动化防御生命周期关键步骤增强防御能力。
2024-04-12 cs.AI cs.CR
Preventive and Reactive Cyber Defense Dynamics Is Globally Stable
School of Mathematics, Fudan University（复旦大学数学学院）；Department of Computer Science, University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校计算机科学系）
本文研究预防性与反应性防御对抗推式和拉式攻击的动力学，证明其在全部参数空间内全局稳定，并提出更紧的均衡界。
2016-02-19 cs.CR cs.SI cs.SY
Multi-Agent Actor-Critics in Autonomous Cyber Defense
本文探讨了多智能体Actor-Critic算法在自主网络防御中的应用，通过模拟网络攻击场景，展示了该方法在快速检测和应对网络威胁方面的有效性，提升了自主防御系统的性能。
2026-03-29 cs.AI cs.CR cs.MA
Review of Cyber-Physical Attacks and Counter Defense Mechanisms for Advanced Metering Infrastructure in Smart Grid
高级计量基础设施（AMI）是当前智能电网发展中的重要组成部分。AMI技术为电力公司提供了一种有效的方式来连续监测和远程控制智能电网组件。然而，由于其不断增长的规模和网络物理的性质，AMI一直面临着在网络和物理域的安全威胁。本文对AMI中关键的网络物理攻击和反防御机制进行了全面的综述。首先，调查了AMI中的两个攻击面，包括通信网络和智能电表。然后针对每个攻击面审查潜在的网络物理攻击。接下来，研究了攻击模型及其对智能电网的网络和物理影响，以进行比较。反防御机制，有助于减轻这些安全威胁进行了讨论。最后，总结了几个数学工具，可能有助于分析和实施的安全解决方案。
2018-05-18 cs.CR
Proceedings of the 2nd International Workshop on Adaptive Cyber Defense
Florida Institute of Technology（佛罗里达理工学院）
本文介绍第二届自适应网络防御国际研讨会，聚焦 AI/ML 支撑的动态、可持续及半自主网络防御，并汇总六篇经同行评审的技术论文。
2024-07-02 cs.AI cs.CR
Towards an Active, Autonomous and Intelligent Cyber Defense of Military Systems: the NATO AICA Reference Architecture
在未来的全球信息网格中，复杂的大规模互联系统，孤立的防御车辆，传感器和效应器，以及要求极低故障率的基础设施和系统，人类安全操作员无法轻松访问并且无法对网络攻击做出足够快的反应，需要主动，自主和智能的网络防御。网络防御的多代理系统可以为这一要求提供答案。提出了一种自主智能网络防御Agent（AICA）的概念和体系结构。首先，我们描述AICA概念的基本原理。其次，我们解释了北约IST-152研究和技术小组定义AICA参考架构（AICARA）的方法和目的。第三，我们回顾了多自治智能网络防御代理（MAICA）的一些主要特点和挑战。第四，我们描述了最初假设的AICA参考架构。然后，我们提出了我们的初步研究问题，假设和想法之一。最后，我们提出了未来的研究路线，这将有助于开发和测试AICA / MAICA的概念。
2018-06-07 cs.CR
Autonomous Intelligent Cyber-defense Agent (AICA) Reference Architecture. Release 2.0
这份报告-其先前版本的主要修订-描述了智能软件代理的参考架构，在计算和通信设备的军事网络上执行主动的，基本上自主的网络防御行动。该报告由北大西洋公约组织（NATO）研究任务组（RTG）IST-152“网络防御和弹性智能自主智能体”编写。在与技术先进的对手的冲突中，北约军事战术网络将在竞争激烈的战场上运作。敌人的软件网络代理-恶意软件-将渗透到友好的网络和攻击友好的指挥，控制，通信，计算机，情报，监视，侦察和计算机化的武器系统。为了打击他们，北约需要人工网络猎人-智能，自主，移动代理专门从事积极的网络防御。考虑到这一点，2016年，北约启动了RTG IST-152。它的目标是通过产生参考架构和技术路线图来帮助加速这些软件代理的开发和过渡到实践。本文提出了自主智能网络防御Agent（AICA）的概念和体系结构。我们描述了AICA概念的基本原理，解释了驱动AICA参考架构定义的方法和目的，并回顾了AICA的一些主要功能和挑战。
