Resilient Machine Learning for Networked Cyber Physical Systems: A Survey for Machine Learning Security to Securing Machine Learning for CPS
Howard University（霍华德大学）
网络物理系统（CPS）的特点是它们能够整合物理和信息或网络世界。它们在关键基础设施中的部署显示了改变世界的潜力。然而，利用这种潜力受到其关键性质以及网络攻击对人类，基础设施和环境的深远影响的限制。CPS对网络问题的吸引力来自通过无线通信介质将信息从传感器发送到执行器的过程，从而扩大了攻击面。传统上，CPS安全性已经从使用密码学和其他访问控制技术防止入侵者获得对系统的访问的角度进行了研究。因此，大多数研究工作都集中在CPS中的攻击检测上。然而，在一个对手不断增加的世界里，完全防止CPS遭受对抗攻击变得越来越困难，因此需要专注于使CPS具有弹性。弹性CPS旨在承受中断并在对手的操作下保持功能。为构建弹性CPS而探索的主要方法之一依赖于机器学习（ML）算法。然而，从最近对对抗性ML的研究中，我们认为用于保护CPS的ML算法本身必须具有弹性。因此，本文旨在全面调查弹性CPS使用ML和弹性ML应用于CPS时之间的相互作用。文章最后总结了一些研究趋势和未来的研究方向。此外，通过本文，读者可以深入了解基于ML的安全性和针对CPS的安全ML的最新进展和对策，以及这一活跃研究领域的研究趋势。
2021-02-14 cs.AI cs.CR cs.LG
Authentication of Everything in the Internet of Things: Learning and Environmental Effects
物联网（IoT）系统的好处取决于开发特定于IoT的安全解决方案。传统的安全和认证解决方案通常无法满足物联网安全要求，因为物联网对象的计算有限和便携性。本文提出了一种物联网对象认证框架。该框架使用特定于设备的信息（称为指纹）以及迁移学习工具来验证物联网中的对象。该框架跟踪物理环境变化对指纹的影响，并使用独特的物联网环境影响功能来检测网络和网络物理仿真攻击。所提出的环境影响估计框架被证明可以在不增加误报率的情况下提高攻击者的检测率。所提出的框架也被证明是能够检测网络物理攻击者，能够复制的指纹的目标对象，传统的方法是无法检测到的。提出了一种迁移学习方法，允许在环境影响估计过程中使用具有不同类型和特征的对象，以增强框架的性能，同时捕获具有不同对象类型的实际物联网部署。使用真实物联网设备数据的仿真结果表明，所提出的方法可以在网络仿真攻击检测方面提高40%，并且能够检测到传统方法无法检测到的网络物理仿真攻击。结果还表明，该框架提高了认证的准确性，而迁移学习方法产生高达70%的额外的性能增益。
2018-04-24 cs.CR cs.IT math.IT
Combating False Reports for Secure Networked Control in Smart Grid via Trustiness Evaluation
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；University of Arkansas, Little Rock（阿肯色大学小石城分校）
本文提出一种基于卡尔曼滤波的可信度评估系统，用于检测并抵御智能电网中的虚假报告攻击，以保障线性二次型调节器（LQR）控制器的稳定性。
2010-10-19 cs.CR cs.SY eess.SY
Simulation-Based Cyber Data Collection Efficacy
基于以前在蜜网和模拟方面的研究，我们提出了一个为期两年半的研究，使用代表性的模拟来收集网络安全数据。与传统的蜜罐或蜜网不同，我们的实验利用一个全面的运营网络来模拟一个小型的商业环境。模拟使用默认的安全配置来保护网络，测试假设给定标准安全基线，联网到公共互联网的设备必然会被黑客攻击。鉴于网络活动适合其上下文，结果支持的结论是，没有演员能够闯入，尽管只有默认的安全设置。
2019-05-22 cs.CR
Bounty Hunter: Autonomous, Comprehensive Emulation of Multi-Faceted Adversaries
Fraunhofer FKIE（弗劳恩霍夫FKIE）；RWTH Aachen University（亚琛工业大学）
Bounty Hunter是一种自动化对手模拟工具，通过Caldera平台实现自主、全面的多面对手模拟，提升安全评估和入侵检测研究的效率与真实性。
