Attack-Graph Threat Modeling Assessment of Ambulatory Medical Devices
技术不断融入社会的各个方面，突出表明需要查明和了解吸收新技术的风险。当技术用于医疗目的时，如用于监测患者生命体征的移动设备，这种必要性就更高了。这种集成创造了有利于恶意活动的环境。潜在的影响给医学界带来了新的挑战。因此，本研究提出了攻击图建模作为一种可行的解决方案，以识别漏洞，评估风险，并形成缓解策略，以保护流动医疗设备免受攻击。在文献中确定了与移动设备（包括蓝牙传感器和Android应用程序）的各个方面相关的常见和频繁漏洞和攻击策略。基于此分析，本研究提出了一个攻击图建模的理论设备，突出的漏洞和缓解策略，以考虑在设计具有类似组件的移动设备时的例子。
2017-09-15 cs.CR
Risk Assessment of Autonomous Vehicles Using Bayesian Defense Graphs
最近的发展使自动驾驶汽车（AV）更接近我们的道路。然而，它们的安全性仍然是驾驶员和制造商的主要关注点。虽然已经做了一些工作来识别威胁和可能的解决方案，但需要一个理论框架来衡量AV的安全性。在本文中，提出了一个简单的安全模型的基础上，防御图，以定量评估的可能性的组件上的AV的可用对策的存在下的威胁。然后应用贝叶斯网络（BN）分析来获得相关联的安全风险。在一个案例研究中，模型和分析研究了GPS欺骗攻击，以证明所提出的方法的有效性，一个高度脆弱的组件。
2019-03-05 cs.CR
Risk Assessment of Cyber Attacks on Telemetry Enabled Cardiac Implantable Electronic Devices (CIED)
心脏植入式电子设备（CIED）正在迅速成为先进医疗技术的基本工具和挽救生命的关键工具。尽管它们很重要，但以前的研究表明，CIED并不能完全抵御网络攻击，特别是那些利用其射频（RF）通信接口的人。此外，与CIED交互的外部设备的遥测功能和IP连接正在创建可能被攻击者使用的其他入口点。在本文中，我们进行了现实的风险分析，这样的攻击。本分析由三部分组成。第一，基于行为者的分析，以确定攻击的影响。第二，一个基于网络的分析，以确定每个威胁的发生概率。最后，进行综合分析，以确定哪些攻击结果（即攻击目标）风险最高，并确定构成最高总体风险敞口的漏洞。所进行的研究表明，与CIED射频接口相关的漏洞代表了可接受的风险。相比之下，外部设备的网络和互联网连接是一个重要的潜在风险。先前描述的研究结果表明，最高风险与外部系统有关，而不是CIED本身。
2019-04-26 cs.CR
Holistic risk assessment of inference attacks in machine learning
Donghua University（东华大学）
随着机器学习应用范围的不断扩大，随之而来的隐私和安全问题也越来越多。特别是针对机器学习模型的推理攻击，使得攻击者能够推断出目标模型的敏感信息，如训练数据、模型参数等。推理攻击可能导致严重的后果，包括侵犯个人隐私、损害机器学习模型所有者的知识产权。就目前而言，研究人员已经对几种类型的推理攻击进行了深入的研究和分析，尽管是孤立的，但仍然缺乏对针对机器学习模型的推理攻击的整体风险评估，例如它们在不同场景中的应用，影响这些攻击性能的共同因素以及攻击之间的关系。因此，本文进行了全面的风险评估不同的推理攻击对机器学习模型。本文重点研究了三种具有代表性的攻击：成员推断攻击、属性推理攻击和模型窃取攻击。并建立了威胁模型分类。使用AlexNet，ResNet18和Simple CNN三种模型架构的12个目标模型在CelebA，UTKFace，STL 10和FMNIST四个数据集上进行训练。
2022-12-15 cs.CR cs.LG
Stochastic Simulation Techniques for Inference and Sensitivity Analysis of Bayesian Attack Graphs
漏洞扫描与有关计算机网络的信息相结合，可用于创建攻击图，这是一个模型，说明如何在攻击中使用网络元素以达到网络中的特定状态或目标。这些图可以通过将它们转化为贝叶斯攻击图来概率地理解，从而可以定量分析大型网络的安全性。在发生攻击的情况下，图上的概率根据发现的证据而变化（例如，通过入侵检测系统或主机活动的知识）。由于这种情况下很难通过直接计算来解决，我们讨论和比较三种随机模拟技术，根据证据动态更新概率，并比较它们的速度和准确性。从我们的实验中，我们得出结论，似然加权是最有效的大多数用途。我们还考虑了BAGs的灵敏度分析，以确定最关键的节点保护的网络和解决的不确定性问题的先验分配给节点。由于敏感性分析很容易成为计算昂贵，我们提出并证明了一个有效的敏感性分析方法，利用随机推理的定量关系。
2021-03-18 cs.CR
SCyTAG: Scalable Cyber-Twin for Threat-Assessment Based on Attack Graphs
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Fujitsu Research Europe（富士通欧洲研究所）；Fujitsu Technology Solutions（富士通技术解决方案）
SCyTAG通过生成最小可行网络孪生，高效评估攻击场景影响，实现可扩展的威胁评估解决方案。
2025-12-27 cs.CR
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
Challenges for Security Assessment of Enterprises in the IoT Era
多年来，攻击图一直是企业网安全评估的重要工具，但物联网设备作为IT领域的新成员，可能会威胁到这一工具的可靠性。在本文中，我们回顾了使用攻击图来建模和分析包含物联网设备的企业网时必须解决的挑战。此外，我们提出了新的想法和对策，旨在应对这些挑战。
2019-06-26 cs.CR
Exact Inference Techniques for the Analysis of Bayesian Attack Graphs
