Uncovering IP Address Hosting Types Behind Malicious Websites
University of Colombo School of Computing(科伦坡大学计算机学院);Qatar Computing Research Institute(卡塔尔计算研究所)
每天都有成千上万的恶意域名被创建。这些恶意域托管在各种网络基础设施上。传统上,攻击者利用防弹托管服务(例如MaxiDed,Cyber Bunker)来利用他们可以托管的内容的相对宽松的策略。然而,这些IP范围越来越多地被封锁或服务被执法部门关闭。因此,攻击者正在转向利用来自常规托管提供商的IP,同时保持在这些托管提供商的雷达之下。准确了解用于托管恶意域的IP类型有几个实际优势。如果IP是专用IP(即,它被租赁给单个实体),则可以将IP列入黑名单以阻止托管在这些IP上的域以及用作识别托管在相同IP上的其他恶意域的方式。如果IP是共享托管IP,托管服务提供商可能会采取措施清理此类域名,并为其用户保持较高的声誉。
2021-11-28 cs.CR cs.LG
Data-Driven Characterization and Detection of COVID-19 Themed Malicious Websites
COVID-19对全球社会造成沉重打击,各组织正努力应对“在家工作”的新常态。然而,远程工作的数量是前所未有的,并为网络攻击者渗透家庭计算机创造了机会。攻击者一直在利用具有COVID-19相关名称的网站,称为COVID-19主题恶意网站。这些网站大多包含虚假信息、虚假表格、欺诈性付款、诈骗或恶意有效载荷,以窃取敏感信息或感染受害者的计算机。在本文中,我们提出了一个数据驱动的研究特征和检测COVID-19主题的恶意网站。我们的特征研究表明,攻击者是敏捷的,在设计地理定位目标网站时具有欺骗性,通常利用流行的域名注册商和顶级域名。我们的检测研究表明,随机森林分类器可以基于本文定义的词汇和WHOIS特征检测COVID-19主题的恶意网站,达到98%的准确率和2.7%的误报率。
2021-02-25 cs.CR
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
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
Towards identifying Source credibility on Information Leakage in Digital Gadget Market
IIIT Delhi(德里印度信息技术学院)
针对数字产品市场社交媒体泄露问题,本文收集54,495条泄露与新闻稿标题,训练准确率82.14%的自定义NER模型识别机型,并依据失实与真实泄露帖数量提出博客可信度评分指标。
2024-09-07 cs.AI cs.CR
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
Malicious Web Request Detection Using Character-level CNN
Web参数注入攻击是一种常见且强大的攻击。在这类攻击中,恶意攻击者可以利用HTTP请求,通过在HTTP请求的参数中注入恶意代码来实现对服务器的攻击。针对Web参数注入攻击,现有的Web入侵检测系统(WIDS)由于缺乏再学习能力,且很少关注特征之间的内在联系,因此无法发现未知的新攻击,误报率较高。提出了一种基于改进卷积神经网络(CNN)模型的具有再学习能力的恶意请求检测系统。我们在卷积层之前添加了一个字符级嵌入层,这使得我们的模型能够学习查询字符串中字符之间的内在关系。此外,我们修改了CNN的过滤器,修改后的过滤器可以提取查询字符串的细粒度特征。实验结果表明,与支持向量机(SVM)和随机森林(RF)相比,该模型具有更低的FPR。
2018-11-21 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
Include Me Out: In-Browser Detection of Malicious Third-Party Content Inclusions
现代网站包括各种类型的第三方内容,例如JavaScript、图像、样式表和Flash对象,以便创建交互式用户界面。除了网站发布者明确包含第三方内容之外,ISP和浏览器扩展正在越来越频繁地劫持Web浏览会话以注入第三方内容(例如,广告)。然而,第三方内容也可能给这些网站的用户带来安全风险,而网站运营商和用户都不知道。由于这些内含物通常具有高度动态的性质,以及在当代恶意软件中使用先进的伪装技术,因此在恶意第三方内容有机会攻击用户系统之前,抢先识别并阻止恶意第三方内容的内含物是非常困难的。在本文中,我们提出了一种新的方法,通过分析在Web上的包含序列来实现抢先阻止恶意第三方内容包含的目标。我们实现了我们的方法,称为Excision,作为对Chromium浏览器的一组修改,可以在网页加载时保护用户免受恶意包含。我们的分析表明,通过采用我们的浏览器方法,用户可以避免Web上的恶意第三方内容的重要部分。我们的评估表明,切除有效地识别恶意内容,同时引入低误报率。我们的实验还表明,我们的方法不会对用户的浏览体验产生负面影响时,浏览热门网站从Alexa的前500名。
