Research on Virus Cyberattack-Defense Based on Electromagnetic Radiation
本文研究远程计算机病毒辐射注入的可行性,利用数字信号处理和相移键控将病毒比特流调制到太赫兹雷达载波上实现电磁“场到线”耦合攻击,并提出基于信号识别的防御及利用AI算法的自动化入侵检测方案。
2023-06-30 cs.CR eess.SP
Cyber Deception for Computer and Network Security: Survey and Challenges
网络欺骗作为一种有前途的主动网络防御机制,近年来受到越来越多的关注。网络欺骗策略旨在注入故意伪造的信息,以破坏攻击侦察和计划的早期阶段,从而使最终的攻击行动无害或无效。基于网络欺骗研究的最新进展,我们在本文中提供了一个正式的网络欺骗的观点,并审查高层次的欺骗计划和行动。本文还对基于网络欺骗概念的网络防御技术的最新研究成果进行了归纳和分类,包括战略层面的博弈论建模、网络层面的欺骗、主机系统内的欺骗和基于密码学的欺骗。最后,我们详细阐述和讨论了发展成熟的网络欺骗框架和机制的研究挑战。
2020-07-28 cs.CR
Downscaling Attack and Defense: Turning What You See Back Into What You Get
Center for Security and Emerging Technology, Georgetown University(乔治敦大学安全与新兴技术中心);Georgetown University(乔治敦大学)
作为计算机视觉系统预处理的一部分,图像的嵌入易受攻击。可以创建图像,使得图像在机器视觉尺度下与其他尺度下完全不同,并且一些常见计算机视觉和机器学习系统的默认设置容易受到攻击。我们表明,防御是存在的,是微不足道的管理提供防御者意识到的威胁。这些攻击和防御有助于确立输入净化在机器学习中的作用。
2020-10-07 cs.AI cs.CR cs.CV
Securing HHL Quantum Algorithm against Quantum Computer Attacks
针对HHL量子算法在执行时面临的不当初始化攻击(IIA)和高能攻击(HEA),提出首个防御策略并实现整合该策略的新量子电路,经仿真与IBM硬件验证,修改小、保真度影响低且能自我检测攻击。
2025-04-14 cs.CR quant-ph
Tractable Defense against Advanced Persistent Threats in Networked Settings
University of Colorado Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校);Politecnico di Torino(都灵理工大学)
针对网络化环境中高级持续性威胁(APT)的防御决策难题,提出基于平均场分析的启发式价值函数,在熵最大化假设下实现精确计算,并通过数值实验评估其质量。
2026-09-15 cs.CR
Advances in adversarial attacks and defenses in computer vision: A survey
University of Western Australia(西澳大利亚大学);University of Central Florida(中佛罗里达大学)
深度学习(DL)是当代计算机视觉领域中使用最广泛的工具。它准确解决复杂问题的能力被用于视觉研究,以学习用于各种任务的深度神经模型,包括安全关键应用程序。然而,现在已知DL容易受到对抗攻击的攻击,这些攻击可以通过在图像和视频中引入视觉上无法感知的扰动来操纵其预测。自2013年发现这一现象以来,它引起了机器智能多个子领域研究人员的极大关注。在[2]中,我们回顾了计算机视觉社区在深度学习(及其防御)的对抗攻击中所做的贡献,直到2018年的到来。其中许多贡献启发了这一领域的新方向,自第一代方法出现以来,这一领域已显着成熟。因此,作为[2]的遗产续集,本文献综述重点关注自2018年以来该领域的进展。为了确保真实性,我们主要考虑在计算机视觉和机器学习研究的权威来源中发表的同行评审的贡献。除了一个全面的文献综述,本文还提供了简明的技术术语的定义,在这一领域的非专家。最后,本文讨论了挑战和未来的展望,这一方向的基础上回顾文献[2]。
2021-09-02 cs.CR cs.CV cs.CY
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
Peer to Peer Networks for Defense Against Internet Worms
