When External Threats Become User Context: Tricking Agents into Accepting Malicious Information
Monash University(莫纳什大学);CSIRO Technology(澳大利亚联邦科学与工业研究组织技术部)
研究基于大语言模型的智能体安全问题,介绍用户中继上下文操纵攻击,通过让良性用户在请求中传递对抗性内容,实验表明该攻击在多种防御下优于提示注入基线,揭示当前智能体框架设计缺陷。
2026-07-08 cs.CR
Detection and Analysis of Drive-by Downloads and Malicious Websites
下载驱动是指在用户不知情的情况下进行的下载。它通常会触发浏览器中的漏洞,以下载未知文件。下载文件中的恶意程序会自行安装在受害者的计算机上。此外,下载的文件可以被伪装成安装程序,进一步安装恶意软件。下载驱动是互联网上恶意活动呈指数级增长的一个很好的例子,它如何影响网络的日常使用。在本文中,我们试图解决的问题所造成的驱动下载从不同的立场。我们深入了解处理驱动下载的困难,并提出适当的解决方案。我们提出了机器学习和特征选择解决方案,以弥补驱动下载问题。实验结果报告了98.2%的精度,98.2%的F-Measure和97.2%的ROC面积。
2020-04-09 cs.CR
Android Malware Detection using Markov Chain Model of Application Behaviors in Requesting System Services
Android恶意软件的广泛增长促使安全研究人员提出不同的方法来分析和检测应用程序中的恶意行为。然而,目前的解决方案不适合准确有效地提取Android应用程序的细粒度行为。在本文中,我们提出了ServiceMonitor,一个轻量级的基于主机的检测系统,动态检测恶意应用程序直接在移动设备上。ServiceMonitor基于一种新的系统服务使用分析技术重构应用程序的细粒度行为。使用建议的系统服务使用的角度来看,使我们能够建立一个统计马尔可夫链模型来表示什么和如何系统服务被用来访问系统资源。然后,我们考虑以特征向量的形式构建马尔可夫链,并使用随机森林分类算法将应用程序行为分类为恶意或良性。ServiceMonitor优于当前基于主机的解决方案,评估它对4034恶意软件和10024良性应用程序,并获得96%的准确率和微不足道的开销和性能损失。
2017-11-15 cs.CR
Measuring Abuse in Web Push Advertising
在线广告的快速增长推动了广告拦截软件的增长,例如新的广告拦截和面向隐私的浏览器或浏览器扩展。作为回应,广告发布商和广告网络都在不断尝试新的策略来保持收入。为此,广告网络已经开始利用由现代web浏览器启用的Web推送技术。由于Web推送通知(WPN)相对较新,它们在广告投放中的作用尚未得到深入研究。此外,目前还不清楚WPN广告在多大程度上被滥用于恶意广告(即,发送恶意广告)。本文旨在填补这一空白。具体来说,我们提出了一个名为PushAdMiner的系统,该系统致力于(1)自动注册并收集来自发布商网站的大量基于Web的推送通知,(2)在这些通知中查找基于WPN的广告,以及(3)发现恶意的基于WPN的广告活动。使用PushAdMiner,我们通过访问数千个不同的网站收集和分析了21,541条WPN消息。其中,我们的系统识别了572个WPN广告活动,总共有5,143个基于WPN的广告由各种广告网络推送。此外,我们发现,我们收集的所有WPN广告中有51%是恶意的,传统的广告拦截器和恶意URL过滤器对基于WPN的恶意广告非常无效,导致大量滥用媒介未经检查。
2020-02-15 cs.CR
JABBERWOCK: A Tool for WebAssembly Dataset Generation and Its Application to Malicious Website Detection
Osaka University(大阪大学);National Institute of Technology, Nara College(奈良工业高等专门学校)
针对WebAssembly样本不足限制恶意网站检测新特征探索的问题,提出可通过JavaScript伪生成WebAssembly数据集的工具JABBERWOCK,生成样本接近真实样本,单样本生成仅需4.5秒,助力恶意网站检测达99%F1值且可兼容现有工具提升性能。
2023-06-09 cs.CR cs.LG
Adaptively Detecting Malicious Queries in Web Attacks
Web请求查询字符串(查询),将参数传递给引用的资源,总是被攻击者操纵以检索敏感数据,甚至完全控制受害者Web服务器和Web应用程序。然而,现有的恶意查询检测方法在当前的文献中不能应付不断变化的Web攻击与恒定的检测模型。在本文中,我们提出了AMODS,一个自适应系统,定期更新的检测模型,以检测最新的未知攻击。我们还提出了一种自适应学习策略,称为SVM HYBRID,利用我们的系统,以尽量减少手工工作。在评估中,一个最新的检测模型进行了训练,从一个学术机构的Web服务器日志收集了10天的查询数据集。我们的系统优于现有的Web攻击检测方法,F值为94.79%,FP率为0.09%。SVM HYBRID方法得到的恶意查询总数是目前流行的支持向量机自适应学习(SVM AL)方法的2.78倍。获取的恶意查询可用于更新Web应用程序防火墙(WAF)特征库。