2023-03-22 cs.CR
When Autonomous Intelligent Goodware will Fight Autonomous Intelligent Malware: A Possible Future of Cyber Defense
在未来几年，军事作战的未来将包括，一方面，人工智能-优化复杂的指挥，控制，通信，计算机，情报，监视和侦察（C4 ISR）和网络，另一方面，自主智能物联网以快速的速度与自主智能物联网作战。从这个角度来看，敌军将试图禁用或干扰我们的自主物和我们复杂的基础设施和系统。我们防御系统的自主性、规模和复杂性将引发新的网络攻击策略，而自主智能恶意软件（AIM）将是其中的一部分。如果这些网络攻击成功，而人类操作员由于任务、系统或攻击的速度、规模或复杂性而没有意识到或无法做出足够快的反应，那么任务将失败，我们的网络和C4 ISR将受到严重破坏，指挥和控制将被禁用。因此，需要新的网络防御理论和技术。自主网络防御（ACyD）是一个新的研究和技术领域，由国防部门推动，以应对未来军事基础设施、系统和行动面临的威胁。它将通过成群的自主智能网络防御代理（AICA）来实现，这些代理将在我们的网络和系统中对抗AIM。本文介绍了这种网络防御技术的未来，在这一领域的技术现状和它的主要挑战。首先，我们回顾ACyD概念及其相关AICA技术的基本原理。然后，我们目前的研究成果，从北约的IST-152研究任务组的AICA参考架构。然后，我们开发了未来几年必须解决的12个主要技术挑战，以及道德和政治问题。
2019-11-25 cs.CR
Markov Decision Process For Automatic Cyber Defense
对于安全分析师来说，检测或防御网络攻击是一项挑战。此外，传统的防御部署方法需要安全分析人员在防御部署存在不确定性的情况下手动执行防御。因此，开发自动化和弹性防御部署机制以阻止新一代攻击至关重要。在本文中，我们提出了一个框架的基础上马尔可夫决策过程（MDP）和Q-学习自动生成最佳防御解决方案的网络系统状态。该框架由四个阶段组成，即模型初始化阶段、模型生成阶段、Q学习阶段和结论阶段。该模型收集真实的网络信息作为输入，然后将其构建为结构化数据。我们在模型中实现了一个Q学习过程，以学习特定状态下防御行动的质量。为了研究该模型的可行性，我们进行了仿真实验，结果表明，该模型可以降低网络系统的风险，从网络攻击。此外，实验表明，当使用不同的参数进行Q学习时，该模型表现出一定程度的灵活性。
2022-07-13 cs.CR
Cyber-Physical Security Vulnerabilities Identification and Classification in Smart Manufacturing -- A Defense-in-Depth Driven Framework and Taxonomy
本文针对智能制造中传统漏洞定义忽视物理与人员维度的问题，提出基于漏洞与防御二元性的制造专用纵深防御模型，并据此建立首个智能制造网络物理漏洞分类法，为系统与过程层面的漏洞治理提供结构化框架。
2025-06-04 cs.CR
Transforming Cyber Defense: Harnessing Agentic and Frontier AI for Proactive, Ethical Threat Intelligence
本文探讨智能体AI与前沿AI如何通过重构网络杀伤链、增强威胁情报及嵌入伦理治理，构建融合实时监控与自动化响应的主动、弹性网络防御体系。
2025-02-28 cs.CR
Towards Type Agnostic Cyber Defense Agents
Drexel University（德雷塞尔大学）
针对网络安全人才短缺问题，本文从贝叶斯博弈视角刻画攻防双方类型，并利用强化学习实证研究如何训练能抵御多类攻击者的类型无关防御智能体。
2024-12-02 cs.AI cs.CR cs.GT
Preventing Jailbreak Prompts as Malicious Tools for Cybercriminals: A Cyber Defense Perspective
Université de Sherbrooke（谢布鲁克大学）；University of Kinshasa（金沙萨大学）；Harrisburg University of Science and Technology（哈里斯堡科技大学）