因特网蠕虫在计算机网络中传播而不需要人为干预,对当今的计算机系统构成严重威胁。蠕虫的繁殖率非常高,它们可以在短时间内感染大部分潜在宿主。我们研究了两种不同的补丁传播方法来对抗蠕虫的传播。我们首先表明,使用一个固定数量的补丁服务器执行可悲的不足以对互联网蠕虫。然后,我们表明,通过利用指数的数据传播能力的P2P系统,蠕虫的传播可以非常有效地停止。我们比较了这两种方法,使用流体模型来计算两个感兴趣的数量:所需的时间,以有效地打击蠕虫的进展和受感染的主机的最大数量。我们使用互联网测量和模拟来验证我们的模型。
2006-05-08 cs.AR cs.CR cs.NI
Beyond Vulnerabilities: A Survey of Adversarial Attacks as Both Threats and Defenses in Computer Vision Systems
本综述系统分析对抗性攻击在计算机视觉中的双重角色,涵盖像素、物理和潜在空间攻击,并探讨其在漏洞评估与防御中的建设性应用,指出研究空白与未来方向。
2025-08-03 cs.AI cs.CR cs.CV
SynChain: Inducing Computer-Use Agent Systems to Construct Their Own Attack Chains
Nanyang Technological University(南洋理工大学);Xidian University(西安电子科技大学);Institute of Science Tokyo(东京科学大学)
该研究提出SynChain攻击范式,通过定向监督微调诱导计算机使用智能体构建含恶意内容的良性制品,在多模型多防御设置下实现高攻击成功率,揭示需对智能体跨任务执行轨迹做来源感知推理以保障安全。
2026-08-10 cs.CR
Blockchain Security Risk Assessment in Quantum Era, Migration Strategies and Proactive Defense
School of Engineering, The University of British Columbia, Canada(不列颠哥伦比亚大学工程学院)
本文评估量子计算对区块链的威胁,提出混合迁移策略与安全蓝图,以主动防御量子攻击并保障主流区块链生态安全。
2025-08-25 cs.CR
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
BraveGuard: From Open-World Threats to Safer Computer-Use Agents
Fudan University(复旦大学);Ant Group(蚂蚁集团);Hunan Institute of Advanced Technology(湖南高级技术研究所);Alibaba Group(阿里巴巴集团);Singapore Management University(新加坡管理大学);Deakin University(德肯大学);Nanyang Technological University(南洋理工大学);Shanghai Innovation Institute(上海创新研究院)
提出BraveGuard框架,通过从开放世界威胁信号和真实代理轨迹中训练防护模型,实现轨迹级别的安全检测,显著提升计算机使用代理的安全性。
2026-06-02 cs.CL cs.CR
Autonomous Intelligent Cyber-defense Agent: Introduction and Overview
本章介绍自主智能网络防御智能体AICA的概念、动机与五项功能的参考架构,并讨论行动风险管控及通过设计建立用户信任的方法。
2023-04-24 cs.CR
Hardware Trojans in Quantum Circuits, Their Impacts, and Defense
本文研究了NISQ量子计算场景下第三方编译器插入单量子比特硬件木马的安全风险,测试了不同木马在有无噪声下的性能影响,并提出基于CNN的检测方法实现90%的检测准确率。
2024-02-02 cs.CR
Adaptive Epidemic Dynamics in Networks: Thresholds and Control