攻击图是一种强大的安全风险评估工具，通过分析网络漏洞和攻击者可以用来危害网络资源的路径。攻击者行为的不确定性使得贝叶斯网络适合于对攻击图进行建模以执行静态和动态分析。以前的方法都集中在形式化的攻击图到贝叶斯模型，而不是提出他们的分析机制。在本文中，我们建议使用有效的算法，使贝叶斯攻击图的准确推理，使静态和动态网络风险评估。为了支持我们的方法的有效性，我们已经进行了广泛的实验评估合成贝叶斯攻击图与不同的拓扑结构，所提出的技术相比，现有的方法在时间和内存使用方面的计算优势。
2016-11-04 cs.CR stat.AP stat.ML
Software supply chain: review of attacks, risk assessment strategies and security controls
本文通过系统文献综述分析了软件供应链的常见攻击趋势与开源及第三方安全风险，并提出了与真实事件关联的独特安全控制措施以缓解网络攻击。
2023-05-23 cs.CR cs.SE
Heuristic Approach Towards Countermeasure Selection using Attack Graphs
选择一套最佳对策是一项具有挑战性的任务，涉及各种考虑和权衡，如优先考虑要减轻的风险和成本。绝大多数选择对策部署的研究都是基于有限的风险评估程序，该程序利用了通用漏洞评分系统（CVSS）。这种风险评估程序不一定考虑特定资产的先决条件和可利用性，无法区分内部和外部威胁行为者，并且不表达利用漏洞的后果以及攻击者的横向移动。其他研究采用了更广泛的风险评估程序，该程序依赖于人工工作和重复评估。然而，这些解决方案没有考虑网络拓扑，也没有指定部署对策的最佳位置，因此不太实用。在本文中，我们提出了一个启发式搜索方法选择最佳的对策部署在给定的预算限制。所提出的方法表示使用扩展的攻击图建模，考虑利用漏洞的先决条件和后果的系统的风险，检查攻击者的潜在的横向运动，并表示物理网络拓扑结构以及网络协议中的漏洞。此外，不同于以往的研究，利用攻击图的对策规划，所提出的方法不需要重新生成的攻击图在每个阶段的程序，这是计算量大，因此，它提供了一个更准确和实用的对策部署规划过程。
2019-06-26 cs.CR
Empirical Assessment of the Code Comprehension Effort Needed to Attack Programs Protected with Obfuscation
Università di Cagliari（卡利亚里大学）；Politecnico di Torino（都灵理工大学）
本文通过实验证实混淆技术对攻击者代码理解的阻碍作用，并揭示了复杂性度量与攻击成功率之间的相关性。
2025-11-26 cs.CR
Automated CFI Policy Assessment with Reckon
保护程序免受控制流劫持攻击已经成为防御者和攻击者之间的军备竞赛。虽然某些防御，例如，\textit{Control Flow Integrity}（CFI）通过静态和动态分析来限制间接控制流传输的目标，攻击者可以在程序中搜索属于合法目标集的可用小工具，从而绕过防御。有几种工具可以帮助攻击者开发漏洞，帮助分析师加强防御。然而，这些工具未能充分（1）对部署的防御进行建模，（2）以面对面的方式进行比较，以及（3）使用程序语义信息来帮助制定攻击和对策。控制流完整性（CFI）已被证明是一个有前途的防御控制流劫持和吨的努力，已经作出了各种方式在过去的十年来改善CFI。然而，对现有的CFI防御缺乏系统的评估。在本文中，我们提出了Reckon，静态源代码分析工具，用于评估最先进的静态CFI防御，首先精确建模，然后在一个统一的框架中进行评估。Reckon帮助确定不同CFI防御提供的安全级别，并在应用CFI防御后找到可用的代码小工具，从而为成功利用漏洞和更强大的防御迈出重要一步。我们已经使用Reckon评估了八个最先进的静态CFI防御在现实世界的程序，如谷歌的Chrome和Apache的Httpd。Reckon提供了对剩余攻击面的精确测量，并相应地对CFI策略进行排名。它还成功地为构建代码重用攻击和消除剩余的攻击面铺平了道路，通过在最严格的CFI防御之一下公开调用目标。
2018-12-20 cs.CR
BayesImposter: Bayesian Estimation Based .bss Imposter Attack on Industrial Control Systems
在过去的六年中，有几篇论文使用内存重复数据删除来触发各种安全问题，例如泄漏堆地址和导致物理内存中的位翻转。成功的内存重复数据删除最基本的要求是提供物理页面的相同副本。最近的作品使用蛮力的方法来创建物理页面的相同副本，从攻击者的角度来看，这是一个不准确和耗时的原语。我们的工作开始填补这一空白，提供了一种特定于域的结构化方式，在工业控制系统（ICS）的环境中复制云设置中的物理页面。在这里，我们展示了一个新的攻击原语-\textit{BayesImposter}，它指出攻击者可以使用\textit{Bayesian estimation}技术复制云协议的目标控制DLL文件的. dll部分。我们的方法导致更少的内存（即，4 KB与GB相比）和时间（即，13分钟相比小时）相比，蛮力的方法在最近的作品。我们指出，ICS可以表示为状态空间模型，因此，\textit{Bayesian estimation}是一个理想的选择，结合内存去重在云环境中的成功攻击。为了展示\textit{BayesImposter}的实力，我们使用缩小的自动化高架仓库和西门子工业级SIMATIC S7 - 1500 PLC作为目标ICS创建了一个真实的自动化平台。我们证明，\textit{BayesImposter}可以预测注入错误的命令到PLC，可能会导致设备损坏与机器故障的目标ICS。此外，我们表明，\textit{…
2022-10-07 cs.CR
Cyber Risk Analysis of Combined Data Attacks Against Power System State Estimation