2020-02-14 cs.CR
WAFBOOSTER: Automatic Boosting of WAF Security Against Mutated Malicious Payloads
WAFBOOSTER是一个基于学习的框架,通过影子模型和载荷生成技术识别WAF绕过漏洞并生成签名,将变异恶意载荷的拒绝率从21%提升至96%,且无误拒绝。
2025-01-23 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
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
Malicious URL Detection using optimized Hist Gradient Boosting Classifier based on grid search method
Universiti Kebangsaan Malaysia(马来西亚国立大学);University of Birjand(比尔詹德大学);Technical and Vocational University(技术职业大学)
本文针对恶意URL检测问题,提出基于网格搜索优化的多种机器学习方法,并在1781条网站数据上验证HGBC分类器在准确率、F1分数和AUC等指标上表现最优。
2024-06-12 cs.CR cs.LG
Advancing Malicious Website Identification: A Machine Learning Approach Using Granular Feature Analysis
本研究针对恶意网站识别任务,提出77项细粒度特征并构建含44万余样本的9分类数据集,通过机器学习模型实现95.89%的分类准确率,同时分析了特征重要性排名。
2024-09-11 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
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
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
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
Detecting Malignant TLS Servers Using Machine Learning Techniques
TLS使用X.509证书进行服务器身份验证。X.509证书是一个复杂的文档,在创建/使用它时可能会发生各种无辜的错误。此外,许多证书属于恶意网站,应该被客户端拒绝,并且不应该访问这些Web服务器。通常情况下,当客户端发现一个证书是可疑的使用传统的测试,它要求人为干预。但是,看看证书,大多数人不能区分恶意和非恶意网站。因此,一旦传统的证书验证失败,而不是要求人工干预,我们使用机器学习技术,使Web浏览器能够决定证书所属的服务器是否是恶性的,即是否应该访问该网站。一旦证书在上述阶段被接受,我们观察到该网站仍然可能是恶意的。因此,在第二阶段,我们将网站的一部分下载到沙箱中,而不对其进行解密,并观察TLS加密流量(沙箱中捕获的加密恶意数据不会损害系统)。由于在握手完成后对流量进行加密,因此无法使用传统的模式匹配技术。因此,我们使用流量的流特征以及上述第一阶段中使用的特征。我们将这些特征与TLS握手期间获得的未加密TLS报头信息相结合,并在机器学习分类器中使用这些特征来识别流量是否是恶意的。
2017-05-25 cs.CR cs.NI
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
MemVenom: Triggered Poisoning of Multimodal Memories in Web Agents
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室);Tianjin University(天津大学);Shenzhen International Graduate School, Tsinghua University(深圳国际研究生学院,清华大学);Huawei Technologies Ltd.(华为技术有限公司)
提出MemVenom框架,针对网络代理的外部记忆系统,通过触发条件检索和攻击诱导,实现黑盒多模态记忆投毒,达到高成功率且不影响良性性能。
2026-06-09 cs.CR cs.LG
Preventing Poisoning Attacks on AI based Threat Intelligence Systems
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
随着人工智能系统变得越来越普遍,保护它们成为一个新的挑战。多年来,随着在线社交媒体的使用和可用于分析的数据的激增,人工智能系统已经被建立来提取,表示和使用这些信息。然而,从公开来源提取的这些信息的可信度往往是值得怀疑的。恶意或不正确的信息可能会导致金钱、声誉和资源的损失;在某些情况下,还会对人类生命构成威胁。在本文中,我们使用一种集成的半监督方法来确定Reddit帖子的可信度,通过估计其声誉得分来确保AI系统摄取的信息的有效性。我们在网络安全领域展示了我们的方法,安全分析师利用这些系统通过分析分散在社交媒体网站,论坛,博客等上的数据来确定可能的威胁。