本文从网络防御视角分析越狱提示对大型语言模型的威胁，揭示提示注入和上下文操纵等攻击技术及其危害，并提出高级提示分析、动态安全协议和持续模型微调等防御策略，以增强AI系统韧性。
2024-11-25 cs.CL cs.CR
The Impact of AI on the Cyber Offense-Defense Balance and the Character of Cyber Conflict
Center for Security and Emerging Technology, Georgetown University（安全与新兴技术中心，乔治城大学）
针对AI对网络领域的潜在影响，该研究通过文献回顾收集攻防优势论点及网络冲突特征论点，分析AI不同发展程度下的变化，提出44种AI影响网络攻防平衡与冲突特征的方式。
2025-04-17 cs.AI cs.CR cs.CY
Ensemble Defense System: A Hybrid IDS Approach for Effective Cyber Threat Detection
针对复杂网络攻击的检测难题，提出混合IDS框架EDS，结合特征与异常检测及SIEM工具，经多种攻击负载验证能有效检测网络威胁。
2024-01-07 cs.CR
Three Decades of Deception Techniques in Active Cyber Defense -- Retrospect and Outlook
欺骗技术已被广泛视为网络防御的游戏规则改变者。在本文中，我们回顾了从20世纪80年代末到2021年的蜜罐，蜜罐和移动目标防御中的代表性技术。这三个领域的技术相互补充，可以用来建立一个整体的欺骗为基础的防御。然而，据我们所知，还没有一个工作，提供了一个系统的回顾这三个领域都在一起，并调查他们的综合使用精心策划的欺骗。本文旨在填补这一空白。通过利用一个定制的网络杀伤链模型，可以反映当前的威胁景观和一个四层欺骗堆栈，一个二维的分类法，在此基础上的欺骗技术进行分类。分类法从字面上回答了这些技术可以破坏网络攻击活动的哪些阶段以及它们属于欺骗堆栈的哪些层。网络防御者可以使用分类法作为参考，以设计一个有组织的和全面的欺骗计划，或优先考虑欺骗工作的预算意识的解决方案。我们还讨论了实现主动和弹性网络防御的两个要点，即深度欺骗和欺骗生命周期，其中说明了几个值得注意的建议。最后，对未来的研究方向进行了展望，包括不同欺骗技术的动态集成、量化欺骗效果和欺骗运行成本、硬件支持的欺骗技术以及基于对人的因素更好理解的技术。
2021-04-08 cs.CR
Intelligent Autonomous Agents are Key to Cyber Defense of the Future Army Networks
智能自主智能体将广泛地出现在未来的战场上。智能代理的扩散是战争的新兴现实，它们将构成军事资产总额中越来越大的一部分。智能自主网络防御代理人很可能成为未来战场上的主要网络战士。初步探索确定了这样一个代理的潜在参考架构的关键功能，组件和它们的相互作用。然而，要支持一个能够在像真实战场这样复杂的环境中智能操作的智能体，这超出了人工智能的当前状态。一些困难的挑战尚待克服。与此同时，政府和学术界越来越多的研究表明，在解决一些挑战方面采取了有希望的步骤。该行业开始接受可能有助于自主智能代理技术的方法，用于陆军网络的网络防御。
2018-12-18 cs.CR
Stochastic Analysis of Cybersecurity Defense Strategies Under Single Attack Scenario
Faculty of Applied Sciences, Macao Polytechnic University（澳门理工大学应用科学学院）
针对单攻击场景，提出一种基于连续观测机制的随机框架，利用Laplace-Carson变换和首次超出理论导出防御时刻的联合检测函数，并通过马尔可夫泊松到达的边际化得到防御时刻概率密度和条件期望，实现防御时机对威胁强度的定量评估与低延迟主动防御的参数校准。
2026-05-30 cs.CR cs.SY eess.SY
Cyber Autonomy: Automating the Hacker- Self-healing, self-adaptive, automatic cyber defense systems and their impact to the industry, society and national security
University of Queensland（昆士兰大学）