了解智能电网网络攻击是制定适当的保护和恢复措施的关键。高级攻击追求以最小的成本和可检测性实现最大的影响。针对电力系统状态估计进行了数据完整性和可用性组合攻击的风险分析。我们比较了组合攻击与纯完整性攻击-虚假数据注入（FDI）攻击。针对这两种攻击，提出了一种安全指标，并将其转化为一个混合整数线性规划问题。我们表明，这种组合攻击可以成功的资源比FDI攻击。与系统模型的有限知识的组合攻击也暴露出优势，保持隐形对坏数据检测。最后，利用脆弱性评估和攻击影响分析的结果，评估了组合攻击对系统可靠运行的风险。本文的研究结果得到了详细的案例研究的验证和支持。
2017-08-28 cs.CR
Don't Let One Lie Survive A Hundred Truths: A Selective Bayesian Trust Estimator for Collaborative Perception
The University of Arizona（亚利桑那大学）
针对协同感知中隐蔽单对象攻击，提出选择性两级贝叶斯信任估计器SABER，通过累积和筛选与参考加权Beta状态，提升攻击检测并降低误报率。
2026-10-07 cs.CR
Query-Efficient and Scalable Black-Box Adversarial Attacks on Discrete Sequential Data via Bayesian Optimization
Seoul National University（首尔国立大学）
我们专注于对离散序列数据模型进行对抗攻击的问题，在黑盒设置中，攻击者的目标是制作对抗示例，对受害者模型进行有限的查询访问。现有的黑盒攻击，主要是基于贪心算法，发现敌对的例子使用预先计算的关键位置扰动，这严重限制了搜索空间，并可能导致次优的解决方案。为此，我们提出了一个查询高效的黑盒攻击，使用贝叶斯优化，动态计算重要的位置，使用自动相关性确定（ARD）分类内核。当输入序列变长时，我们引入块分解和历史子采样技术来提高贝叶斯优化的可扩展性。此外，我们开发了一个后优化算法，发现具有较小扰动大小的对抗性示例。在自然语言和蛋白质分类任务上的实验表明，与现有的方法相比，该方法具有更高的攻击成功率，查询次数和修改率显著降低.
2022-06-17 cs.CR cs.LG
A New Methodology for Information Security Risk Assessment for Medical Devices and Its Evaluation
随着技术向更加互联和数字化的环境发展，医疗设备越来越多地连接到医院网络和互联网，这使它们以及使用它们的患者面临新的网络安全威胁。目前，缺乏专门用于医疗器械信息安全风险评估的方法。在这项研究中，我们提出了威胁识别，基于本体的可能性，严重性分解和风险集成（TLDR）的方法，信息安全风险评估的医疗设备。TLDR方法使用以下步骤：（1）识别医疗设备的潜在易受攻击的组件，在这种情况下，是四种不同的医疗成像设备（MID）;（2）识别潜在的攻击，在这种情况下，是对MID的23种潜在攻击;（3）将发现的攻击映射到已知的攻击本体中-在这种情况下，是通用攻击模式枚举和分类（CAPEC）;（4）在高级医疗保健信息安全专家（ISE）小组的帮助下估计映射的CAPEC在医疗领域中的可能性;（5）计算每个攻击的基于CAPEC的可能性估计;（6）将每个攻击分解为若干严重性方面并为其分配权重;（7）在一个高级医学专家小组的协助下，评估每一次攻击的每一个严重性方面的影响程度;（8）计算每一次攻击的综合严重性评估;最后，（9）将每一次攻击的可能性和严重性与其风险相结合，从而确定其优先级。第六步至第八步的细节超出了当前研究的范围;在目前的研究中，我们用单步的取代了它们，包括询问ME小组[在这种情况下，放射科医生]，来评估每一次攻击的整体严重性，并将其作为其严重性。
2020-02-17 cs.CR cs.CY
Bayesian Perspective on Memorization and Reconstruction
Tel Aviv University（特拉维夫大学）；Google Research（谷歌研究）
本文提出数据重构的贝叶斯视角及可防重构攻击的安全定义，指出指纹代码攻击实为成员推理攻击，并证明若仅防重构则 FPC 的不可能性结果不再适用。
2025-05-29 cs.CR cs.LG
Backdoor Attacks on Bayesian Neural Networks using Reverse Distribution
University of Florida（佛罗里达大学）
由于成本和上市时间的限制，许多行业将机器学习模型（ML）的训练过程外包给第三方云服务提供商，通常称为ML-asa-Service（MLaaS）。MLaaS为对手创造了机会，为用户提供后门ML模型，仅在极其罕见的情况下（攻击者选择的）产生不正确的预测。贝叶斯神经网络（BNN）具有固有的免疫力，对后门攻击，因为权重被设计为边际分布，以量化的不确定性。在本文中，我们提出了一种新的后门攻击的基础上有效的学习和有针对性地利用反向分布。本文作出了三个重要贡献。(1)据我们所知，这是第一个后门攻击，可以有效地打破BNN的鲁棒性。(2)当触发器被激活时，我们产生反向分布来抵消原始分布。(3)我们提出了一个有效的解决方案，合并BNN的概率分布。在不同基准数据集上的实验结果表明，我们提出的攻击可以达到100%的攻击成功率（ASR），而最先进的攻击的ASR低于60%。
2022-05-18 cs.AI cs.CR
Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks
Pennsylvania State University（宾夕法尼亚州立大学）；Applied Research Solutions（应用研究解决方案公司）；Air Force Research Lab（空军研究实验室）
贝叶斯神经网络（BNN）与传统的神经网络（TNN）不同，它具有鲁棒性，并且通过引入随机性来处理对抗攻击。这种随机性改善了对不确定性的估计，这是TNN缺乏的一个特征。因此，我们使用多个贝叶斯神经架构研究BNN对白盒攻击的鲁棒性。此外，我们通过融合贝叶斯推理（即，变分贝叶斯）到DenseNet架构和BDAV，通过将这种干预与对抗训练相结合。在CIFAR-10和FGVC-Aircraft数据集上进行了实验。我们使用强大的白盒攻击（$l_\infty$ -FGSM、$l_\infty$ -PGD、$l_2$-PGD、EOT $l_\infty$ -FGSM和EOT $l_\infty$ -PGD）来攻击我们的模型。在所有实验中，至少有一个BNN在对抗攻击场景中优于传统的神经网络。在大多数实验中，经过对抗训练的BNN优于其非贝叶斯的、经过对抗训练的对应物，并且通常具有显著的优势。最后，我们研究了网络校准，发现BNN不会做出过于自信的预测，这证明BNN在测量不确定性方面也更好。