2026-09-10 cs.CR
AutoSUT: The Environment Semantics Gap in Structured CTI for Adversary Emulation
Aeronautics Institute of Technology（巴西空军理工学院）
测量MITRE ATT&CK STIX数据在平台覆盖、软件特异性、漏洞证据和部署兼容性方面的不足，发现结构化CTI可缩小候选环境但无法唯一确定可重放SUT。
2026-06-16 cs.CR
BYOT-CPS: A Hybrid Cyber-Physical Systems Testbed for IoT Security Assessment and Platform Evaluation
University of Derby（德比大学）
提出一种混合信息物理测试平台BYOT-CPS，通过连接真实物联网设备与基于GNS3的虚拟化网络基础设施，在保留真实设备行为的同时支持安全实验、教育和商业物联网安全平台独立评估。
2026-05-21 cs.CR
Red Team Redemption: A Structured Comparison of Open-Source Tools for Adversary Emulation
Austrian Institute of Technology（奥地利技术研究所）
针对红队演练耗时昂贵的问题，研究通过80项维度问卷及领域专家用户研究，对9款开源对手模拟工具进行结构化比较与排名，明确了头部工具，为不同角色用户选型提供参考。
2024-08-28 cs.CR
Managing Networked IoT Assets Using Practical and Scalable Traffic Inference
针对物联网设备管理中的实际挑战，论文提出了四种技术：平衡特征成本、基于IPFIX的推断、概念漂移分析和对抗鲁棒性，显著降低假阳性率并提升安全性。
2023-09-07 cs.CR
Towards a Cybersecurity Testbed for Agricultural Vehicles and Environments
在当今的现代化农场中，越来越多的农业系统和车辆连接到互联网。虽然联网农业机械的好处很有吸引力，但这种技术转变也创造了一个有利于网络攻击的环境。虽然以前的研究主要集中在农业和农业行业的一般网络安全问题上，但很少有研究集中在识别实际农业系统中可能被网络犯罪分子利用的安全漏洞的技术上。因此，本文提出了STAVE -农业车辆和环境的安全测试平台-作为一种潜在的解决方案，以帮助识别某些农业系统中使用的商用现成组件中的网络安全漏洞。本文报告了正在进行的开发和完善STAVE测试平台的研究工作，并描述了旨在识别无线和控制器局域网（CAN）总线农用车辆组件中的安全漏洞的初始网络安全实验。
2022-05-12 cs.CR cs.CY
On Securing Cloud-hosted Cyber-physical Systems Using Trusted Execution Environments
最近，云控制系统作为实现网络化网络物理系统（CPS）的解决方案越来越受到研究界的关注。这样的架构可以降低部署和维护成本，尽管代价是额外的安全和隐私问题。在本文中，首先，我们讨论了云控制系统的最新安全解决方案及其局限性。然后，我们提出了一种新的控制体系结构的基础上可信执行环境（TEE）。我们表明，这种方法可以潜在地解决云托管控制系统的主要安全和隐私问题。最后，我们提出了一个基于英特尔软件防护扩展（SGX）的实施设置，并在测试平台系统上验证了其有效性。
2021-04-01 cs.CR cs.SY eess.SY
Network Environment Design for Autonomous Cyberdefense
强化学习（RL）已被证明适用于开发具有人类水平性能的复杂游戏代理。然而，目前还不清楚如何有效地使用RL来执行网络安全任务。为了发展这样的理解，有必要使用仿真和模拟系统开发RL代理，使研究人员能够对广泛的现实威胁和网络条件进行建模。证明特定的RL算法在某些条件下可以有效地防御网络，可能不一定能在威胁，网络条件和安全目标发生变化时了解算法的性能。本文介绍了一种新的网络环境设计方法和一个软件框架，以解决网络防御不能被定义为一个简单的一组固定规则的单一游戏的根本问题。我们展示了我们的方法是必要的，以促进RL网络防御者的发展，这些防御者对针对代理学习的攻击具有鲁棒性。我们的框架可以开发和模拟具有复杂行为的对手，包括对RL网络防御者的中毒和逃避攻击。
2021-03-13 cs.CR