2018-07-19 cs.CR cs.LG cs.SI
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
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
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
Multi-Agent Systems Execute Arbitrary Malicious Code
Cornell Tech(康奈尔科技)
本文揭示了多智能体系统易受对抗性内容劫持的安全漏洞,证明即使单个智能体能抵御提示注入,攻击者仍能通过劫持系统通信诱导其执行任意恶意代码或窃取数据。
2025-09-12 cs.CR cs.LG
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
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
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
Identification of Malicious Posts on the Dark Web Using Supervised Machine Learning
本研究利用监督机器学习和文本挖掘技术,通过巴西葡萄牙语暗网论坛数据,创建原创数据集并提出多阶段标记流程,以高准确率识别恶意帖子。
2025-11-28 cs.AI cs.CR
Poisoning Web-Scale Training Datasets is Practical
Google DeepMind(谷歌DeepMind);ETH Zurich(苏黎世联邦理工学院);NVIDIA(英伟达);Robust Intelligence(稳健智能);Google(谷歌)
本文提出分割视图投毒和抢先投毒两种实用攻击,证明仅需60美元即可毒化LAION-400M等网络规模数据集,并给出低开销防御建议。
2024-05-06 cs.CR cs.LG
CRED-1: An Open Multi-Signal Domain Credibility Dataset for Automated Pre-Bunking of Online Misinformation
Frankfurt University of Applied Sciences(法兰克福应用科学大学);IMT Atlantique(大西洋高等理工学院)
CRED-1数据集结合了两个开源源列表和四个计算增强信号,用于评估网络信息的可信度,通过领域年龄、网页流行度、事实核查频率和威胁情报等指标,为虚假信息预过滤提供支持。
2026-02-25 cs.CR cs.CY cs.IR
Joint Detection of Malicious Domains and Infected Clients
University of Potsdam(波茨坦大学);Cisco R&D(思科研发部);Czech Technical University in Prague(布拉格捷克理工大学)
检测感染恶意软件的计算机和基于加密HTTPS流量检测恶意Web域是一个具有挑战性的问题,因为只有地址、时间戳和数据量是可观察的。检测问题是耦合的,因为受感染的客户端往往与恶意域交互。可以大规模收集流量数据,并且可以使用防病毒工具来识别受感染的客户端。相比之下,域必须在取证分析后单独标记。我们探索基于水闸网络的迁移学习;这允许检测模型相互引导。在一个大规模的实验研究中,我们发现,该模型优于已知的参考模型,并检测以前未知的恶意软件,以前未知的恶意软件家族,以前未知的恶意域。
2019-06-21 cs.CR cs.LG stat.ML
WAInjectBench: Benchmarking Prompt Injection Detections for Web Agents
The University of Hong Kong(香港大学);Duke University(杜克大学)
本研究提出首个面向Web智能体的提示注入检测基准WAInjectBench,完成攻击细粒度分类与多模态数据集构建,系统评估现有检测方法,发现其对无显式指令、不可感知扰动的攻击检测效果不佳。
2026-09-24 cs.AI cs.CL cs.CR
Phishing Detection Using Machine Learning Techniques
Sharif University of Technology(谢里夫理工大学);University of Tehran(德黑兰大学)
互联网已经成为我们生活中不可或缺的一部分,然而,它也提供了匿名执行恶意活动的机会,如网络钓鱼。网络钓鱼者试图通过社会工程或创建模拟网站来欺骗受害者,以窃取个人和组织的帐户ID,用户名,密码等信息。虽然已经提出了许多方法来检测钓鱼网站,但钓鱼者已经发展了他们的方法来逃避这些检测方法。检测这些恶意活动的最成功的方法之一是机器学习。这是因为大多数网络钓鱼攻击都有一些共同的特征,可以通过机器学习方法进行识别。在本文中,我们比较了多种机器学习方法预测钓鱼网站的结果。
2020-09-20 cs.AI cs.CR cs.LG