2021-11-16 cs.CR cs.CV cs.LG
Radial Spike and Slab Bayesian Neural Networks for Sparse Data in Ransomware Attacks
University of Wisconsin（威斯康星大学）；Microsoft（微软）；Securonix
勒索软件攻击正以惊人的速度增长，导致巨大的财务损失、不可恢复的加密数据、数据泄露和隐私问题。需要及时检测勒索软件攻击，以尽量减少进一步的损害，特别是在加密阶段。然而，观察到的勒索软件攻击数据的频率和结构使得这项任务在实践中难以完成。与勒索软件攻击相对应的数据表示时间、高维稀疏信号，具有有限的记录和非常不平衡的类别。虽然传统的深度学习模型已经能够在各种领域取得最先进的结果，但贝叶斯神经网络是一类概率模型，更适合勒索软件数据的问题。这些模型将贝叶斯统计的思想与神经网络的丰富表达能力相结合。在本文中，我们提出了径向尖峰和板贝叶斯神经网络，这是一种新型的贝叶斯神经网络，其中包括一个新的形式的近似后验分布。该模型可以很好地扩展到大型架构，并恢复目标函数的稀疏结构。我们提供了一个理论上的理由，使用这种类型的分布，以及计算效率高的方法来执行变分推理。我们在勒索软件攻击的真实数据集上展示了我们模型的性能，并在大量基线上显示了改进，包括最先进的模型，如神经ODE（常微分方程）。此外，我们建议将低级别事件表示为MITRE ATT\&CK策略、技术和程序（TTP），这使得模型能够更好地推广到看不见的勒索软件攻击。
2022-05-29 cs.CR cs.LG
BO-DBA: Query-Efficient Decision-Based Adversarial Attacks via Bayesian Optimization
Stevens Institute of Technology（史蒂文斯理工学院）
基于决策的攻击（DBA）是一种针对深度神经网络（DNN）的严重对抗攻击，攻击者仅通过观察输出标签来扰乱输入以欺骗学习算法，只需要对攻击者的最小知识。最先进的DBA攻击依赖于零阶梯度估计，需要大量的查询。最近，贝叶斯优化（BO）在减少基于分数的攻击（SBA）中的查询数量方面表现出了很大的潜力，在SBA中，攻击者需要观察实值概率分数作为输出。然而，将BO扩展到DBA的设置是不平凡的，因为在DBA中，攻击者只能使用输出标签而不是BO所需的实值分数。在本文中，我们提出了一个有效的DBA攻击，即BO-DBA，关闭这一差距。与现有方法不同，BO-DBA通过搜索所谓的\emph{directions of perturbations}来生成对抗性示例。然后，它制定了一个BO问题，最大限度地减少了扰动的实值失真的问题。通过优化的扰动生成过程，BO-DBA比最先进的DBA技术收敛得更快。在预训练的ImageNet分类器上的实验结果表明，BO-DBA在200个查询内收敛，而最先进的DBA技术需要超过15，000个查询才能达到相同的扰动失真水平。即使与基于BO的SBA攻击相比，BO-DBA也显示出类似的攻击成功率，但失真较小。
2023-01-19 cs.CR cs.LG
Goal-Driven Risk Assessment for LLM-Powered Systems: A Healthcare Case Study
School of Informatics, Computing, and Cyber Systems（信息学、计算与网络系统学院）；Northern Arizona University（北亚利桑那大学）；Department of Software Science（软件科学系）；Tallinn University of Technology（塔林技术大学）
本文提出了一种面向目标的风险评估方法，用于评估LLM驱动系统的安全风险，通过攻击树详细分析威胁向量和攻击路径，以提升医疗系统等复杂系统的安全性。
2026-03-04 cs.AI cs.CR
Security, Privacy and Safety Risk Assessment for Virtual Reality Learning Environment Applications
基于社交虚拟现实的学习环境（VRLE），例如vSocial，以三维沉浸式计算机体验呈现教学内容，用于训练有学习障碍的青少年。在VR技术中探索攻击漏洞的现有工作有限，因此需要系统框架来量化与安全、隐私和安全（SPS）威胁相对应的风险。SPS威胁会对教育用户体验产生不利影响，并阻碍VRLE内容的交付。在本文中，我们提出了一种新的风险评估框架，利用攻击树来计算风险评分为不同的VRLE威胁率和持续时间的威胁作为输入。我们比较了一个精心构造的攻击树与adhoc攻击树的影响，研究管理攻击树的开销之间的权衡，以及发现漏洞时的风险缓解成本。我们使用一个vSocial VRLE测试平台的案例研究，展示我们的框架的有效性，并演示了如何一个合适的攻击树形式主义可以导致一个更安全，隐私保护和安全的VRLE系统。
2018-11-29 cs.CR cs.HC
Proactive Web Server Protocol for Complaint Assessment
漏洞发现与攻击注入对于服务器软件的安全威胁越来越大，在软件开发时，对软件进行功能测试。由于未意识到软件漏洞，因此在预发布之前，应对软件进行全面测试，不仅测试功能可靠性，还应测试安全流（或）漏洞。模糊器、故障注入、漏洞扫描器、静态漏洞分析器、运行时间预防机制和软件恢复等方法正在识别未打补丁的软件，这些软件可能面临安全威胁，从而解决“安全测试”问题。这些技术对于生成攻击是有用的，但不能扩展到新的攻击领域。该系统称为主动漏洞攻击注入工具，适用于添加新的攻击注入向量，使用工具的接口定义新的协议状态（或）规范的方法包括使用GUI的网络服务器协议规范，攻击生成器，攻击注入器，受害者注入器监视模块，受害者机器监视模块和攻击注入报告生成。该工具可以解决大多数漏洞（或）安全流。
2014-02-09 cs.CR cs.NI