Quantifying Security for Networked Control Systems: A Review
本文综述网络化控制系统脆弱性量化方法与缓解策略，强调概率风险度量在对手知识不完备场景下的价值，并指出未来研究方向。
2025-10-21 cs.CR cs.SY eess.SY
Automatic Mapping of Unstructured Cyber Threat Intelligence: An Experimental Study
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；University of Bern（伯尔尼大学）
主动的安全方法，如对手模拟，利用有关威胁行为者及其技术的信息（网络威胁情报，CTI）。然而，大多数CTI仍然以非结构化形式出现（即，自然语言），例如事件报告和泄露的文档。为了支持主动的安全工作，我们提出了一个实验研究的非结构化CTI的攻击技术，使用机器学习（ML）的自动分类。我们贡献了两个新的CTI分析数据集，并评估了几个ML模型，包括传统的和基于深度学习的ML模型。我们提出了几个关于ML如何执行这项任务的经验教训，哪些分类器表现最好，在哪些条件下，这是分类错误的主要原因，以及CTI分析面临的挑战。
2022-08-25 cs.CL cs.CR cs.LG
Qualcomm Trusted Application Emulation for Fuzzing Testing
本研究针对高通TEE中的可信应用（TAs）提出了一款新型轻量级仿真器，结合逆向工程与模糊测试技术有效发现潜在安全漏洞，并首次公开其实现方法与源代码，为安全测试提供了便捷高效的方案。
2025-07-11 cs.CR
BLCS: Brain-Like based Distributed Control Security in Cyber Physical Systems
Beijing University of Posts and Telecommunications（北京邮电大学）；École de technologie supérieure（高等技术学院）
信息物理系统（CPS）是指在工业4.0中，通过计算和通信核心集成的物理系统进行操作、控制和协调的系统。为了适应CPS服务，雾无线电和光网络（F-RON）已经成为一个重要的支持物理网络基础设施，利用了无线技术固有的普遍性和光网络的大容量。然而，网络安全是CPS场景中最大的问题，因为在F-RON中存在安全控制和隐私暴露之间的权衡。为了解决这个问题，我们提出了一个基于类脑的分布式控制安全（BLCS）架构的F-RON在CPS，通过引入类脑安全（BLS）计划。BLCS可以在分布式F-RON的分布式计算和通信场景下，实现三方控制器之间的安全跨域控制验证，无需泄露各域的私有信息以抵御网络攻击。BLS利用部分信息通过关系网络和行为库的深度学习进行控制识别。阐述了BLCS体系结构的功能模块，包括各种控制器和类脑知识库。描述了基于BLS的分布式控制安全模式的互通过程。在软件定义网络实验平台上，从平均不信任率、路径配置延迟、丢包率和阻塞率等方面验证了该体系结构的可行性和有效性。在试验台上进行了仿真分析。
2020-02-08 cs.AI cs.CR cs.NI
Dataset: Large-scale Urban IoT Activity Data for DDoS Attack Emulation
University of Southern California（南加利福尼亚大学）
随着物联网部署在智能城市等应用中的规模不断扩大，它们面临着越来越多的网络安全威胁。特别是，正如著名的Mirai事件和其他持续威胁所证明的那样，大规模物联网设备网络特别容易被劫持并用作僵尸网络来发动分布式拒绝服务（DDoS）攻击。需要真正的大规模数据集来训练和评估深度神经网络等机器学习算法的使用，以检测和防御此类DDoS攻击。我们提出了一个来自4060个节点的城市物联网部署的数据集，描述了它们在良性条件下的时空活动。我们还提供了一个合成DDoS攻击生成器，它根据可调参数（如受攻击的节点数量和攻击持续时间）将攻击活动注入数据集。我们讨论了数据集的一些特征。我们还展示了数据集的实用性以及我们的合成DDoS攻击生成器，通过使用它们来训练和评估一个简单的多标签前馈神经网络，旨在识别哪些节点受到攻击以及何时受到攻击。
2021-10-05 cs.CR cs.LG
The Procedural Semantics Gap in Structured CTI: A Measurement-Driven STIX Analysis for APT Emulation