2017-11-28 cs.CR cs.NI
Characterizing Event-themed Malicious Web Campaigns: A Case Study on War-themed Websites
Tennessee Tech University(田纳西理工大学);Syracuse University(雪城大学);University of Colorado Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校)
本文以战争主题网站为案例,分析攻击者如何借助事件特征定制欺诈网站,并利用可解释无监督聚类识别活动模式,为早期防御提供依据。
2025-09-29 cs.CR cs.CY
A Review of Data-driven Approaches for Malicious Website Detection
China Mobile (Zhejiang) Research & Innovation Institute(中国移动(浙江)研究与创新研究院)
本文全面综述了数据驱动的恶意网站检测方法,建立了数据-特征-模型-扩展流程,并探讨了深度学习模型的比较及未来挑战。
2023-05-16 cs.CR cs.LG
vWitness: Certifying Web Page Interactions with Computer Vision
vWitness利用计算机视觉见证用户与网页的交互并认证其符合服务器规范,以区分良性渲染变化与恶意操纵,确保Web请求为用户意图,原型实现99.97%准确率且平均仅增加197毫秒开销。
2023-07-04 cs.CR
It's not Easy: Applying Supervised Machine Learning to Detect Malicious Extensions in the Chrome Web Store
Saarland University(萨尔兰大学);CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心);University of Liechtenstein(列支敦士登大学);Reykjavik University(雷克雅未克大学)
本研究构建有监督机器学习分类器检测Chrome网上应用店恶意扩展,实验室环境下准确率达98%,但实测发现强概念漂移效应导致商用检测器效果不佳,凸显该检测任务的固有难度。
2025-10-02 cs.CR
PRWeaver: Evaluating LLM-Based Code Auditors against Long-Horizon Malicious Pull Requests
Singapore Management University(新加坡管理大学)
该研究提出PRWeaver基准,评估基于LLM的代码审计工具对长周期恶意PR的可靠性,发现特定评审策略会降低检测率,为优化代码审计工具提供了依据。
2026-08-05 cs.CR cs.SE
Detection of Malicious Websites Using Machine Learning Techniques
Carnegie Mellon University(卡内基梅隆大学)
在检测恶意网站时,一种常见的方法是使用黑名单,黑名单本身并不详尽,也无法推广到新的恶意网站。自动检测新遇到的恶意网站将有助于减少这种形式的攻击的漏洞。在这项研究中,我们探索了使用十个机器学习模型来基于词汇特征对恶意网站进行分类,并了解它们如何在数据集上进行推广。具体来说,我们在不同的数据集上训练、验证和测试了这些模型,然后进行了跨数据集分析。从我们的分析中,我们发现K最近邻是唯一一个在数据集上表现一致的模型。其他模型,如随机森林、决策树、逻辑回归和支持向量机,在所有指标和数据集上也始终优于将每个链接预测为恶意的基线模型。此外,我们没有发现任何证据表明词汇特征的任何子集可以在模型或数据集上泛化。这项研究应该与网络安全专业人员和学术研究人员相关,因为它可以成为现实生活中的检测系统或进一步研究工作的基础。
2022-09-13 cs.CR cs.LG
RoBERTa-Augmented Synthesis for Detecting Malicious API Requests
针对恶意 API 请求检测中训练数据不足的问题,提出受 GAN 启发、基于 RoBERTa 的领域感知流量合成框架,显著提升多数据集上的异常检测 F1 分数。
2025-05-15 cs.CR
WebEye - Automated Collection of Malicious HTTP Traffic
Fraunhofer Institute AISEC(弗劳恩霍夫应用安全研究所以色列分所)
随着恶意软件检测技术越来越多地采用机器学习方法,创建精确的训练集变得越来越重要。需要真实网络流量的大数据集,正确分类为良性或恶意,不仅要训练经典和深度学习算法,还要作为现有恶意软件检测产品的评估基准。有趣的是,尽管用户在浏览web时可能遇到大量和多功能的威胁,但是实际的恶意内容通常很难得到,因为必须满足诸如浏览器和操作系统类型和版本之类的先决条件,以便从恶意软件分发服务器接收有效载荷。结合对实际用户流量数据集的隐私限制,研究人员和产品开发人员很难针对实际Web流量的大规模数据集评估反恶意软件解决方案。在本文中,我们提出了WebEye,一个框架,自主创建现实的HTTP流量,丰富记录的流量与额外的信息,并分类记录为恶意或良性的,使用不同的分类。我们正在使用WebEye收集恶意HTML和JavaScript,并展示如何使用WebEye创建的数据集来训练基于机器学习的恶意软件检测算法。我们将WebEye及其创建的数据集视为研究人员和产品开发人员的工具,以针对大规模基准评估和改进其基于AI的反恶意软件解决方案。