Gradient-Free Adversarial Attacks for Bayesian Neural Networks
Princeton University（普林斯顿大学）；University of Oxford（牛津大学）
对抗性例子的存在强调了理解机器学习模型鲁棒性的重要性。贝叶斯神经网络（BNN），由于其校准的不确定性，已被证明是有利的对抗鲁棒性。然而，当采用近似贝叶斯推理方法时，BNN的对抗鲁棒性仍然没有得到很好的理解。在这项工作中，我们采用无梯度优化方法来寻找BNN的对抗性示例。特别是，我们认为遗传算法，代理模型，以及零阶优化方法，并适应他们的目标，找到对抗性的例子BNN。在对MNIST和Fashion MNIST数据集的实证评估中，我们表明，对于各种近似贝叶斯推理方法，与最先进的基于梯度的方法相比，使用无梯度算法可以大大提高发现对抗性示例的速度。
2020-12-23 cs.CR cs.LG
Bayesian Watermark Attacks
Duke University（杜克大学）
本文提出了一种应用统计机器学习领域的水印。提出了一种新的加性扩频水印攻击模型。该攻击基于贝叶斯统计。我们考虑的情况下，其中的水印信号被反复嵌入在特定的，可能选择的基础上的秘密消息比特流，段（信号）的主机数据。主机信号可以表示来自图像或视频帧的像素块。我们提出了一个概率模型，推断嵌入的消息比特流和水印信号，直接从水印数据，而无需访问解码器。我们开发了一个有效的马尔可夫链蒙特卡罗采样器更新模型参数的共轭全条件后验。我们还提供了一个变分贝叶斯解决方案，这进一步提高了算法的收敛速度。仿真和真实图像信号的实验表明，该攻击模型能够正确地推断出大部分的消息比特流，并获得非常准确的估计的水印信号。
2012-06-18 cs.CR cs.LG cs.MM
Dynamic Bayesian Games for Adversarial and Defensive Cyber Deception
安全挑战伴随着效率。信息和通信技术（信通技术）的普遍融合使网络物理系统容易受到具有欺骗性、持续性、适应性和战略性的有针对性的攻击。Stuxnet、Dyn和WannaCry勒索软件等攻击实例表明，包括防火墙和入侵检测系统在内的现成防御方法存在不足。因此，必须设计最新的安全机制，以减轻风险，尽管成功的渗透和复杂的攻击者的战略反应。在本章中，我们将使用博弈论来模拟防御者和攻击者之间的竞争互动。首先，我们使用静态贝叶斯博弈来捕捉攻击者的隐蔽性和欺骗性。称为\textit{type}的随机变量表征用户的本质和目标，例如，合法用户或攻击者。由于网络欺骗，用户类型的实现是私人信息。然后，我们将一次性同时交互扩展到非对称信息结构下的一次性交互，即，信号游戏最后，我们研究了高级持续威胁（APT）和田纳西伊士曼（TE）过程下的多阶段过渡的案例研究。引入双边不完全信息是因为防御者可以采用防御性欺骗技术，如蜜罐和蜜罐，为攻击者创造足够的不确定性。在本章中，对纳什均衡（NE）、贝叶斯纳什均衡（BNE）和完美贝叶斯纳什均衡（PBNE）的分析使我们能够预测对手的策略，并设计主动和战略防御，以阻止攻击者并减少损失。
2018-09-08 cs.CR cs.GT
Dynamic Risk Assessment by Bayesian Attack Graphs and Process Mining
DIETI University of Naples Federico II（那不勒斯费德里科二世大学DIETI部门）；Department of Engineering University Campus Bio-Medico of Rome（罗马生物医学大学工程学院）
本文结合贝叶斯攻击图与过程挖掘技术，动态评估系统漏洞被利用的可能性，通过分析网络流量检测漏洞利用行为，更新概率表以实现风险评估。
2026-04-20 cs.CR cs.LG cs.NI
ATAG: AI-Agent Application Threat Assessment with Attack Graphs
Dept. of Software and Information Systems Engineering（软件与信息系统工程系）；Ben-Gurion University of the Negev（贝叶尔-加利利大学）
本文提出ATAG框架，通过扩展MulVAL攻击图生成工具并构建LLM漏洞数据库，系统建模和评估多智能体AI应用中的复杂多步攻击路径，实现对AI智能体威胁的主动识别与缓解。
2025-06-03 cs.AI cs.CR
Lost at Sea: Assessment and Evaluation of Rootkit Attacks on Shipboard Microgrids
本文针对中压直流舰船微电网，系统评估了 rootkit 隐蔽攻击的威胁态势，并通过仿真验证其影响，进而提出规避、欺骗与检测等防御框架以提升海事网络安全防护能力。
2023-05-30 cs.CR cs.SY eess.SY
Adversarial Robustness Assessment: Why both $L_0$ and $L_\infty$ Attacks Are Necessary
Kyushu University（九州大学）
针对各种类型的机器学习算法，存在大量的对抗攻击和防御，这使得评估算法的鲁棒性成为一项艰巨的任务。更糟糕的是，这些对抗性算法中存在固有的偏见。在这里，我们组织了面临的问题：a）模型依赖性，b）评估不足，c）虚假对抗样本，d）扰动依赖结果。在此基础上，我们提出了一个模型无关的双重质量评估方法，连同鲁棒性水平的概念来解决它们。我们验证了最先进的神经网络（WideResNet，ResNet，AllConv，DenseNet，NIN，LeNet和CapsNet）的双重质量评估以及图像分类问题的对抗性防御。我们进一步表明，目前的网络和防御是脆弱的，在所有级别的鲁棒性。所提出的鲁棒性评估表明，根据所使用的度量（即，$L_0$或$L_\infty$），则鲁棒性可以显著变化。因此，要正确评价，就必须考虑到这种二重性。此外，数学推导以及反例表明，单独使用$L_1$和$L_2$度量不足以避免虚假对抗样本。有趣的是，所提出的评估的阈值攻击是一种新的$L_\infty$黑盒对抗方法，其需要比单像素攻击更少的扰动（仅为单像素攻击的扰动量的$12\%$）来实现类似的结果。代码可在http://bit.ly/DualQualityAssessment上获得。