Aeronautics Institute of Technology（航空技术学院）；Carnegie Mellon University（卡内基梅隆大学）
本文研究结构CTI在支持多阶段APT模拟中的过程语义不足，提出三阶段方法将行为信息转化为可执行步骤，并通过案例展示其有效性。
2026-10-30 cs.CR
Enabling End-to-End APT Emulation in Industrial Environments: Design and Implementation of the SIMPLE-ICS Testbed
Cardiff University（卡迪夫大学）
SIMPLE-ICS测试平台通过虚拟化技术实现多阶段APT活动的端到端模拟，支持跨IT、OT和IIoT环境的攻击仿真与验证。
2026-02-25 cs.CR
A Cyber Range Evaluation of Inductive Autonomous Network Incident Response Agents
KTH Royal Institute of Technology（瑞典皇家理工学院）；Swedish Defence Research Agency FOI（瑞典国防研究局（FOI））
本研究在网络靶场中评估自主网络入侵响应智能体，发现强化学习智能体比启发式策略更高效，且性能受对手策略和模拟用户影响。
2026-11-06 cs.AI 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 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
HARMer: Cyber-attacks Automation and Evaluation
随着网络攻击事件的不断增长，重要的是要开发创新和有效的技术来评估和防御网络系统免受网络攻击。其中一个众所周知的技术是执行渗透测试，由一组安全专业人员（即红队）进行。众所周知，渗透测试可以有效地发现现有和新的漏洞，但是，安全评估的质量取决于红队成员的质量以及他们对渗透测试的时间和投入。在本文中，我们提出了一种新的自动化框架，名为“HARMer”的网络攻击生成，以解决与手动攻击执行的红队的挑战。我们提出的新框架，设计和实现是基于一个可扩展的图形安全模型，称为分层攻击表示模型（HARM）。(1)我们提出了自动化框架的要求和关键阶段。(2)我们提出了基于安全度量的攻击规划策略及其算法。(3)我们在一个真实的企业网和Amazon Web Services中进行实验。结果显示了框架的不同阶段如何相互作用，以模拟攻击者的操作。该框架将允许安全管理员以自动化的方式自动评估各种威胁和攻击的影响。
2020-07-17 cs.CR
Towards Production-Worthy Simulation for Autonomous Cyber Operations
Department of Electrical and Computer Engineering（电气与计算机工程系）；Royal Military College of Canada（加拿大皇家军事学院）；Department of Mathematics and Computer Science（数学与计算机科学系）；Defence Research and Development Canada（加拿大国防研究发展署）；Department of Computer and Software Engineering（计算机与软件工程系）
本文提出扩展CybORG环境以增强RL训练性能，通过引入新动作和修改奖励信号，提升自主网络操作仿真的真实性与有效性。
2026-02-13 cs.AI cs.CR cs.LG
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
Graph neural networks at war: integrating cybersecurity and drone intelligence in the Israeli-Iranian conflict
Department of Information Technology, Khabat Technical Institute（信息科技系，Khabat技术学院）；Erbil Polytechnic University（埃尔比尔理工大学）；Computer Science and Engineering Department（计算机科学与工程系；AIIC，库尔德斯坦赫勒大学）；AIIC, University of Kurdistan Hewler（信息系统工程系，计算机与信息工程技术学院）；Department of Information Systems Engineering, Technical College of Computer and Informatics Engineering