2018-02-16 cs.CR cs.LG
Master of Web Puppets: Abusing Web Browsers for Persistent and Stealthy Computation
Web应用程序的激增从根本上将现代浏览器转变为小型但功能强大的操作系统。在访问网站时,用户设备运行隐式信任的脚本代码,其执行被限制在浏览器内以防止对用户系统的任何干扰。然而,最近的JavaScript API提供了高级功能,这些功能不仅能够实现功能丰富的Web应用程序,而且还允许攻击者执行恶意操作,尽管JavaScript代码执行的性质有限。在本文中,我们通过展示MarioNet来展示现代浏览器API为攻击者提供的强大功能:一个允许远程恶意实体控制访问者浏览器并滥用其资源进行不必要的计算或有害操作的框架,例如加密货币挖掘,密码破解和DDoS。MarioNet完全依赖于现有的HTML5 API,无需安装任何额外的软件。与以前基于浏览器的僵尸网络相比,MarioNet的持久性和隐蔽性特征允许恶意计算在浏览器的后台继续进行,即使在用户关闭初始恶意网站的窗口或选项卡之后。我们提出了一个原型系统,MarioNet,是与所有主要的浏览器兼容的设计,实现和评估,并讨论潜在的防御策略,以应对这种持续的浏览器内攻击的威胁。我们的主要目标是提高人们对这类新攻击的认识,并为未来浏览器API的设计提供信息,以便为Web应用程序提供更安全的客户端环境。
2018-09-30 cs.CR
Identifying Malicious Web Domains Using Machine Learning Techniques with Online Credibility and Performance Data
恶意网络域名对网络用户的隐私和安全构成了巨大威胁。由于互联网上有如此多关于Web域名流行度和性能的免费数据,本研究调查了与此类在线数据结合使用的知名机器学习技术的性能,以识别恶意Web域名。收集了由恶意软件和网络钓鱼域组成的两个数据集,以构建和评估机器学习分类器。五个单一的分类器和四个集成分类器被用来区分恶意域名和良性域名。此外,基于二进制粒子群优化(BPSO)的特征选择方法被用来提高单分类器的性能。实验结果表明,基于Web域名的流行度和性能数据特征,所研究的机器学习技术能够以不同的方式准确识别恶意域名。此外,基于BPSO的特征选择过程被证明是一种有效的方法,以提高分类器的性能。
2019-02-23 cs.CR cs.LG cs.NE
An Evasion and Counter-Evasion Study in Malicious Websites Detection
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
恶意网站是一种主要的网络攻击载体,有效检测恶意网站是一项重要的网络防御任务。在这方面,主要的防御模式是防御者使用某种机器学习算法来训练检测模型,然后使用该模型对有问题的网站进行分类。与其他设置不同,以下问题是恶意网站检测问题所固有的:攻击者基本上可以访问防御者用于训练其检测模型的相同数据。这种“对称性”可以被攻击者利用,至少在原则上,以逃避防御者的检测模型。在本文中,我们提出了一个框架来描述攻击者和防御者之间的逃避和反逃避互动,攻击者试图通过利用这种对称性来逃避防御者的检测模型。在这个框架内,我们表明,自适应攻击者可以使恶意网站逃避强大的检测模型,但主动训练可以是一个有效的反规避防御机制。该框架是面向流行的检测模型的决策树,但可以适应其他分类器。
2014-08-08 cs.AI cs.CR
DOMtegrity: Ensuring Web Page Integrity against Malicious Browser Extensions
在本文中,我们解决了一个未解决的问题,在现实世界中:如何确保网页内容的完整性,在浏览器中存在的恶意浏览器扩展?将机密用户凭据暴露给恶意扩展的问题已得到广泛理解,这促使各大银行部署双因素身份验证。然而,网络内容的“完整性”的重要性很少受到关注。我们实现了两个攻击现实世界中的网上银行网站,并表明,忽略的“完整性”的网页内容可以从根本上击败两个因素的解决方案。为了解决这个问题,我们提出了一个加密协议,称为DOMtegrity,以确保端到端的完整性的DOM结构的网页,从提供在Web服务器的渲染的页面在用户的浏览器。DOMtegrity是第一个保护DOM完整性而无需修改浏览器架构或需要额外硬件的解决方案。它的工作原理是利用浏览器扩展和内联JavaScript代码之间微妙而重要的差异。我们展示了DOMtegrity如何防止早期的攻击和一系列的浏览器中的人(MITB)攻击。我们对超过14,000个真实扩展进行了广泛的实验,以评估DOMtegrity的有效性。
2019-05-30 cs.CR cs.NI
Understanding the Country-Level Security of Free Content Websites and their Hosting Infrastructure