本文阐述了网络自治的紧迫性以及网络安全行业目前的差距。一个新的框架，提出了四个阶段的成熟度完全网络自治将进行讨论。本文还回顾了新的和新兴的网络安全自动化技术和工具，并讨论了它们对社会的影响，感知网络安全技能差距/短缺和国家安全。我们还将讨论国家安全、人权和道德之间的微妙平衡，以及人工渗透测试行业在自动化面前的潜在消亡。
2020-12-08 cs.AI cs.CR cs.CY
CyberWorld: World Models for Sample-Efficient Autonomous Cyber Defense
本文提出CyberWorld，一种基于Dreamer风格的世界模型框架，通过学习网络潜在动力学实现样本高效的自主网络防御，在CyberWheel攻击中显著优于无模型PPO，并验证了图表示对鲁棒性和可扩展性的关键作用。
2026-09-29 cs.AI cs.CR cs.LG
Cyber-Physical Defense in the Quantum Era
网络控制系统是一种信息物理系统，它是由计算、通信和控制技术紧密集成而成。虽然是非常灵活的环境，但它们容易受到计算和网络攻击。最近的NCS黑客事件产生了重大影响。他们呼吁对网络物理安全进行更多研究。对使用量子计算来破解当前密码系统的担忧使情况变得更糟。虽然量子威胁促使人们创建新的学科来处理这个问题，比如后量子密码学，但其他领域却忽视了量子对手的存在。这就是网络物理防御研究的情况，它是网络物理保护的一个独特但互补的学科。网络物理防御是指检测和应对网络物理攻击的能力。具体而言，它涉及整合各种机制，以在事件发生期间和之后查明不良事件并制定应对计划。在本文中，我们假设最终可用的量子计算机将为对手提供对抗防御者的优势，除非他们也采用这种技术。我们设想了范式转变的必要性，即由于量子霸权而增加的对抗资源不会转化为更高的破坏可能性。与其他领域当前的系统设计实践相一致，例如使用人工智能来加强攻击检测工具，我们概述了利用量子计算和机器学习思想的下一代网络物理防御层的愿景。通过一个例子，我们表明，网络控制系统的防御者可以学习和改进他们的策略，以预测和恢复攻击。
2022-02-21 cs.CR
Quantitative Analysis of Active Cyber Defenses Based on Temporal Platform Diversity
基于时间平台多样性的主动网络防御已经被提出作为使系统更抵抗攻击的方式。这些防御改变了平台的属性，使攻击变得更加复杂。不幸的是，在衡量这些防御措施的有效性方面做的工作很少。在这项工作中，我们使用四种不同的方法来定量分析这些防御：抽象分析研究了时间平台多样性系统的代数模型;在测试床上的一组实验测量了系统的兴趣指标;博弈论分析研究了优先选择平台的影响并得出最佳策略;最后，一组模拟评估模型上感兴趣的度量。我们从这些方法得到的结果都是一致的，但却与直觉相反。我们表明，虽然平台多样性可以减轻一些攻击，但它可能对其他人有害。我们还说明，从这些系统的好处在很大程度上取决于他们的威胁模型和优先选择的平台可以实现更好的保护。
2014-01-31 cs.CR
Characterizing the Power of Moving Target Defense via Cyber Epidemic Dynamics
Fudan University（复旦大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of Warwick（华威大学）
本文通过网络流行病动力学方法，提出两种互补指标来评估移动目标防御的效能，分别关注系统容忍不良状态的时间和部署成本，进而设计最优部署算法。
2014-04-27 cs.CR cs.SI cs.SY
Strategic Learning for Active, Adaptive, and Autonomous Cyber Defense
越来越多的高级攻击需要一种新的主动、自主和自适应的防御模式，称为\texttt{`3A'}防御模式。本章介绍了三种主动与攻击者交互以增加攻击成本和收集威胁信息的防御方案，即，用于检测和反欺骗的防御性欺骗、反馈驱动的移动目标防御（MTD）和自适应蜜罐参与。由于网络欺骗、外部噪声以及对其他参与者的行为和目标的不了解，这些方案具有三个渐进的信息限制水平，即，从参数的不确定性，收益的不确定性，到环境的不确定性。为了估计未知和减少不确定性，我们采用了三种不同的策略学习方案，适合相关的信息限制。所有三种学习方案共享相同的感觉、估计和行动反馈结构，以便最有回报的策略得到加强，并以自主和自适应的方式收敛到最优策略。这项工作旨在阐明主动防御策略，为不完全信息下的战略学习奠定坚实的基础，并量化安全和成本之间的权衡。
2019-07-01 cs.CR
The Best Defense is a Good Offense: Countering LLM-Powered Cyberattacks
