EnThM: Energy Theft Mitigation in Smart Grids using Hierarchical Verification of Metering Data
National University of Singapore（新加坡国立大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
提出一种轻量级、通信高效的窃电实时缓解方案EnThM，利用智能电网分层结构对计量数据进行多级验证，通过统计建模和规则检查实现高精度实时检测。
2026-05-24 cs.CR cs.ET
Leveraging A New GAN-based Transformer with ECDH Crypto-system for Enhancing Energy Theft Detection in Smart Grid
针对传统拆分学习在智能电网窃电检测中易受隐私泄露攻击的问题，提出基于GAN-Transformer的拆分学习框架，结合Transformer处理长依赖能力与ECDH密码系统，在保护隐私的同时提升检测准确性，实验验证其效果与传统方法相当且隐私保护更强。
2024-11-27 cs.CR
Crafter: Facial Feature Crafting against Inversion-based Identity Theft on Deep Models
Shanghai Jiao Tong University（上海交通大学）；Chinese Academy of Science（中国科学院）；Hong Kong University of Science and Technology（香港科技大学）
针对边缘面部特征上传中的自适应模型反演身份盗用，本文提出边缘部署的 Crafter 特征构造机制，将攻击者误导至非隐私先验，同时保持云端 ML 任务性能。
2024-01-14 cs.CR cs.CV cs.LG
AIJack: Let's Hijack AI! Security and Privacy Risk Simulator for Machine Learning
本文提出开源库AIJack，通过统一API集成多种攻击与防御方法，用于评估机器学习模型训练和部署中的安全与隐私风险。
2024-04-08 cs.CR cs.LG
Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning
Tennessee Technological University（田纳西理工大学）
由于智能电表的诸多优点，如在公用事业服务和最终用户之间提供更快的双向通信、实现需求响应的直接负载控制、节能等，越来越多的传统机电电表被智能电表所取代。然而，智能电表提供的细粒度使用数据给用户和公司带来了额外的漏洞。占用检测就是导致侵犯智能电表用户隐私的一个例子。利用使用时间信息来检测住宅的占用是简单的，因为占用与电力使用之间存在强相关性。在这项工作中，我们的主要贡献是双重的。首先，我们基于一种称为长短期记忆（LSTM）方法的机器学习技术验证了占用检测攻击的可行性，并展示了改进的结果。此外，我们引入了对抗性机器学习占用检测避免（AMLODA）框架作为反击，以防止滥用能源消耗。本质上，所提出的隐私保护框架被设计为使用计算出的最佳噪声来屏蔽实时或接近实时的用电信息，而不损害用户的计费系统功能。我们的研究结果表明，所提出的隐私感知计费技术维护用户的隐私强烈。
2020-10-23 cs.CR cs.LG
Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security
University of New Mexico（新墨西哥大学）；Florida International University（佛罗里达国际大学）；Florida Atlantic University（佛罗里达大西洋大学）；University of Washington（华盛顿大学）；Islamic Azad University（伊斯兰阿扎德大学）
本文调研了物联网安全领域基于机器学习的入侵检测策略最新研究，梳理相关研究并分类，指出现有研究空白与框架局限，为未来研究提供参考。
2024-10-06 cs.CR cs.LG
Malicious URL Detection using Machine Learning: A Survey
Singapore Management University（新加坡管理大学）；Salesforce Research Asia（Salesforce亚洲研究院）
恶意URL，又名恶意网站是网络安全的一种常见而严重的威胁。恶意URL承载未经请求的内容（垃圾邮件、网络钓鱼、驾车攻击等）并诱使不知情的用户成为诈骗的受害者（金钱损失、私人信息被盗和恶意软件安装），每年造成数十亿美元的损失。必须及时发现这种威胁并采取行动。传统上，这种检测主要通过使用黑名单来完成。然而，黑名单不能是详尽的，并且缺乏检测新生成的恶意URL的能力。为了提高恶意URL检测器的通用性，近年来机器学习技术受到越来越多的关注。本文旨在提供使用机器学习的恶意URL检测技术的全面调查和结构性理解。我们提出的恶意URL检测作为一个机器学习任务的正式制定，并分类和审查的文献研究，解决这个问题的不同方面（功能表示，算法设计等）的贡献。此外，本文为一系列不同的受众提供了及时而全面的调查，不仅适用于学术界的机器学习研究人员和工程师，也适用于网络安全行业的专业人士和从业者，以帮助他们了解最新技术水平，并促进他们自己的研究和实际应用。我们还讨论了系统设计中的实际问题，开放的研究挑战，并指出了未来研究的一些重要方向。
2019-08-21 cs.CR cs.LG
AI-Driven Anonymization: Protecting Personal Data Privacy While Leveraging Machine Learning