计算机病毒/蠕虫流行动力学的理论建模是一个重要的研究课题。然而,大多数现有的模型是改编自生物流行病的。虽然生物流行病模型可以用来描述计算机病毒的传播情况(特别是当所谓的同质性假设成立时),但计算机病毒传播的问题还没有得到很好的理解,因为它有许多重要的观点,这些观点不一定适用于生物流行病模型。在本文中,我们开始研究这样一个角度,即对任意网络中的流行病传播的自适应防御。更具体地说,我们研究了一个非齐次的易感-感染-易感(SIS)模型,其中模型参数可能随时间而变化。特别是,我们专注于两种情况下,我们称之为半自适应防御和完全自适应防御,分别容纳模型参数之间的隐式和显式依赖关系。在半自适应防御方案中,模型的输入参数是给定的;防御是半自适应的,因为调整是隐式地依赖于病毒传播的结果。对于这种情况,我们提出了一组充分条件(有些条件比其他条件更一般或更简洁),在这些条件下,病毒传播将消失;这样的充分条件在文献中也被称为流行病阈值。在完全自适应防御场景中,一些输入参数是未知的(即,上述充分条件不适用),但防御者可以观察病毒传播的结果。对于这种情况下,我们提出了适应控制策略下,病毒传播将消亡或将包含在一个理想的水平。
2016-04-02 cs.CR cs.SI math.DS
An integrated Auto Encoder-Block Switching defense approach to prevent adversarial attacks
根据最近的研究,最先进的神经网络对对抗性输入样本的脆弱性急剧增加。神经网络是一种中间路径或技术,计算机通过它学习使用机器学习算法来执行任务。机器学习和人工智能模型已经成为生活中的一个基本方面,例如自动驾驶汽车[1],灵巧家庭设备,因此任何漏洞都是一个重大问题。最小的输入偏差可以欺骗这些极端文字系统,欺骗他们的用户以及管理员到不稳定的情况。本文提出了一种利用自动编码器[3]和块交换架构相结合的防御算法。自动编码器旨在消除输入图像中的任何扰动,而块切换方法用于使其对白盒攻击更具鲁棒性。该攻击使用FGSM [9]模型进行规划,随后将通过所提出的架构进行反击,从而证明该算法的可行性和安全性。
2022-03-11 cs.CR cs.CV
Malware Resistant Data Protection in Hyper-connected Networks: A survey
该综述针对现有研究未同时涵盖恶意软件攻击模式与防御策略的空白,整合了现代复杂恶意软件的攻击模式分类与基于机器学习的检测方法,梳理了分析技术并指出未来研究方向。
2023-07-24 cs.CR
Quantum Attacks Targeting Nuclear Power Plants: Threat Analysis, Defense and Mitigation Strategies
University of Montreal(蒙特利尔大学);Ontario Tech University(安大略理工大学)
本文针对核电站提出量子攻击威胁分析,提出基于后量子加密的防御策略,强调通过多阶段攻击方法和纵深防御迁移路径降低安全风险。
2026-07-31 cs.CR
Phases vs. Levels using Decision Trees for Intrusion Detection Systems
计算机和连接它们的网络的安全性正变得越来越重要。入侵检测系统是计算机网络的安全防御工具之一。比较了两种不同的利用决策树技术表示入侵检测系统的模型方法。这些方法是阶段模型法和层次模型法。每个模型都是通过使用两种技术来实现的,新的攻击和数据分区技术。实验结果表明,在新攻击和数据划分技术中,阶段方法比水平方法具有更高的分类率。
2012-08-29 cs.CR
Salient Feature Extractor for Adversarial Defense on Deep Neural Networks
Zhejiang University of Technology(浙江工业大学);Zhejiang University(浙江大学);Hangzhou Dianzi University(杭州电子科技大学);Zhejiang Police College(浙江警察学院)
近年来,深度学习模型在计算机视觉领域取得了前所未有的成功。然而,它们对精心设计的对抗性例子的脆弱性也引起了研究人员越来越多的关注。由于观察到对抗性示例是由于模型从原始数据集中学习到的非鲁棒特征,我们提出了显着特征(SF)和平凡特征(TF)的概念。前者代表了类相关的特征,而后者通常被用来误导模型。利用耦合的生成对抗网络模型提取这两个特征,提出了一种新的显著特征提取器(SFE)检测和防御对抗攻击的方法。具体地说,检测是通过分离和比较输入的SF和TF之间的差异来实现的。同时,通过对SF的重新识别,得到正确的标签,达到防御的目的。在MNIST、CIFAR-10和ImageNet数据集上进行了大量实验,与基线相比,SFE在有效性和效率方面显示了最先进的结果。此外,我们提供了一个可解释的理解的防御和检测过程。
2021-05-14 cs.AI cs.CR cs.CV