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文提出利用攻击型大语言模型的偏见、输入信任、记忆限制和隧道视野等固有弱点，设计误导、延迟或压制自主攻击代理的防御策略，并在黑盒与自建 CTF 环境中验证了最高 90% 的防御成功率。
2024-10-20 cs.AI cs.CR
Who Coordinates U.S. Cyber Defense? A Co-Authorship Network Analysis of Joint Cybersecurity Advisories (2024--2025)
本研究通过分析2024-2025年联合网络安全公告的合著网络，揭示CISA、FBI和NSA为协调核心，NSA及英澳机构为关键桥梁，并发布首个可复现数据集。
2025-10-22 cs.CR cs.CY
Proactive security defense: cyber threat intelligence modeling for connected autonomous vehicles
本文提出汽车网络威胁情报建模框架Actim，通过构建本体模型、标注首个汽车CTI语料库并设计基于跨句上下文的挖掘模型，实现威胁实体与关系的有效提取和知识图谱构建，支持网联自动驾驶汽车的主动安全防御。
2024-10-21 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
Hierarchical Multi-agent Reinforcement Learning for Cyber Network Defense
Northeastern University（东北大学）；Dartmouth College（达特茅斯学院）
针对网络防御中策略空间大、部分可观测等挑战，提出融合领域知识的分层PPO架构，将防御任务分解为子任务训练子策略并由主策略协调，在CybORG Cage 4环境中多项指标优于基线。
2025-09-05 cs.CR cs.LG cs.MA
Towards Proactive Defense Against Cyber Cognitive Attacks
本文提出一种预测颠覆性创新及其恶意用途的新方法，以应对网络认知攻击，并制定主动防御策略。
2025-10-17 cs.CR cs.CY cs.HC
Proactive Population-Risk Based Defense Against Denial of Cyber-Physical Service Attacks
虽然物联网（IoT）有望改善能源效率，医疗保健和交通等领域，但它极易受到网络攻击。特别是，DDoS攻击通过溢出服务器的带宽来工作。但许多物联网设备构成了网络物理系统（CPS）的一部分。因此，它们可用于发起“物理”拒绝服务攻击（PDoS），其中物联网设备溢出CPS的“物理带宽”。在本文中，我们量化了恶意软件针对一组物联网设备进行PDoS攻击的基于人口的风险。为了模拟机器人的招募，我们扩展了传统的博弈论概念，并创建了一个“泊松信号博弈”。“然后我们分析了两种不同的机制（法律和经济）来阻止僵尸网络招募。我们发现：1）防御者可以约束僵尸网络活动; 2）立法规定最低安全级别的效果有限，而激励主动防御可以任意减少僵尸网络活动。这项工作提供了一个定量的基础，设计主动防御PDOS攻击。
2017-10-16 cs.CR
Defending against cybersecurity threats to the payments and banking system
支付和银行系统的网络安全威胁已成为全球性的威胁。这种现象迫使金融机构将风险作为其业务模式的一部分。因此，对先进技术和安全措施的有意投资已成为必要，以防止因网络攻击而可能发生的重大财务损失和信息泄露。网络犯罪的扩散是银行业各利益相关者的巨大担忧。通常，网络攻击是通过在网络空间中的计算系统上运行的软件系统来执行的。因此，为了防止对软件系统的网络攻击风险，必须识别在网络空间内运行的实体，并在分析漏洞和开发防御机制后隔离对应用程序安全的威胁。本文将研究识别网络空间中资产的各种方法，对网络威胁进行分类，提供安全防御，并将安全措施映射到控制类型和功能。因此，采用正确的应用程序来应对安全威胁和防御将有助于IT专业人员和用户做出决策，以开发强大的深度防御机制。
2022-12-15 cs.CR cs.CY
Arbitrarily Fast Switched Distributed Stabilization of Partially Unknown Interconnected Multiagent Systems: A Proactive Cyber Defense Perspective