本文研究免费与付费内容网站的国家分布及其与国家网络安全指数的相关性,旨在识别托管漏洞并指导政策改进以减轻网络威胁。
2023-05-23 cs.CR
Malicious GenAI Chrome Extensions: Unpacking Data Exfiltration and Malicious Behaviours
Palo Alto Networks
研究发现恶意GenAI Chrome扩展通过伪装和数据外泄威胁用户,揭示了浏览器扩展生态与GenAI技术的紧密关联。
2025-12-10 cs.CR
An Innovative Security Strategy using Reactive Web Application Honeypot
如今,Web应用程序已成为行业中最流行的应用程序,大多数组织的关键数据都是使用Web应用程序存储的。因此,Web应用程序成为各种网络攻击的更大目标,这些攻击包括数据库注入-SQL注入,PHP对象注入,模板注入,XML外部实体注入,未经消毒的输入攻击-跨站点脚本(XSS)等等。在众多的解决方案中,Web应用程序蜜罐是一种复杂而强大的保护机制。在本文中,我们提出了一个低交互,自适应,动态的Web应用程序蜜罐,通过HTTP事件模仿漏洞。蜜罐是用SNARE和TANNER构建的; SNARE创建攻击面并将请求发送给TANNER,TANNER评估它们并决定SNARE应该如何响应请求。TANNER是一个分析和分类工具,它分析和评估由SNARE提供的HTTP请求,并组成响应,它由模拟器提供支持,模拟器是用于模拟漏洞的引擎。
2021-05-11 cs.CR
Malicious Web Domain Identification using Online Credibility and Performance Data by Considering the Class Imbalance Issue
目的:恶意域名识别对于保护互联网用户的安全具有重要意义。利用在线可信度和性能数据,本文旨在通过考虑类不平衡问题(即,存在比恶意网域更多的良性网域)。设计/方法/办法:我们提出了一个综合的reservation方法来处理类不平衡相结合的合成少数过采样技术(SMOTE)和粒子群优化(PSO),基于人口的元启发式算法。我们使用SMOTE的过采样和PSO的欠采样。调查结果:通过应用八个著名的机器学习分类器,建议的综合检索方法进行了全面检查,使用几个不平衡的Web域数据集具有不同的不平衡比率。实验结果表明,该方法与其他五种常见的检索方法相比,具有较高的检索效率.实际影响:该研究不仅为在线可信度和性能数据在恶意域名识别中的实际应用提供了启发,而且为处理恶意域名识别领域的类不平衡问题提供了一种有效的解决方法。创意/价值:在线可信度和性能数据被应用于使用机器学习技术来构建恶意Web域识别模型。提出了一种综合的再分配方法来解决类不平衡问题。基于具有不同不平衡比的真实世界数据集,证实了所提出的方法的性能。
2018-10-19 cs.CR cs.LG cs.NE
AndroWasm: an Empirical Study on Android Malware Obfuscation through WebAssembly
University Of Cagliari(卡利亚里大学);Consorzio Interuniversitario Nazionale per l’Informatica (CINI)(意大利国家信息学大学联盟)
本文通过实证研究探讨了Android恶意软件利用WebAssembly技术进行混淆和规避检测的方法及效果。
2026-02-20 cs.CR
Overlooked Safety Vulnerability in LLMs: Malicious Intelligent Optimization Algorithm Request and its Jailbreak
Xidian University(西安电子科技大学);Victoria University of Wellington(威灵顿维多利亚大学);Westlake University(西湖大学)
本研究揭示了LLMs在恶意智能优化算法请求中的安全漏洞,提出MOBjailbreak方法并评估了其对主流模型的攻击效果,强调了对齐技术在防范滥用中的重要性。
2026-01-01 cs.CL cs.CR
Exposing the Hidden Web: An Analysis of Third-Party HTTP Requests on 1 Million Websites
本文对100万个流行网站的隐私泄露机制进行了定量分析。调查结果表明,近十分之九的网站将用户数据泄露给用户可能不知道的各方;超过十分之六的网站产生第三方cookie;超过十分之八的网站将外部方的JavaScript代码加载到用户的计算机上。泄露用户数据的网站平均联系9个外部域,这表明用户可能被多个实体串联跟踪。通过追踪网络上个人浏览历史的意外泄露,可以发现少数美国公司收到了大量的用户数据。最后,在分析时,大约五分之一的网站可能容易受到已知的国家安全局间谍技术的攻击。
2015-11-02 cs.CR cs.CY
IssueTrojanBench: Benchmarking AI Coding Agents Against Malicious Issue Requests