2020-07-16 cs.CR cs.CV cs.LG
A Bayesian Approach to Membership Inference for Statistical Release
Northeastern University（东北大学）；Proof Trading, Inc（Proof Trading公司）；Boston University（波士顿大学）
提出基于贝叶斯网络的成员推断攻击框架，利用属性依赖结构信息，通过概率编程计算后验概率，在复杂依赖结构上优于现有攻击。
2026-05-28 cs.CR cs.PL
Security Assessment and Impact Analysis of Cyberattacks in Integrated T&D Power Systems
在本文中，我们研究了网络攻击的影响，在一个集成的传输和分配（T&D）电网模型与分布式能源（DER）集成。我们采用OCTAVE Allegro方法来识别关键系统资产、列举潜在威胁、分析威胁场景并确定风险优先级。在分析的基础上，攻击策略和开发方案，可能会导致系统的危害。具体来说，我们调查了数据完整性攻击对逆变器太阳能光伏控制器的影响，保护开关和断路器中的控制信号阻塞攻击，以及协调监控和切换时延攻击。
2021-04-11 cs.CR cs.SY eess.SY
Membership-Doctor: Comprehensive Assessment of Membership Inference Against Machine Learning Models
CISPA Helmholtz Center for Information Security（亥姆霍兹信息安全中心）；Intel Labs（英特尔实验室）
机器学习模型倾向于记忆敏感数据，使得它们容易受到成员推断攻击，其中对手旨在推断输入样本是否用于训练模型。在过去的几年里，研究人员已经产生了许多成员推断攻击和防御。然而，这些攻击和防御采用各种策略，并在不同的模型和数据集中进行。然而，缺乏全面的基准测试意味着我们不了解现有攻击和防御的优势和劣势。我们填补了这一空白，提出了一个大规模的测量不同的成员推断攻击和防御。我们通过对九种攻击和六种防御的研究，将隶属度推理系统化，并在整体评估中衡量不同攻击和防御的性能。然后，我们量化了威胁模型对这些攻击结果的影响。我们发现威胁模型的一些假设，如相同的架构和相同的分布之间的影子和目标模型，是不必要的。我们也是第一个对从互联网收集的真实世界数据而不是实验室数据集进行攻击的公司。我们进一步研究了是什么决定了成员推断攻击的性能，并揭示了通常认为的过拟合水平是不足以成功的攻击。相反，成员和非成员样本之间的熵/交叉熵的Jensen-Shannon距离与攻击性能的相关性要好得多。这为我们提供了一种新的方法来准确预测成员推理风险，而无需运行攻击。最后，我们发现，数据增强降低了现有的攻击在更大程度上的性能，我们提出了一个自适应攻击使用增强训练阴影和攻击模型，提高攻击性能。
2022-08-22 cs.CR cs.LG
ML-Doctor: Holistic Risk Assessment of Inference Attacks Against Machine Learning Models
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全研究中心）；UCL & Alan Turing Institute（伦敦大学学院与艾伦·图灵研究所）
针对机器学习（ML）模型的推理攻击允许攻击者学习有关训练数据、模型参数等的敏感信息。虽然研究人员已经深入研究了几种攻击，但他们都是孤立地进行的。因此，我们对攻击造成的风险缺乏全面了解，例如，它们可以应用于的不同场景，影响其性能的共同因素，它们之间的关系，或可能的防御措施的有效性。在本文中，我们通过对机器学习模型的不同推理攻击进行首次整体风险评估来填补这一空白。我们集中在四个攻击-即，成员推断，模型反演，属性推断，模型窃取-并建立一个威胁模型分类。我们广泛的实验评估，运行在五个模型架构和四个图像数据集，表明训练数据集的复杂性起着重要的作用，相对于攻击的性能，而模型窃取和成员推断攻击的有效性是负相关的。我们还表明，像DP-SGD和知识蒸馏防御只能减轻一些推理攻击。我们的分析依赖于一个模块化的可重用软件ML-Doctor，它使ML模型所有者能够评估部署模型的风险，并同样作为研究人员和从业者的基准工具。
2021-10-06 cs.AI cs.CR cs.LG
Improving Transferability of Adversarial Examples via Bayesian Attacks
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学学院）；Department of Computer Science, University of California, Davis（加州大学戴维斯分校计算机科学系）
本文提出贝叶斯攻击方法，联合多样化模型参数与输入，提高对抗样本可迁移性，在ImageNet和CIFAR-10上达到新的最先进水平。
2025-10-15 cs.CR cs.CV cs.LG
JailbreakRadar: Comprehensive Assessment of Jailbreak Attacks Against LLMs
CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心）
本研究提出JailbreakRadar，大规模评估17种越狱攻击，建立分类法，在9个LLM和8种防御下测试，揭示启发式攻击成功率虽高但易被防御，为未来研究提供基准与见解。
2025-05-26 cs.AI cs.CL cs.CR
HEAP: Reliable Assessment of BGP Hijacking Attacks