最近已经开发了一个设计框架，以分布式方式稳定互连的多智能体系统，并系统地捕捉网络物理系统的架构方面。然而，这种控制理论框架导致稳定化协议，该稳定化协议相对于网络攻击是被动的，并且关于保证的弹性水平是保守的。我们将控制层拓扑结构和稳定增益视为自由度，并开发了一个混合控制和网络安全设计框架来解决上述问题。从控制的角度来看，尽管代理层建模的不确定性和扰动，我们提出了一个新的一步一步的过程来设计一组控制子层的控制层拓扑结构的任意快速切换。从积极的网络防御的角度来看，我们提出了一个可满足性模理论公式，以获得一组控制子层结构的安全考虑，并提供这些子层的频繁和快速的突变，使控制层拓扑结构将保持不可预测的对手。我们证明了两层互联多智能体系统的鲁棒输入到状态稳定性，并通过仿真验证了所提出的思想。
2021-11-19 cs.CR cs.SY eess.SY
Recommendations for Model-Driven Paradigms for Integrated Approaches to Cyber Defense
北大西洋公约组织（NATO）探索小组会议，“网络防御综合方法的模型驱动范例”，由NATO科学技术组织（STO）信息系统和技术（IST）小组组织，并在2016年期间进行了会议和电子交流。本报告描述了团队工作的进展和结果。网络战和信息保障领域的许多防御活动基本上依赖于临时技术。网络界认识到，全面、系统、基于原则的建模和仿真更有可能为防御性网络行动提供长期、持久、可重复使用的方法。模型驱动范式的前提是建立和验证对任务受评估的组织、任务本身以及支持任务的网络脆弱系统进行建模的机制。无论如何，这都是一个复杂的社会技术系统（系统的），这类问题的详细程度从主机和网络事件到系统功能再到企业功能。解决这类问题的难度是中等到高等，可以部分借鉴系统工程（SE）的进步。这种基于模型的方法和分析可用于探索多种替代缓解和变通战略，并选择最佳缓解行动方案。此外，应用于网络作战的模型驱动范式可能会使网络防御的传统学科受益，如安全、漏洞分析、入侵防御、入侵检测、分析、取证、归因和恢复。
2017-03-09 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
AI for Beyond 5G Networks: A Cyber-Security Defense or Offense Enabler?
人工智能（AI）被认为在5G及其他网络中的智能，自适应和自主安全管理方面发挥着关键作用，这要归功于其从大量时变多维数据中发现隐藏模式的潜力，并提供更快，更准确的决策。不幸的是，人工智能的能力和漏洞使其成为一把双刃剑，可能危及未来网络的安全。本文揭示了人工智能如何影响5G的安全性及其后续的防御者，罪犯或受害者的姿态，并建议潜在的防御措施来保护恶意人工智能，同时指出其局限性和采用挑战。
2022-01-05 cs.CR cs.NI
Impacts and Risk of Generative AI Technology on Cyber Defense
Mississippi State University（密西西比州立大学）
本文利用网络杀伤链框架分析生成式AI在攻击各阶段的风险，并提出攻击感知的自适应防御策略，如检测、欺骗和对抗训练，以应对GenAI带来的网络安全威胁。
2023-06-22 cs.AI cs.CR
Constraints Satisfiability Driven Reinforcement Learning for Autonomous Cyber Defense
University of North Carolina Charlotte（北卡罗来纳大学夏洛特分校）；Carnegie Mellon University（卡内基梅隆大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
随着系统复杂性和攻击复杂性的增加，自主网络防御的必要性变得生动的网络和网络物理系统（CPS）。当前最先进的许多现有框架要么依赖于具有不切实际假设的静态模型，要么不能满足系统安全性和保障性要求。在本文中，我们提出了一种新的混合自主智能体架构，旨在优化和验证防御策略的强化学习（RL），将约束验证（使用可满足性模理论（SMT））到代理的决策循环。SMT的引入不仅确保了安全和安全需求的可满足性，而且还提供了持续的反馈，以引导RL决策制定安全有效的行动。这种方法对于因违反安全或安保规定而表现出高风险的CPS来说是非常必要的。我们在模拟CPS环境中对所提出的方法进行了评估，结果表明，该代理可以快速学习最优策略，并在99%的情况下击败各种攻击策略。