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
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
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
An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework
Sabanci University(萨班哲大学);University of Padua(帕多瓦大学);MNNIT Allahabad(印度莫蒂拉尔·尼赫鲁国家技术学院阿拉哈巴德分校);University of Delhi(德里大学)
恶意广告URL构成了安全风险,因为它们是网络攻击的来源,并且解决这个问题的需求在工业界和学术界都在增长。通常,攻击者通过电子邮件、广告链接或任何其他通信手段向用户传递攻击向量,并将他们引导到恶意网站以窃取敏感信息并欺骗他们。现有的恶意URL检测技术是有限的,并处理看不见的功能,以及推广到测试数据。在本研究中,我们提出一套新颖的词汇及网页废弃特徴,并利用机器学习技术来建立一套欺诈广告网址侦测系统。六种不同类型的特征的组合集合精确地克服了欺诈URL分类中的混淆。基于不同的统计特性,我们使用12种不同格式的数据集进行检测,预测和分类任务。我们扩展了对不匹配和未标记数据集的预测分析。在这个框架中,我们分析了四种机器学习技术:随机森林,梯度增强,XGBoost和AdaBoost在检测部分的性能。使用我们提出的方法,我们可以实现低至0.0037的假阴性率,同时保持99.63%的高准确性。此外,我们设计了一种新的无监督的数据聚类技术,使用K均值算法的可视化分析。本文在有限知识攻击场景下分析了基于决策树模型的脆弱性。我们考虑了探测攻击,并对检测模型进行了零阶优化对抗攻击。
2022-04-27 cs.AI cs.CR cs.LG
TransURL: Improving malicious URL detection with multi-layer Transformer encoding and multi-scale pyramid features
针对Transformer在恶意URL检测中难提取局部、字符级及结构信息的问题,提出融合多层编码、多尺度特征学习和空间金字塔注意力的TransURL方法,在多类场景下检测性能显著优于现有方法。
2025-03-21 cs.CR
The Innocent Courier: Covert Exfiltration Through Legitimate LLM Web Fetching
Technical University of Darmstadt(达姆施塔特工业大学);Graz University of Technology(格拉茨工业大学)
本文提出LLMLeak攻击,利用LLM的网页抓取功能建立隐蔽信道,使本地恶意软件通过嵌入秘密的URL向攻击者泄露数据,在11个模型中成功率达79.7%。
2026-10-02 cs.CR cs.LG
Unsafe LLM-Based Search: Quantitative Analysis and Mitigation of Safety Risks in AI Web Search
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of North Texas(北德克萨斯大学)
本研究首次量化7款商用AI驱动搜索引擎的安全风险,发现其易生成含恶意URL的有害内容,提出基于智能体的防御方案可有效降险,仅损失约10.7%可用信息,凸显AIPSE安全防护的紧迫性。
2025-06-13 cs.AI cs.CR cs.LG
A Retrospective Analysis of User Exposure to (Illicit) Cryptocurrency Mining on the Web
2017年底,网络上突然出现了大量恶意JavaScript:基于浏览器的挖掘利用网站访问者的CPU时间来挖掘加密货币Monero。几项研究衡量了此类代码的部署并开发了防御措施。然而,以前的工作并没有确定有多少用户真正接触到已识别的采矿网站,以及考虑到常见的用户浏览行为是否存在真正的风险。在本文中,我们提出了一个追溯分析,以弥补这一研究差距。我们从几个有利位置收集了大规模的纵向数据,这些数据是在非法加密挖矿的黄金时段收集的,以衡量对网络用户的影响。我们利用大学网络和一家大型欧洲ISP的被动流量监控数据,以及在之前的主动扫描中发现的可疑采矿站点。我们用来自一个浏览器扩展的数据证实了我们的结果,该扩展拥有庞大的用户群,可以跟踪网站访问。我们还监控开放的HTTP代理和Tor网络,以防止恶意代码注入。我们发现,大多数Web用户的风险总是非常低,远远低于部署扫描所建议的风险。任何接触时间也非常短暂。然而,我们还发现了一个以前未知的和利用移动设备上的攻击向量。
2020-06-25 cs.CR cs.NI
Detecting Malicious Domains Using Statistical Internationalized Domain Name Features in Top Level Domains