研究利用图神经网络（GNN）增强网络入侵检测与无人机响应，通过案例验证其在高检测率、快速响应和态势感知中的有效性。
2026-06-17 cs.AI cs.CR
Autonomous Cyber Operations Gym for Training and Evaluating AI Models for Defence
CortAIx Labs, Thales Deutschland（Thales Deutschland CortAIx 实验室）；University of Osnabrück（奥斯纳布吕克大学）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；University of Ulm（乌尔姆大学）
本文提出自主网络操作（ACO）平台，可用于训练DNN型IDS、开发评估自主防御智能体，实验发现该平台内的DNN分类器域内性能优异，但对域偏移敏感，微小网络构成变动会导致其性能灾难性崩溃。
2026-10-14 cs.CR cs.LG
Covert Attacks in Cyber-Physical Control Systems
Federal University of Rio de Janeiro（里约热内卢联邦大学）；Admiral Wandenkolk Instruction Center – Brazilian Navy（巴西海军安德森科尔上将教学中心）；National Institute of Metrology, Quality and Technology (Inmetro)（国家计量、质量和技术研究所）
本文提出一种基于系统辨识攻击的隐蔽攻击，用于服务降级，通过模拟结果展示两种攻击联合操作能精确影响系统物理行为。
2017-04-03 cs.CR cs.SY eess.SY
Man-in-The-Middle Attacks and Defense in a Power System Cyber-Physical Testbed
中间人（MiTM）攻击给智能电网带来了许多威胁。在MiTM攻击中，入侵者将自己嵌入两个设备之间的对话中，以窃听或冒充其中一个设备，使其看起来像是正常的信息交换。因此，入侵者可以执行错误数据注入（FDI）和错误命令注入（FCI）攻击，这可以危害电力系统操作，诸如状态估计、经济调度和自动发电控制（AGC）。很少有研究人员关注在智能电网中难以检测的MiTM方法。为了解决这个问题，我们正在设计和实施基于仿真的网络物理电力系统测试平台中的多阶段MiTM入侵，以大规模合成电网模型来演示此类攻击如何导致物理突发事件，例如误导操作和错误测量。MiTM入侵在这个合成电网中创建FCI、FDI和重放攻击。这项工作使利益相关者能够抵御这些隐形攻击，我们提出了使用入侵检测系统和网络监控工具的多个警报开发的检测机制。我们的贡献将使其他智能电网安全研究人员和行业能够为不显眼的MiTM攻击开发进一步的检测机制。
2021-02-23 cs.CR cs.SY eess.SY
Real-time monitoring as a supplementary security component of vigilantism in modern network environments
网络警戒主义的现象自动归因于如何实时跟踪对手的异常和模糊活动。毋庸置疑，在当今动态、虚拟化和复杂的网络环境中，网络管理员、分析师以及工程师实时的【形】对流量以及其他网络事件进行网络警戒已经变得不可或缺。原因是要了解组织网络环境在任何给定时间的确切安全状况。这是因为现代网络环境不仅为组织提供了新的机遇，而且还带来了一系列新的复杂的网络安全挑战，这些挑战需要每天解决。在现代网络环境中，联网设备的规模、范围、复杂性和数量不断增长，这使得即使是最有经验的网络管理员也很难独立地提供监督或诊断复杂网络问题所需的知识广度和深度。此外，随着当今世界网络安全威胁的不断增加，许多组织被迫改变其计划，制定和实施网络安全战略的方式，以加强其应对网络安全事件的能力。因此，本文研究了实时监控（RTM）作为现代网络环境中警戒的补充安全组件的相关性，特别是在网络安全事件发生时进行适当的规划，准备和缓解。此外，本文还探讨了一些关键问题和挑战，在我们的现代网络环境中实施RTM的安全警戒。