A Data Augmentation-based Defense Method Against Adversarial Attacks in Neural Networks
University of California San Diego(加州大学圣迭戈分校);Telecom Paris(巴黎电信学院);Institut Polytechnique de Paris(巴黎综合理工学院);Columbia University(哥伦比亚大学)
众所周知,计算机视觉(CV)中的深度神经网络(DNN)易受对抗性示例(AE)的影响,即恶意添加的不可感知的扰动会导致错误的分类结果。这种可变性已经成为现实生活中配备DNN作为核心组件的系统的潜在风险。人们已经在研究如何保护DNN模型不被AE处理方面做出了许多努力。然而,以前的工作还没有能够有效地降低新型对抗攻击造成的影响并同时兼容现实生活的限制。在本文中,我们专注于开发一个轻量级的防御方法,可以有效地无效与现实生活中的约束兼容的全白盒对抗攻击。从基本的仿射变换,我们集成了三个变换与随机系数,微调尊重的变化量的捍卫样本。与过去两年在顶级AI会议上发表的4种最先进的防御方法相比,我们的方法表现出了出色的鲁棒性和效率。值得强调的是,我们的模型可以承受高级自适应攻击,即50轮的BPDA,并且仍然帮助目标模型保持80%左右的准确率,同时将攻击成功率限制在几乎为零。
2020-07-30 cs.CR cs.LG
QKD Entity Source Authentication: Defense-in-Depth for Post Quantum Cryptography
本文评估混合QKD/PQC纵深防御策略,重点考察初始QKD硬件实体源认证对防范中间人攻击的充分性。
2023-11-17 cs.CR cs.ET quant-ph
Deep Learning for Android Malware Defenses: a Systematic Literature Review
Monash University(莫纳什大学);Southern University of Science and Technology(南方科技大学)
恶意应用程序(特别是针对Android平台的应用程序)对开发人员和最终用户构成严重威胁。许多研究工作致力于开发有效的方法来防御Android恶意软件。然而,鉴于Android恶意软件的爆炸式增长以及混淆和反射等恶意规避技术的不断进步,基于手动规则或传统机器学习的Android恶意软件防御方法可能无法有效。近年来,被称为深度学习(DL)的主导研究领域提供了强大的特征提取能力,在诸如自然语言处理和计算机视觉的各种领域中已经展示了引人注目的和有前途的性能。为此,采用深度学习技术来阻止Android恶意软件攻击最近引起了相当大的研究关注。然而,目前还没有针对Android恶意软件防御的深度学习方法的系统性文献综述。在本文中,我们进行了系统的文献综述,以搜索和分析深度学习方法如何应用于Android环境中的恶意软件防御。因此,确定了涵盖2014-2021年期间的共计132项研究。我们的调查显示,虽然这些来源中的大多数主要考虑基于DL的Android恶意软件检测,但53项主要研究(40.1%)基于其他场景设计防御方法。本文还讨论了基于DL的Android恶意软件防御的研究趋势、研究重点、面临的挑战和未来的研究方向。
2022-08-09 cs.CR cs.LG cs.SE
GanDef: A GAN based Adversarial Training Defense for Neural Network Classifier
New Jersey Institute of Technology(新泽西理工学院);Qatar Computing Research Institute(卡塔尔计算研究所)
机器学习模型,特别是神经网络(NN)分类器,被广泛用于包括自然语言处理、计算机视觉和网络安全的许多应用中。它们在无攻击场景的假设下提供高准确性。然而,这一假设已经被引入对抗性示例所挑战-精心扰动的输入样本通常被错误分类。许多研究人员试图开发一种防御对抗性例子的方法;然而,我们离实现这一目标还很远。在本文中,我们设计了一个基于生成对抗网络(GAN)的对抗训练防御,称为GanDef,它利用竞争游戏来调节训练过程中的特征选择。我们分析表明,GanDef可以训练分类器,使其能够抵御对抗性的例子。通过对不同白盒对抗示例的广泛评估,GanDef训练的分类器显示出与最先进的对抗训练防御训练的分类器相同的测试准确度。更重要的是,GanDef的变体GanDef-Comb可以利用GanDef来实现正确分类原始示例和对抗示例之间的动态权衡。因此,当对抗性示例的比例超过41.7%时,它实现了最高的整体测试准确率。
2019-03-06 cs.CR cs.CV cs.LG