Concordia University(康科德大学)
研究针对恶意问题请求对人工智能编码代理进行基准测试,通过构建包含多种攻击类别和交付向量的新型基准IssueTrojanBench,发现现代编码代理存在关键漏洞,强调需更强安全机制保护。
2026-07-24 cs.AI cs.CR cs.SE
Passwords and FIDO2 Are Meant To Be Secret: A Practical Secure Authentication Channel for Web Browsers
University of Tennessee(田纳西大学);Brigham Young University(杨百翰大学)
本文针对密码管理器自动填充和FIDO2协议面临本地攻击的问题,提出并实现两种防御方案,在Firefox中验证可防XSS和恶意扩展,兼容性高。
2025-10-15 cs.CR
Poisoning Online Learning Filters: DDoS Attacks and Countermeasures
机器学习的最新进展导致人们对采用基于在线学习的方法来解决长期存在的攻击缓解问题产生了浓厚的兴趣。特别是,即使在二十多年之后,DDoS攻击仍然是网络服务可用性的重大威胁。这些攻击已经得到了很好的研究,假设恶意流量来自一个单一的攻击配置文件。基于这个前提,恶意流量特征被假定为与合法流量有很大不同。因此,在线过滤方法被设计成自适应地学习网络流量分布,并根据它们的攻击可能性对请求进行排名。在攻击期间,过滤器会突然丢弃被评为恶意的请求。本文首次系统研究了数据投毒攻击对在线DDoS过滤的影响,介绍了一种数据投毒攻击方法,并针对这种攻击提出了切实可行的防护对策。我们调查了一个不利的情况下,攻击者是“狡猾的”,在攻击过程中切换配置文件,并产生不稳定的攻击流量是不断变化的。这种难以捉摸的攻击者通过操纵和改变流量分布来毒害训练数据并破坏过滤器,从而生成恶意请求。为此,我们提出了一个生成模型MimicShift,能够控制流量生成,同时保留原始流量的内在属性。综合实验表明,在线学习过滤器非常容易受到中毒攻击,有时表现得比随机过滤策略在这种攻击场景下。同时,我们提出的保护对策减少了攻击的影响。
2022-01-20 cs.CR
LLMs Caught in the Crossfire: Malware Requests and Jailbreak Challenges
Institute of Artificial Intelligence (TeleAI), China Telecom(人工智能研究院(TeleAI),中国电信);Beihang University(北京航空航天大学);Beijing Jiaotong University(北京交通大学);Northwestern Polytechnical University(西北工业大学)
针对大语言模型在代码生成场景下越狱攻击 vulnerability 研究不足的问题,提出包含3520条提示的MalwareBench基准,实验发现主流LLM恶意内容平均拒绝率仅60.93%,结合越狱攻击后降至39.92%,凸显其代码安全挑战。
2025-06-09 cs.AI cs.CR
Cross-site Scripting Attacks on Android WebView
WebView是Android和iOS中必不可少的组件。它使应用程序能够显示来自在线资源的内容。它简化了执行网络请求、解析数据和渲染数据的任务。WebView使用许多API,可以与WebView内部的Web内容进行交互。在本文中,我们讨论了针对Android WebView的跨站脚本攻击或XSS攻击。跨站脚本(XSS)是Web应用程序中常见的一种漏洞。此漏洞使攻击者能够通过HttpClient API在受害者的WebView中运行恶意代码。使用此恶意代码,攻击者可以窃取受害者的凭据,例如cookie。浏览器用来保护这些凭据的访问控制策略(即同源策略)可以通过利用XSS漏洞绕过。
2013-04-28 cs.CR
From Verdict to Diagnosis: Attributable Security Review of Pull Requests
University of Bristol(布里斯托大学);Zhongguancun Academy(中关村学院);Technical University Darmstadt(达姆施塔特工业大学);University of Zagreb(萨格勒布大学);Radboud University(拉德堡德大学)
研究针对自动化PR审查的裁决-诊断差距,构建MalPR-Bench基准,提出PRGuard审查工具,发现仅基于裁决的评估会高估自动化审查的安全价值。
2026-08-27 cs.CR
An Architecture to Support the Invocation of Personal Services in Web Interactions
本文提出了一种体系结构,使Web服务提供商与个人服务进行交互。个人服务是普通的HTTP服务,根据服务提供商的请求,从浏览器调用这些服务,以在客户端提供某些服务,即,由浏览器用户定义的执行环境。个人服务既可以用于处理内容操作和呈现,也可以用于提供具有不同目标的请求-响应交互(例如用户身份验证)。与在每个HTTP请求上向服务提供商描述的插件不同,个人服务由服务提供商使用与每个浏览器密切合作的新型代理(Broker)显式搜索。我们已经实现了这个体系结构,并实现了一个HTTP代理来处理它。为了演示的目的,我们展示了如何使用个人服务进行电子身份证(eID)的个人认证