BGP前缀劫持攻击的检测一直是十多年来的研究热点。然而，最先进的技术无法检测到更复杂的攻击类型。为了研究这种攻击，我们设计了一种新的形式化的互联网路由，并将此模型应用到路由异常，以建立一个全面的攻击者模型。我们使用这个模型来精确地分类攻击，并评估其影响和可检测性。我们分析了适合攻击者目标的攻击策略的资格，并证明了相关工作主要集中在影响力较小的攻击类型上。我们进一步提出，实施和测试劫持事件分析程序（HEAP），一种新的方法来调查劫持警报。我们的方法旨在与以前的工作无缝集成，以减少这些技术固有的高误报率。我们利用几个独特的数据源，可以可靠地反驳恶意意图。首先，我们利用互联网路由注册表来获取事件中所涉及的各方之间的业务或组织关系。其次，我们使用一个基于拓扑的推理算法，以排除事件所造成的合法操作实践。最后，我们使用Internet范围的网络扫描来识别启用SSL/TLS的主机，这有助于通过在事件之前和事件期间比较公钥来识别非恶意事件。在我们的评估中，我们证明了我们的方法的有效性，并表明日常路由异常是无害的大部分。更重要的是，我们使用HEAP来评估公开报告的警报的有效性。我们邀请研究人员与HEAP进行交互，以交叉检查并缩小劫持警报的范围。
2016-07-01 cs.CR cs.NI
SwissCovid: a critical analysis of risk assessment by Swiss authorities
在推出SwissCovid接触者追踪应用程序之前，进行了官方的公共安全测试。在这次审计中，Serge Vaudenay教授和Martin Vuagnoux博士描述了该应用程序的一系列问题，包括已知误报攻击的新变体，利用Google和Apple曝光通知框架中的加密弱点篡改发出的蓝牙信标。另外，第一作者描述了利用流氓应用程序或SDK的重新识别攻击。瑞士网络安全机构和瑞士公共卫生当局的回应是，这些攻击不太可能发生，因为它们需要攻击者与目标的物理接近度（尽管承认攻击者可能超过两米）。袭击者在瑞士的实际存在被认为是重要的，因为这意味着这些袭击者将属于瑞士刑法典的范围。我们通过一个例子表明，在最初描述的场景中必须考虑更多种类的对手，并且这些攻击可以由对手在瑞士没有任何实际存在的情况下进行。这直接违背了瑞士公共当局评估与SwissCovid相关风险的官方调查结果。为了进一步推进讨论，我们简要讨论了COVID-19和SwissCovid在人群中流行的攻击面和危害的增长。虽然本文的重点是瑞士，但我们强调核心技术发现和网络安全问题与许多接触者追踪工作相关。
2020-06-22 cs.CR cs.CY
Enhanced Audit Bit Based Distributed Bayesian Detection in the Presence of Strategic Attacks
本文采用了基于审计位的机制，以减轻拜占庭攻击的影响。在此框架下，研究了智能攻击者对传统的基于位的审计方案（TAS）的最优攻击策略，以评估系统的鲁棒性。我们表明，它是可能的智能攻击者降低TAS的性能，系统没有审计位。为了提高系统的鲁棒性存在的智能攻击者，我们提出了一个增强的审计位为基础的计划（EAS）。推导了该方案的最优融合规则，并通过系统的错误概率评估了系统的检测性能。仿真结果表明，所提出的EAS提高了系统的鲁棒性和检测性能。此外，基于EAS，另一种新的方案称为减少审计位为基础的方案（RAS），进一步提高系统的性能。仿真结果表明，RAS在鲁棒性和检测性能方面均优于EAS和TAS。然后，我们提出了一个广域集群为基础的分布式无线传感器网络（CWSNs）的RAS。仿真结果表明，该RAS协议显著降低了传感器与FC之间的通信开销，延长了网络的生存时间。
2021-09-27 cs.CR eess.SP
Assessment of Source Code Obfuscation Techniques
混淆技术是广泛采用的软件保护的一般类别，以通过使应用程序更难以理解从而更难以修改来防止恶意篡改代码。根据受保护的资产，混淆技术分为代码混淆和数据混淆。虽然已经进行了初步的实证研究，以确定代码混淆的影响，我们的工作旨在评估的有效性和效率，防止攻击的一个特定的数据混淆技术- VarMerge。我们进行了一个实验，让学生参与者对两个用C编写的应用程序的清晰和模糊版本执行两个攻击任务。实验表明，数据混淆对完成所需的时间和成功攻击的效率都有显着影响。使用VarMerge的应用程序可以将单位时间内成功攻击的数量减少六倍。这一结果提供了一个实用的线索，可以在应用基于数据混淆的软件保护时使用。
2017-04-07 cs.CR cs.SE
Assessment of System-Level Cyber Attack Vulnerability for Connected and Autonomous Vehicles Using Bayesian Networks
Benedict College（本尼迪克特学院）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Clemson University（克莱姆森大学）
本研究提出了一种方法来量化网络攻击的脆弱性及其影响的基础上概率图形模型的智能交通系统下连接和自动驾驶汽车的框架。基于选定的性能指标，计算智能信号和协同自适应巡航控制（CACC）应用的各种类型的网络攻击漏洞及其影响。数值算例表明，在平均交叉口排队长度，停车次数，平均速度和延误方面的脆弱性的影响。在具有和不具有冗余系统的信号化网络中，脆弱性可分别使平均队列和延迟增加$3\%$和$15\%$以及$4\%$和$17\%$。对于CACC应用，当少量速度信息被扰动时，影响水平平均达到$50\%$延迟差。当攻击者插入显著不同的速度特性时，延迟差增加到超过正常业务条件的$100\%$。
2020-11-18 cs.AI cs.CR cs.SY
A Security Risk Assessment Method for Distributed Ledger Technology (DLT) based Applications: Three Industry Case Studies
本研究提出一种分布式账本技术应用的安全风险评估方法，并构建威胁数据库，通过三个案例验证其有效性，旨在提升组织对DLT应用网络安全的评估能力。
2024-11-07 cs.CR cs.SE
Security Assessment of Hierarchical Federated Deep Learning
Newcastle University（纽卡斯尔大学）；Alahsa Technical College（艾拉哈萨技术学院）；University of Catania（卡塔尼亚大学）；Technical University of Ostrava（俄斯特拉发技术大学）