2021-04-19 cs.AI cs.CR cs.GT
Strategic Evolution of Adversaries Against Temporal Platform Diversity Active Cyber Defenses
对抗动态是网络安全领域的一个关键方面，在任何给定的威胁场景中，攻击者和防御者之间都存在共同进化。当防御者利用能力来最大限度地减少攻击的潜在影响时，对手同时也在开发针对观察到的防御的对策。在这项研究中，我们开发了一套工具来模拟智能演员对主动网络防御系统的自适应策略制定。我们将策略编码为二进制染色体，代表根据Holland的遗传算法进化的有限状态机。我们研究的战略考虑因素，包括整体演员奖励平衡对确定的战略的复杂性。我们提供了一系列模拟结果，证明了自动搜索大策略空间以针对各种反策略获得最佳结果适应度的能力。
2014-07-31 cs.CR cs.GT
BlueSTAR: Tiered Agentic Architecture for Autonomous Cyber Defense
Northeastern University（东北大学）；Dartmouth College（达特茅斯学院）；Vanderbilt University（范德堡大学）；Punch Cyber
BlueSTAR提出分层智能体架构，将安全遥测转为紧凑指标并引入韧性指标，在实时靶场上成功防御多种复杂攻击，兼顾快速遏制与上下文推理。
2026-09-11 cs.CR
Features and Operation of an Autonomous Agent for Cyber Defense
能够收集、处理、存储和通信信息的战场设备的数量不断增加，它们正在迅速地相互连接。战场上连接的设备数量惊人，这大大增加了对手找到利用硬件或软件漏洞的方法的可能性，从而降低或剥夺了作战人员对这些设备的可靠和安全使用。自主软件代理将成为未来管理、防御和应对网络威胁的必需品。连接设备的数量与操作环境中可用的网络专家数量不成比例地增加。在本文中，提出了一个自主智能体的能力和它如何运作的情况。发展这种能力的目标是提高战场物联网的安全态势，应对日益复杂的战场挑战。本文描述了一个说明性的情况下，在一个概念上的用例，并讨论了与这种自主智能体的挑战。最后，我们提供了潜在的研究发展自主智能体适合在战场环境中的网络防御的想法。
2019-05-13 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
Developing Enterprise Cyber Situational Awareness
该主题将侧重于美国国防部改善其网络安全防御的战略，以及他们在机构层面采取的步骤，其中国防部下属的组件，如国防信息系统局正在努力增加在网络空间提供额外功能的工具。这种方法将被分析，以确定国防部的目标是否解决了他们的任何弱点，以保护他们的网络。国防部下属的一个名为国防信息系统局的机构为国防部提供了一个模板，说明如何建立一个依赖于安全层的网络，以帮助其打击针对其网络的网络攻击。这是否为国防部提供了一个有效的解决方案仍然是一个问题，因为在其指导下运作的许多组件。管理这些网络是国防部的主要职责。尽管如此，它确实表明，有工具可以帮助国防部建立一个强大的态势感知企业网络，加强保护其网络基础设施的能力。
2020-09-03 cs.CR cs.CY
Quantitative Resilience Modeling for Autonomous Cyber Defense
Dartmouth College（达特茅斯学院）；Northeastern University（东北大学）
针对网络攻击下网络弹性缺乏统一定义的问题，提出考虑多目标与资源关键度的可量化弹性公式，在CybORG框架中验证并设计RL防御智能体，证明主动加固与及时恢复对有效防御的关键作用。
2025-09-05 cs.CR cs.LG cs.MA
General Autonomous Cybersecurity Defense: Learning Robust Policies for Dynamic Topologies and Diverse Attackers
Cranfield University（克兰菲尔德大学）
针对现有自主网络安全防御系统在动态网络拓扑下泛化能力不足的问题，提出通用自主网络安全防御（GACD），探索使代理在动态网络环境中学习可泛化鲁棒策略的方法。
2025-06-28 cs.AI cs.CR cs.CV
Staring Down the Digital Fulda Gap Path Dependency as a Cyber Defense Vulnerability