2019-04-02 cs.CR
Dissecting the Infrastructure Used in Web-based Cryptojacking: A Measurement Perspective
本文从测量视角剖析基于Web的加密劫持基础设施,通过分析887个加密劫持网站及其DNS、注册商和恶意活动,揭示网站基础设施易受未授权挖矿滥用的脆弱性。
2024-08-06 cs.CR
The Agent Web Model -- Modelling web hacking for reinforcement learning
网站黑客是恶意行为者用来获取机密信息、修改网页完整性或使网站不可用的常见攻击类型。攻击者使用的工具正变得越来越自动化和复杂,恶意机器学习代理似乎是这一行的下一个发展。为了提供类似的工具,道德黑客,并了解人工代理的影响和局限性,我们在本文中提出了一个模型,形式化网络黑客任务的强化学习代理。我们的模型,名为代理Web模型,认为网络黑客作为一个捕获的旗帜风格的挑战,它定义了强化学习问题在七个不同的抽象层次。我们讨论了这些问题的复杂性方面的行动和国家的代理必须处理,我们表明,这样的模型可以代表大多数相关的Web漏洞。意识到强化学习进步的驱动力是标准化挑战的可用性,我们提供了前三个抽象层的实现,希望社区能够考虑这些挑战,以开发智能网络黑客代理。
2020-09-23 cs.CR
Web Cache Overflow: Exploiting Imprecise Keys for Cache Degradation and Beyond
University of Trento(特伦托大学);Akamai(阿卡迈科技);Northeastern University(东北大学)
该研究发现Web缓存键不精确可被滥用产生冗余条目,导致缓存降级、源站负载增加甚至DoS攻击,提出精确缓存键设计为关键安全缓解措施。
2026-08-06 cs.CR
A Deep Learning Approach to Fast, Format-Agnostic Detection of Malicious Web Content
Sophos
恶意网页内容是当今互联网上的一个严重问题。在本文中,我们提出了一种深度学习方法来检测恶意网页。虽然过去的Web内容检测工作依赖于句法分析或HTML和JavaScript的仿真来提取功能,但我们的方法直接操作直接从静态HTML文件中提取的标记的语言不可知流,具有简单的正则表达式。这使得它足够快,可以在防火墙和Web代理等高频数据环境中运行,并允许它避免复杂解析和仿真代码的攻击面暴露。与众所周知的方法(如忽略空间信息的词袋模型)不同,我们的神经网络在分层空间尺度上检查内容,使我们的模型能够捕获局部性,并产生比词袋基线更高的准确性。我们提出的架构实现了97.5%的检测率在0.1%的误报率,并分类小批量的网页在商品硬件上每秒超过100的速度。我们的方法的速度和准确性使其适合部署到端点,防火墙和Web代理。
2018-04-13 cs.CR cs.LG stat.ML
MalURLBench: A Benchmark Evaluating Agents' Vulnerabilities When Processing Web URLs
Zhejiang University(浙江大学);National University of Malaysia (Universiti Kebangsaan Malaysia)(马来西亚国立大学);Hangzhou City University(杭州市大学);Yangzhou University(扬州大学);Chongqing University(重庆大学);Binjiang Institute of Zhejiang University(浙江大学滨江研究院)
本文提出MalURLBench,首个评估LLM处理恶意URL漏洞的基准,包含61845个攻击实例,揭示现有模型难以检测伪装恶意URL的问题,并提出轻量级防御模块URLGuard。
2026-03-13 cs.AI cs.CR
Hidden Web Caches Discovery
本文提出一种基于时间分析的Web缓存检测方法,通过发送成对请求并利用缓存破坏技术,无需依赖缓存状态头部即可发现隐藏缓存,并成功检测出其中的Web缓存欺骗漏洞。
2024-07-23 cs.CR
HTTP Request Synchronization Defeats Discrepancy Attacks
Northeastern University(东北大学);Akamai Technologies(Akamai技术)
针对Web代理处理差异导致的缓存中毒和请求走私攻击,提出首个系统性防御方案HTTP Request Synchronization,通过标准HTTP扩展记录请求处理历史,使各代理验证处理一致性,并在5种主流代理上实现验证。
2025-10-11 cs.CR
Learning from Limited Heterogeneous Training Data: Meta-Learning for Unsupervised Zero-Day Web Attack Detection across Web Domains