本研究评估分层联邦学习（HFL）的安全性，发现其对非目标训练时攻击鲁棒，但易受后门攻击，且分层聚合增强了对推理时攻击的抵抗力。
2024-08-20 cs.AI cs.CR cs.LG
Attack Assessment and Augmented Identity Recognition for Human Skeleton Data
Dept. of ECE（电子工程系）；Old Dominion University（旧 Dominion 大学）；Dept. of Computer Science（计算机科学系）；Amherst College（阿默斯特学院）；Hampshire County, MA, USA（马萨诸塞州汉普郡县）
本文提出Attack-AAIRS框架，利用真实与合成数据提升HCN-ID模型对未知对抗攻击的鲁棒性，通过生成对抗样本增强模型防御能力，实验显示模型在保持真实数据测试性能的同时提高了对抗攻击的鲁棒性。
2026-03-25 cs.CR cs.CV cs.LG
Adversarial Attacks on Graph Classification via Bayesian Optimisation
University of Oxford（牛津大学）
图神经网络是一种在广泛的基于图的学习任务中有效的流行模型，已被证明容易受到对抗性攻击。虽然大多数文献都集中在节点级分类任务中的这种脆弱性上，但很少有人致力于分析对图级分类的对抗性攻击，这是生物化学和社交网络分析等众多现实应用的一个重要问题。现有的几种方法通常需要不切实际的设置，例如访问受害者模型的内部信息，或者不切实际的大量查询。我们提出了一种新的贝叶斯优化为基础的攻击方法的图分类模型。我们的方法是黑盒，查询效率和吝啬的扰动。我们经验验证了所提出的方法的有效性和灵活性，广泛的图形分类任务，涉及不同的图形属性，约束和攻击模式。最后，我们分析了产生的对抗样本背后的常见可解释模式，这可能会进一步揭示图分类模型的对抗鲁棒性。
2021-11-04 cs.AI cs.CR cs.LG
On the Robustness of Bayesian Neural Networks to Adversarial Attacks
University of Trieste（的里雅斯特大学）；TU Delft University（代尔夫特理工大学）；SISSA, International School of Advanced Studies（国际高等研究学院（SISSA））；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
本文从过参数化极限下的攻击几何出发，证明BNN后验的损失期望梯度消失，从而对基于梯度的对抗攻击具有鲁棒性，并经多数据集实验验证其兼具高准确率与攻击鲁棒性。
2024-02-28 cs.AI cs.CR cs.LG
Bayesian adversarial multi-node bandit for optimal smart grid protection against cyber attacks
Xi'an Jiaotong-Liverpool University（西交利物浦大学）；University of Strathclyde（思克莱德大学）；University of New South Wales（新南威尔士大学）
智能电网的网络安全已成为发展可靠的现代电力和能源系统的关键问题之一。本文介绍了一种非平稳的对抗成本与变化约束的智能电网，使我们能够在一个相对实际的情况下，研究最佳的智能电网保护免受网络攻击的问题。特别地，构造了一个具有对抗成本的贝叶斯多节点强盗（MNB）模型，并定义了一个新的后悔函数。提出了一种求解该问题的算法-通过算例验证了该算法在实际智能电网中的适用性和性能。
2021-02-20 cs.CR cs.LG cs.SY
Trading Devil: Robust backdoor attack via Stochastic investment models and Bayesian approach
INRS-EMT, University of Québec（INRS-EMT大学）
针对音频后门攻击，提出基于随机投资模型与贝叶斯方法的MarketBack攻击，通过操纵音频风格属性，在污染少于1%训练数据时，对七个模型实现近100%攻击成功率。
2025-04-23 cs.CR cs.LG q-fin.CP
Asymptotic Analysis of Distributed Bayesian Detection with Byzantine Data
在这封信中，我们考虑的问题，分布式贝叶斯检测的数据伪造拜占庭在网络中的存在。分布式检测的问题被制定为一个二进制假设检验在融合中心（FC）的基础上发送的传感器的1位数据。采用自相关信息作为性能度量，研究了系统在拜占庭攻击下的检测性能。得到了拜占庭人致盲FC所需的最小攻击力的表达式。更具体地说，我们表明，在一定比例的拜占庭攻击者在网络中，检测方案变得完全无法利用传感器数据进行检测。当拜占庭的分数是不足以盲目的FC，我们也提供了封闭形式的表达式的最佳攻击策略的拜占庭，最降低检测性能。
2014-08-14 cs.CR cs.GT stat.AP
Asymptotic Security using Bayesian Defense Mechanism with Application to Cyber Deception
本文将攻防动态决策建模为随机信号博弈，证明贝叶斯防御机制在均衡下可渐近识别攻击或迫使系统恢复正常，并据此提出漏洞非对称认知下的防御性欺骗方法。
2023-12-07 cs.CR cs.GT cs.SY
The last Dance : Robust backdoor attack via diffusion models and bayesian approach
INRS-EMT, University of Québec（INRS-EMT大学）
本文提出一种名为BacKBayDiffMod的后门攻击方法，利用扩散模型和贝叶斯方法投毒音频Transformer的训练数据，实现对Hugging Face音频模型的有效攻击。
2025-04-20 cs.AI cs.CR cs.LG