Research Directions in Quantum Computer Cybersecurity
Northwestern University(西北大学)
本文总结了量子计算机网络安全领域的研究方向和关键挑战,旨在为学术界和产业界提供当前安全威胁与防御的概述。
2025-12-29 cs.CR quant-ph
Automated Cyber Defense with Generalizable Graph-based Reinforcement Learning Agents
Cybermonic LLC(Cybermonic公司);The George Washington University(乔治华盛顿大学)
本文将自动化网络防御建模为基于属性图的部分可观测马尔可夫决策问题,利用关系归纳偏置使强化学习智能体具备零样本泛化能力,在复杂多智能体环境中显著超越现有方法。
2025-09-19 cs.CR cs.LG
Adversarial Defenses via Vector Quantization
School of Electrical Engineering and Computer Science, University of Ottawa(电气工程与计算机科学系,渥太华大学)
本文提出基于向量量化的预处理防御框架,通过补丁量化提升鲁棒性,pRD和swRD方法在可认证准确率上大幅超越RandDisc,并有效抵抗STE和EOT攻击。
2025-07-09 cs.CR cs.CV cs.LG
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
Review on the Feasibility of Adversarial Evasion Attacks and Defenses for Network Intrusion Detection Systems
Université Libre de Bruxelles(布鲁塞尔自由大学);Royal Military Academy(皇家军事学院);Ecole Militaire Polytechnique(军事理工学院)
如今,由于机器学习(ML)算法的突出成就,许多应用都包含了ML算法。然而,计算机视觉领域的许多研究表明,ML可能会被故意制作的实例(称为对抗性示例)所欺骗。这些对抗性的例子利用了ML模型固有的脆弱性。最近的研究在网络安全领域引起了许多关注。越来越多的研究人员正在研究对基于ML算法的安全系统(如入侵检测系统(IDS))进行此类攻击的可行性。这种对抗攻击的可行性将受到各种特定于域的约束的影响。这可能会增加制作对抗性示例的难度。尽管在这一领域已经进行了大量的研究,但其中大部分都集中在表明使用从原始数据中提取的特征来欺骗模型是可能的,但并没有解决实际的一面,即,从理论到实践的逆向转化。为此,我们建议通过各种重要的文件进行审查,以提供全面的分析。我们的分析强调了一些在审查文件中没有解决的挑战。
2023-03-13 cs.AI cs.CR
Evaluation of Noise and Crosstalk in Neutral Atom Quantum Computers
本研究评估中性原子量子计算机中的噪声与串扰,发现并发模拟的近距离会增加串扰,并提出移动目标防御(MTD)策略以保障安全可靠的模拟共置。
2025-08-08 cs.CR quant-ph
Machine Learning-Based Localization Accuracy of RFID Sensor Networks via RSSI Decision Trees and CAD Modeling for Defense Applications
College of Computer Science, Engineering, and Technology(计算机科学、工程与技术学院);Valdosta State University(瓦尔多斯塔州立大学);Colorado Technical University(科罗拉多技术大学)
本研究利用RSSI决策树和CAD建模仿真,对12个实验室区域进行分类定位,实现国防资产存储的异常检测与错放监控,准确率34.2%。
2025-10-22 cs.CR cs.LG
From Cyber-Security Deception To Manipulation and Gratification Through Gamification
随着网络功能和服务的不断增长,攻击面呈指数级增长,此外,网络架构的复杂性增加了网络防御的复杂性,为此,欺骗的使用最近在学术界和工业界都成为趋势。欺骗可以创建主动防御系统,引诱攻击者,以便更好地保护手头的系统。目前的欺骗应用,只依赖于静态的,或低交互的环境。在本文中,我们提出了一个平台,结合了人机交互,分析,游戏化和欺骗,以引诱恶意用户进入选定的陷阱,同时激起他们的兴趣。此外,我们通过添加叙述来分析该平台的交互欺骗性方面,进一步吸引恶意用户遵循预定义的路径并从关键网络系统转移攻击。