学术界、国土安全部、国防部和媒体已经接受了这样一种观点，即未来网络战争中的关键基础设施网络冲突是对美国进行大规模网络攻击的主要途径。网络范式认为关键基础设施是未来网络冲突的主要攻击媒介。关键基础设施中的国家脆弱性在网络话语中被赋予了一个位置，就像自然法则一样接近不容置疑的真理。美国人对7月11，以及对美国本土的任何攻击，都暗示对手，攻击关键基础设施给人民造成困难，可能会违背抵制外国影响的意愿。更有可能的是，影响到普通民众的袭击反而增强了抵抗和战斗的意志，类似于1940年英国对德国轰炸行动的反应。我们不能排除影响普通民众的攻击，但没有足够的对抗性进攻能力来攻击所有16个关键基础设施部门并获得战略势头。对手的网络攻击能力有限，需要优先考虑与整体战略一致的网络目标。从逻辑上讲，对手将把他们的OCO集中在具有国家安全影响的行动上，并通过否认、贬低和混淆美国的信息环境和美国的网络资产来支持他们的军事行动。
2021-12-06 cs.CR cs.CY
Adaptive Attacker Strategy Development Against Moving Target Cyber Defenses
一个战略制定模型被用来研究自适应攻击者如何学习克服移动目标网络防御。攻击者-防御者的交互被建模为一个游戏，其中防御者部署一个临时的平台迁移防御。针对这种防御，攻击者群体开发了指定资源投资的时间顺序的策略，这些策略使目标零日漏洞得以存在。攻击者响应两个防御者的时间平台迁移调度策略进行了检查。在第一防御者调度策略中，防御者从可用平台池中均匀随机地选择每场比赛中的活动平台。在第二种策略中，防御者安排每个连续的平台，以最大限度地提高提交给攻击者的源代码的多样性。自适应攻击者响应策略是由有限状态机（FSM）结构建模的，该结构在模拟对抗防御者策略的过程中通过进化算法进化。它表明，攻击者学会了大量投资于利用创建的平台与其他平台的相似性最小时，面对多样性防御，同时避免投资于利用这个最不相似的平台时，面对随机化防御。此外，它表明，多样性最大化的防御是优越的较短的持续时间的攻击者-防御者的参与，但在扩展的攻击者-防御者的互动次优。
2014-07-31 cs.CR cs.GT
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
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
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
近年来，机器学习算法，更具体地说，深度学习算法，已经广泛应用于包括网络安全在内的许多领域。然而，机器学习系统容易受到对抗攻击，并且这限制了机器学习的应用，特别是在非静止的对抗性环境中，诸如网络安全领域，其中实际的对手（例如，恶意软件开发者）存在。本文全面总结了针对基于机器学习技术的安全解决方案的对抗攻击的最新研究，并说明了它们带来的风险。首先，对抗攻击方法的特点是基于他们的发生阶段，攻击者的目标和能力。然后，我们分类的对抗攻击和防御方法在网络安全领域的应用。最后，我们强调了最近研究中发现的一些特征，并讨论了其他对抗性学习领域的最新进展对网络安全领域未来研究方向的影响。本文首次讨论了在网络安全领域实施端到端对抗攻击的独特挑战，将其映射到统一的分类中，并使用分类突出未来的研究方向。
2021-03-13 cs.CR cs.LG stat.ML
Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion
University of Adelaide（阿德莱德大学）
本论文针对网络防御和信息扩散领域，将加固活动目录与识别结构洞跨越者问题转化为图组合优化，设计机器学习方法发现瓶颈节点和边，以增强网络韧性。
2023-09-22 cs.CR cs.LG
Pricing and Investments in Internet Security: A Cyber-Insurance Perspective
互联网用户，如个人和组织，受到不同类型的流行病风险，如蠕虫，病毒，垃圾邮件和僵尸网络。为了降低风险的可能性，互联网用户通常投资于传统的安全机制，如防病毒和反垃圾邮件软件，有时也称为自我防御机制。然而，这种软件并不能完全消除风险。最近的工作已经考虑了通过提出网络保险的想法来消除剩余风险的问题。在这方面，一个重要的研究问题是在互联网环境下的最佳用户自卫投资和网络保险合同的分析。在本文中，我们研究了两个问题和它们之间的关系：1）分析最优的自卫投资在互联网上，在最优的网络保险覆盖范围内，其中最优性是一个保险公司的目标和2）设计最优的网络保险合同的互联网用户，合同是（保费，覆盖范围）对。
2011-03-08 cs.CR