2020-12-07 cs.CR
Integrating Network and Attack Graphs for Service-Centric Impact Analysis
Aalto University School of Science（阿尔托大学理学院）
提出一种基于概率多层建模的框架，集成攻击图与通信网络拓扑，通过CVSS指标和网络连接概率评估攻击传播可能性及累积影响，并在企业网络案例中验证其识别关键节点、漏洞和服务依赖的能力。
2026-05-26 cs.CR cs.SI
CSLE: A Reinforcement Learning Platform for Autonomous Security Management
本文提出CSLE平台，通过虚拟化环境和仿真系统实现自主安全管理，展示其在近似运营系统中实现接近最优的安全管理。
2026-04-16 cs.AI cs.CR
Optimal Security Response to Network Intrusions in IT Systems
本文针对IT基础设施中的网络入侵，提出结合仿真模拟与博弈论随机逼近优化的实用最优安全响应方法，并证明策略结构性质、给出高效算法，弥合了理论最优性与实际运行性能之间的差距。
2025-03-13 cs.CR cs.GT
On the Security of Networked Control Systems in Smart Vehicle and its Adaptive Cruise Control
随着车联网（IoV）模式的发展，随之而来的是前所未有的安全挑战。在互联系统的许多应用中，车载网络和智能汽车是已经推出的例子。智能车辆不仅具有通过控制器局域网（CAN）总线连接其内部组件的网络，而且还通过路边单元和其他车辆连接到外部世界。在某些情况下，内部和外部网络数据包通过相同的硬件，仅由软件定义的规则隔离。任何错误的配置都为黑客入侵车辆的内部组件打开了一扇窗户，例如中央锁系统，发动机控制单元（ECU），防抱死制动系统（ABS）或自适应巡航控制（ACC）系统。其中任何一个妥协都可能导致灾难性的后果。本文研究了智能汽车自适应巡航控制系统在隐蔽攻击下的安全性。我们定义了两个隐蔽/隐形攻击的背景下，巡航控制，并提出了一种新的入侵检测和补偿方法来披露和响应这样的攻击。更准确地说，我们专注于隐蔽的网络攻击，损害巡航控制器的完整性，并采用一个神经网络标识符在IDS引擎动态估计系统输出，并将其与ACC输出。如果检测到任何异常，嵌入式替代控制器就会启动并接管控制。我们在MATLAB中进行了大量的实验，以评估所提出的方案在模拟环境中的有效性。
2020-08-04 cs.CR cs.SY eess.SY
Intrusion Detection using Network Traffic Profiling and Machine Learning for IoT
物联网设备使用的快速增长为数字社会带来了许多好处，从提高效率到提高生产力。然而，这些设备的有限资源和开放性使它们容易受到各种网络威胁。一个受感染的设备可能会对整个网络产生影响，并导致重大的安全和物理损害。本文探讨了使用网络分析和机器学习来保护物联网免受网络攻击的潜力。所提出的基于异常的入侵检测解决方案可以动态主动地分析和监控所有联网设备，以检测物联网设备篡改尝试以及可疑的网络交易。任何偏离定义的配置文件都被视为攻击，并接受进一步分析。原始流量还被传递到机器学习分类器，以检查和识别潜在的攻击。所提出的方法进行性能评估的网络信任测试平台上使用正常和恶意的网络流量。实验结果表明，所提出的异常检测系统提供了有前途的结果与98.35%和0.98%的假阳性报警的总体准确率。
2021-09-06 cs.AI cs.CR
SoK: Cybersecurity Assessment of Humanoid Ecosystem
Ben-Gurion University of the Negev（贝内尔-加隆大学）
本研究针对人形机器人安全研究视角狭窄、缺乏系统评估的问题，提出七层安全模型与风险加权量化攻防矩阵，验证了三款真实机器人的安全成熟度差异，为人形机器人安全评估与投入规划提供结构化循证方法。
2025-09-01 cs.CR cs.RO
AI Sandboxes: A Threat Model, Taxonomy, and Measurement Framework
Fujitsu Research of Europe（富士通欧洲研究）
提出AI沙箱的威胁模型、分类法和测量框架，形式化沙箱边界与最弱链规则，定义网络物理威胁模型，并通过三个案例验证。
2026-06-18 cs.AI cs.CR cs.RO