2019-03-21 cs.CR cs.HC
Using Inaudible Audio and Voice Assistants to Transmit Sensitive Data over Telephony
Georgia Institute of Technology(佐治亚理工学院)
由于语音助理(VA)部署在家庭和企业网中的日益普及,出现了新的安全和隐私问题。许多过去的研究结果已经证明了恶意行为者如何使用隐藏的命令来让VA执行某些操作,即使有人可能在他们附近。然而,这些工作还没有探索接近VA的受损计算机如何利用电话渠道在VA的帮助下泄露数据。在描述了通过命令VA拨打电话号码而建立的通信信道后,我们演示了恶意软件如何将数据编码为音频并通过电话信道发送。这种攻击可以远程、大规模和低成本地进行,可以用来绕过可能针对敏感数据泄漏而部署的网络防御。我们使用双音多频音调将任意二进制数据编码为音频,这些音频可以通过计算机扬声器播放,并通过VA介导的电话信道发送到远程系统。我们表明,少量的数据可以传输具有高精度与持续几分钟的短电话。这可以在使音频对于大多数人来说几乎听不见的同时通过使用具有接近人类听觉范围的高端的频率的载波对其进行调制来完成。有几个因素影响数据传送率,包括计算机和VA之间的距离、可能存在的环境噪声和调制载波的频率。在我们建立的原型的帮助下,我们实验评估这些因素对数据传送率和传输精度的影响。我们的研究结果表明,计算机附近的语音助手可能会对存储在这些计算机上的数据构成新的威胁。传统的主机和网络防御无法解决这些威胁。我们简要讨论可能的缓解方法。
2020-09-21 cs.CR cs.SD eess.AS
Optimally Blending Honeypots into Production Networks: Hardness and Algorithms
本文首次系统研究将蜜罐融入生产网络的部署问题,将其形式化为组合优化问题,证明其 NP 困难性,并提出多项式时间近似方案,通过仿真分析攻击者能力对防御效用的影响。
2024-01-12 cs.CC cs.CR
Building an Emulation Environment for Cyber Security Analyses of Complex Networked Systems
计算机网络正经历着惊人的增长,这是由构成网络的节点数量的快速增加所驱动的。与此同时,互联网和内联网网络上的安全威胁数量不断增长,网络防御解决方案的测试和实验需要单独的测试环境,以最好地模拟真实系统的复杂性。这些环境支持部署和监控复杂的任务驱动的网络场景,从而能够在真实和可控的流量和攻击场景下研究网络防御策略。在本文中,我们提出了一种方法,利用网络和安全评估的技术相结合,并使用云技术来建立一个仿真环境,与实际的参考网络或计划中的系统具有可调程度的亲和力。作为一个副产品,从一个特定的研究案例开始,我们收集了一个由完整的网络跟踪组成的数据集,其中包括良性和恶意流量,该数据集功能丰富且公开可用。
2018-10-23 cs.CR cs.NI
Clipping free attacks against artificial neural networks
AS-BSIM Lab, Thales Group(泰雷兹集团AS-BSIM实验室)
近年来,人工智能领域取得了重大突破,人工深度神经网络在计算机视觉、自然语言处理、语音识别、恶意软件检测等机器学习任务中取得了巨大成功,但它们极易受到恶意样本的攻击。许多研究已经指出了这一事实,并且已经提出了不同的方法来生成攻击,同时向原始数据添加有限的扰动。迄今为止,最强大的已知方法是所谓的C&W攻击[1]。尽管如此,一种被称为特征压缩与整体防御相结合的对策表明,大多数这些攻击都可以被摧毁[6]。在本文中,我们提出了一种新的方法,我们称之为中心初始攻击(CIA),其优点是双重的:第一,它确保通过建设的最大扰动小于预先固定的阈值,没有裁剪过程,降低了攻击的质量。其次,它对最近引入的防御(如特征压缩,JPEG编码),甚至对防御的投票集合都是鲁棒的。虽然它的应用不限于图像,但我们使用ImageNet数据集上的五个当前最好的分类器来说明这一点,其中两个是对抗性重新训练的,目的是对攻击具有鲁棒性。在任何像素上固定的最大扰动仅为1.5%的情况下,大约80%的攻击(目标)欺骗了投票集成防御,当扰动仅为6%时,接近100%。虽然这表明很难抵御中情局的攻击,但本文的最后一部分给出了一些限制其影响的指导方针。
2018-03-28 cs.CR cs.LG stat.ML