提出基于元学习的框架 RETSINA,通过跨域知识共享、自适应预处理和多域表示方法,在有限数据下实现跨域零日 Web 攻击的高效无监督检测,性能优于现有方法并已在真实场景部署验证。
2023-09-07 cs.CR
algoXSSF: Detection and analysis of cross-site request forgery (XSRF) and cross-site scripting (XSS) attacks via Machine learning algorithms
针对网络攻击频发的问题,研究团队提出嵌入机器学习算法的algoXSSF框架,用于检测分析XSRF、XSS及中间人等网站恶意攻击,助力网络安全防御。
2024-02-01 cs.CR
Validating a Web Service Security Abstraction by Typing
XML Web服务大致上是一种RPC服务,其中请求和响应以XML编码为SOAP信封,并通过HTTP传输。我们考虑在SOAP级别对请求和响应进行身份验证的问题,而不是依赖于传输级别的安全性。我们提出了一个安全的抽象,灵感来自早期的工作安全RPC,其中的Web服务导出的方法注释与三个安全级别之一:无,认证,或认证和加密。我们的抽象模型作为一个对象演算与原语定义和调用Web服务。我们描述我们的对象演算的语义,通过翻译到一个较低层次的语言与原语的消息传递和密码学。为了验证我们的语义,我们嵌入了指定请求和响应的正确身份验证的对应断言。借助Gordon和Jeffrey的Cryptyc密码协议的类型论,我们简单地通过类型化来验证对应断言。最后,我们描述了我们的语义通过自定义SOAP头的实现。
2004-12-10 cs.CR
WebGuard++:Interpretable Malicious URL Detection via Bidirectional Fusion of HTML Subgraphs and Multi-Scale Convolutional BERT
Hangzhou Research Institute(杭州研究院);Xidian University(西安电子科技大学);Yantai Research Institute(烟台研究院);Harbin Engineering University(哈尔滨工程大学)
针对恶意URL检测中URL建模不完整、HTML图稀疏、单向分析及决策不透明等问题,提出WebGuard++框架,通过跨尺度URL编码器、子图感知HTML编码器、双向耦合模块和投票模块实现可解释检测,在固定低误报率下TPR显著提升。
2025-06-24 cs.CR cs.LG
Database Traffic Interception for Graybox Detection of Stored and Context-Sensitive XSS
XSS是一个安全漏洞,允许将恶意代码注入Web应用程序的客户端。在最简单的情况下,当Web应用程序在Web输出中包含用户输入而没有进行适当的清理时,就会出现XSS漏洞。这种简单的XSS漏洞可以通过黑盒扫描器相当可靠地检测到,黑盒扫描器将恶意负载注入HTTP请求的敏感部分,并在Web输出中查找反映的值。当前的黑盒扫描器无法有效抵御已存储的XSS漏洞,其中HTTP响应中的恶意有效负载来自Web应用程序的数据库存储,而不是来自关联的HTTP请求。类似地,许多黑盒扫描器没有系统地处理上下文敏感的XSS漏洞,其中用户输入在转换之后被包括在web输出中,这阻止扫描器识别原始值,但没有充分地清理值。因此,在两个基本数据源(存储与反射)和两个基本漏洞模式(上下文敏感与非上下文敏感)的组合中,只有一个通过最先进的黑匣子扫描器进行系统测试。我们的工作重点是系统地覆盖其余三种组合。我们提出了一个灰盒机制,扩展了通用数据库,以配合我们的XSS扫描仪,报告和注入测试输入之间的边界数据库和Web应用程序。此外,我们设计了一种机制,即使在Web应用程序编码后,也可以识别Web输出中的注入输入,并检查编码是否在相应的浏览器上下文中正确地清理注入的输入。我们评估了我们的方法在八个成熟的和技术多样的Web应用程序,发现以前未知的和可利用的XSS漏洞,在这些应用程序中的每一个。
2020-08-07 cs.CR
Multi-Agent Honeypot-Based Request-Response Context Dataset for Improved SQL Injection Detection Performance
Guangdong Provincial Laboratory of Ultra High Defnition Immersive Media Technology(广东省超高清沉浸式媒体技术实验室)
本文提出基于多智能体蜜罐的请求-响应上下文数据集,通过构建高质量数据集提升SQL注入检测性能,实验显示模型准确率提升超过40%。
2026-03-03 cs.CR
Manipulation of Perceived Politeness in a Web-based Email Discourse Through a Malicious Browser Extension