Sam Houston State University（山姆休斯顿州立大学）；San Fransisco Bay University（旧金山湾大学）；Sun Yat-Sen University（中山大学）；University of Chicago（芝加哥大学）；Guangdong University of Technology（广东工业大学）
本文面向AI应用中的个人数据泄露风险，研究利用机器学习差分隐私算法进行数据加密、匿名化、检测与保护，并分析隐私保护挑战及数据集影响因素。
2024-02-27 cs.AI cs.CR cs.LG
Optimizing Traversing and Retrieval Speed of Large Breached Databases
本文研究如何在不租用昂贵云机器或VPS的情况下优化大型泄露数据库的遍历与检索速度，使个人安全研究人员能在个人计算机上高效处理高达150 GB以上的CSV格式泄露数据并显著降低成本。
2023-09-06 cs.CR cs.DB
A Machine Learning Driven Website Platform and Browser Extension for Real-time Scoring and Fraud Detection for Website Legitimacy Verification and Consumer Protection
University of Central Arkansas（中阿肯色大学）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本研究提出一种机器学习驱动的网站平台与浏览器扩展，通过后台分析网站行为、流量与用户交互实现实时风险评分和欺诈检测，可集成至浏览器扩展助力用户安全上网，在电商及日常浏览中防范财产损失、身份盗窃等风险，为网络消费者保护提供实用高效的工具。
2024-11-01 cs.CR cs.LG
A Distributed Trust Framework for Privacy-Preserving Machine Learning
Blockpass Identity Lab（Blockpass身份实验室）；Edinburgh Napier University（爱丁堡龙比亚大学）
在训练机器学习模型时，研究人员必须充分了解数据和模型。然而，这导致数据所有者和数据科学家之间缺乏信任。数据所有者显然不愿意将私人信息的控制权交给第三方。隐私保护技术分布计算，以确保数据在学习发生时仍处于所有者的控制之下。然而，分布在多个代理之间的架构引入了一组全新的安全和信任复杂性。其中包括数据投毒和模型盗窃。本文概述了一种分布式基础设施，用于促进分布式代理之间的对等信任，协同执行的隐私保护工作流。我们概述的原型将行业看门人和治理机构设置为证书颁发者。在参与分布式学习工作流之前，恶意行为者必须首先协商有效的凭据。我们详细介绍了使用Hyperledger Aries，分散式标识符（DID）和可验证凭据（VC）在隐私保护机器学习实验期间建立分布式信任架构的概念证明。具体而言，我们利用安全和认证的DID通信渠道，以促进与心理健康护理数据相关的联邦学习工作流程。
2020-06-03 cs.CR cs.CY cs.DC
An Enhanced Machine Learning-based Biometric Authentication System Using RR-Interval Framed Electrocardiograms
本文的研究对象是基于机器学习的生物特征数据安全系统。传统认证系统的缺点包括遗忘、丢失和被盗的风险。因此，生物识别认证正在迅速取代传统的认证方法，并正在成为日常生活的一部分。心电图（ECG）最近被引入作为适合于安全检查的生物特征认证系统。所提出的认证系统帮助研究人员研究基于ECG的生物特征认证技术，重塑输入数据的切片的基础上RR间隔，并定义了整体性能（OP），这是多个认证措施的组合性能指标。我们评估了所提出的系统使用混淆矩阵的性能，并通过紧凑的数据分析达到了95%的准确率。我们还使用MATLAB中的Amang ECG（amgecg）工具箱来研究基于均方误差的上限控制限（UCL），它直接影响三个身份验证性能指标：准确度、可接受样本的数量和OP。使用这种方法，我们发现可以通过使用0.0028的UCL来优化OP，其指示70个中的61个被接受的样本，并且确保所提出的认证系统实现95%的准确度。
2019-12-01 cs.CR cs.LG eess.SP
Mitigating Bias in Machine Learning Models for Phishing Webpage Detection
本文针对钓鱼网页检测中数据集偏差问题，提出一种可为任意合法URL生成钓鱼网页的工具，以缓解机器学习模型偏差并评估现有检测方案的有效性。
2024-01-16 cs.CR
Android Malware Detection based on Factorization Machine
近年来，随着Android智能手机的普及，恶意应用程序的数量也在增加。由于手机用户面临的数据盗窃的可能性，Android设备上恶意软件的检测已经成为网络安全中越来越重要的问题。基于签名的例程等传统方法无法保护用户免受新型Android恶意软件日益复杂和快速行为变化的影响。因此，最近已经做出了大量努力来使用机器学习模型和方法来表征和概括移动应用的恶意行为模式以用于恶意软件检测。在本文中，我们提出了一种新的和高度可靠的分类器，用于Android恶意软件检测的基础上因式分解机架构和Android应用程序的功能，从清单文件和源代码的提取。我们的研究结果表明，应用程序的数字特征表示通常会导致长且高度稀疏的向量，并且不同特征之间的交互对于揭示恶意行为模式至关重要。在进行了广泛的性能评估后，我们提出的方法在DREBIN数据集上获得了100.00%的准确率，在AMD数据集上获得了99.22%的准确率，只有1.10%的假阳性率。这些指标与最先进的基于机器学习的Android恶意软件检测方法和几种商业防病毒引擎的性能相匹配，其优点是训练速度快50倍。
2019-08-13 cs.CR