本文介绍了一种特定的中间人利用:环境战术欺骗(ATD)在在线通信中,通过恶意的Web浏览器扩展实现。扩展以不显眼的方式操纵Web内容,作为整体浏览体验的环境中介。在我们以前的工作中,我们证明了可以通过对网页的文本内容进行隐蔽更改来采用战术欺骗,而不管来源如何。在这项工作中,我们研究了ATD在基于网络的电子邮件话语中的应用,其目标是在不了解相关方的情况下操纵人际感知。我们专注于基于网络的电子邮件文本,因为它是异步的,通常会为了清晰和礼貌而修改。以往的研究表明,人们在网络交际中对礼貌的感知是基于三个因素:强加的程度,接收者对发送者的权力,以及他们之间的社会距离。我们采访了参与者对这些因素的看法,以建立ATD的电子邮件话语的可行性。研究结果表明,ATD攻击者通过隐蔽地改变邮件中的礼貌策略,有可能操纵收件人对所有礼貌因素的感知。我们的研究结果支持Brown和Levinson的礼貌理论和Walther的超个人化电子邮件交流模式。
2019-12-24 cs.CR cs.CY cs.HC
Across-Platform Detection of Malicious Cryptocurrency Transactions via Account Interaction Learning
针对现有恶意加密货币交易检测方法依赖标注数据、泛化性弱的问题,提出基于TxGraph图结构、数据增强和图对比机制的ShadowEyes方法,在多场景尤其是跨平台和零样本场景下性能显著优于现有最优方法。
2024-10-31 cs.CR
BlackWatch: Increasing Attack Awareness Within Web Applications
许多人依赖Web应用程序提供的服务。应用程序必须实施适当的安全措施以防止安全事件。目前,Web应用程序将资源集中在安全的预防方面。虽然预防是安全过程的重要组成部分,但开发人员还必须在其Web应用程序中实现一定程度的攻击感知。能够检测攻击何时发生,为应用程序提供了针对恶意用户执行响应的能力,以减缓或阻止他们的攻击。这项研究旨在通过使用我们的工具BlackWatch识别Web应用程序上下文中的恶意行为来提高Web应用程序的安全性。该工具是一个基于Python的应用程序,它分析客户端Web应用程序中发生的可疑事件,目的是识别恶意行为模式。根据初步研究的结果,BlackWatch可以有效地检测来自身份验证和未经身份验证的用户的攻击。此外,开发人员的用户测试表明,BlackWatch用户友好,易于集成到现有的应用程序中。未来的工作旨在进一步开发BlackWatch解决方案以供公开发布。
2019-01-14 cs.CR cs.SE
Code as a Weapon: A Consensus-Labeled Prompt Bank for Measuring Coding-Model Compliance with Malicious-Code Requests
University of Nevada Las Vegas(内华达大学拉斯维加斯分校);Department of Information Systems(信息系统系)
本文通过构建一个经五名评审共识标记的提示库(包含4,748个可执行恶意代码请求和1,923个有害安全知识请求),为编码模型对恶意代码请求的拒绝行为提供了可靠且可跨语料库比较的测量基准。
2026-06-16 cs.CL cs.CR cs.LG
A Study on Malicious Browser Extensions in 2025
IIT Jammu(印度理工学院詹穆分校)
本研究针对2025年Firefox和Chrome浏览器扩展的恶意威胁,通过绕过安全机制证明恶意扩展仍可上架,揭示审查漏洞并提出防御建议。
2025-10-06 cs.CR
Enhancing JavaScript Malware Detection through Weighted Behavioral DFAs
提出基于加权行为DFA的JavaScript恶意软件检测系统,通过捕获恶意模式并分类部分相似序列,在1,058个真实序列上有效检测威胁,兼顾适应性与决策透明度。
2025-05-27 cs.CR
Passwords Are Meant to Be Secret: A Practical Secure Password Entry Channel for Web Browsers
本文提出一种由密码管理器自动填充假密码、再由浏览器在请求发送前替换为真密码的安全输入方案,有效阻止恶意脚本和扩展窃取凭证,且无需用户改变行为。
2024-02-09 cs.CR
Beyond the Request: Harnessing HTTP Response Headers for Cross-Browser Web Tracker Classification in an Imbalanced Setting
Technische Universität Berlin(柏林工业大学)
本研究利用二值化HTTP响应头训练机器学习分类器,跨Chrome、Firefox和Brave浏览器检测网络跟踪器,在Chrome和Firefox上表现优异,但Brave上欠佳,验证了该方法的可行性。
2024-09-23 cs.AI cs.CR cs.LG
Sample-Efficient LLM-Based Detection of Malicious Web Server Logs with Forensically Explainable Reasoning
University of Tuebingen(图宾根大学)
提出CEF-Log策略,通过五步推理模板使大语言模型学习日志分析方法,在CSIC 2010数据集上仅用4个示例达到F1=0.99,样本效率提升10倍,并引入新数据集ForenWebLog。
2026-06-07 cs.AI cs.CR