域名系统(DNS)是将域名转换为IP地址的核心Internet服务。它是一个分布式数据库和协议,有许多已知的弱点,受到无数的攻击,包括欺骗攻击,僵尸网络和域名注册。尽管如此,安全和隐私之间的争论仍在继续,即DNS over TLS或HTTP,以及缺乏采用DNS安全扩展,使用户处于危险之中。因此,域名的安全性和恶意网站的特征正在成为优先事项。分析了恶意域名与正常域名的区别,并利用Python语言提取了各种恶意域名的识别特征。此外,本文还提供了支持国际化域名的两类功能,并使用五种工具扫描域名系统,对其进行评级。随机森林分类器的总体准确率为95.6%。
2022-11-15 cs.CR
A Whole New World: Creating a Parallel-Poisoned Web Only AI-Agents Can See
JFrog
本文提出利用网站伪装技术的新型攻击向量,通过识别AI智能体数字指纹投放含隐藏恶意指令的伪装页面,可劫持智能体行为且对人类不可见,揭示了智能体AI的新安全威胁与防御紧迫性。
2025-08-29 cs.AI cs.CR cs.CY
WADBERT: Dual-Channel Web Attack Detection via Permutation-Invariant Parameter Modeling
Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院);Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
WADBERT通过双通道BERT模型实现高精度网络攻击检测,利用混合粒度嵌入和多头注意力机制提升恶意参数识别能力。
2026-10-27 cs.CR
SEVered: Subverting AMD's Virtual Machine Encryption
AMD SEV是专为虚拟机安全加密而设计的硬件功能。SEV旨在保护虚拟机内存不仅免受其他恶意客户机和物理攻击者的攻击,而且还免受可能的恶意虚拟机管理程序的攻击。这使云和虚拟服务器客户不再完全信任他们的服务器提供商和他们正在使用的虚拟机管理程序。我们提出了SEVered的设计和实现,从一个恶意的虚拟机管理程序能够提取明文从SEV加密的虚拟机的主内存的全部内容的攻击。SEVered既不需要物理访问,也不需要串通虚拟机,而只依赖于在目标虚拟机中运行的远程通信服务,如Web服务器。我们在一个支持SEV的最新AMD服务器平台上验证了SEVered的有效性,该平台在加密的虚拟机中运行不同的服务,如Web或SSH服务器。通过这些示例,我们证明了SEVered即使在目标虚拟机处于高负载的情况下也能可靠有效地提取所有内存内容。
2018-05-24 cs.CR
Mind the Web: The Security of Web Use Agents
Ben-Gurion University of the Negev, Israel(内盖夫本·古里安大学)
该研究揭示Web使用智能体存在新型攻击面,提出任务对齐注入技术及自动化三阶段攻击流水线,攻击成功率超80%且迁移性强,并给出针对性安全缓解策略。
2025-10-20 cs.AI cs.CR
An investigation of the classifiers to detect android malicious apps
Birla Institute of Technology and Science(贝拉理工学院)
Android设备呈指数级增长,并通过互联网连接到数十亿个在线网站。这些设备的流行鼓励恶意软件开发人员利用恶意应用程序渗透市场,以骚扰和破坏受害者。虽然,对于恶意应用程序的检测,讨论了不同的方法。然而,所提出的方法不足以检测高级恶意软件以限制/防止损害。在这方面,很少有方法是基于操作码发生来分类恶意应用程序。因此,本文研究了五个分类器使用操作码的出现作为检测恶意应用程序的突出特征。对于分析,我们使用WEKA工具,发现FT检测准确率(79.27%)是最好的调查分类器。然而,真阳性率,即恶意软件检测率是最高的(99.91%)RF和波动最小的突出特征的不同数量相比,其他研究的分类。分析表明,总体准确率主要受分类器的误报影响。
2018-02-23 cs.AI cs.CR
Harvesting SSL Certificate Data to Identify Web-Fraud
网络欺诈是当今互联网最令人不快的特征之一。网络欺诈活动的两个众所周知的例子是网络钓鱼和错别字。它们的影响范围从相对良性的(如不受欢迎的广告)到彻头彻尾的险恶(特别是,当错别字与网络钓鱼相结合时)。本文提出了一种新的技术来检测利用HTTPS的Web欺诈域。为此,我们对SSL证书进行了首次全面的研究。我们分析合法和流行域名的证书以及欺诈性域名使用的证书。从广泛的测量,我们建立了一个分类器,检测这样的恶意域名具有很高的准确性。
2012-01-13 cs.CR cs.NI
A security approach based on honeypots: Protecting Online Social network from malicious profiles
近年来,社交网络的快速发展和指数级的使用,促使社会计算的扩展。在社交网络中,用户通过边缘或链接相互连接,其中Facebook,Twitter,LinkedIn是最受欢迎的社交网络网站。由于这些网站越来越受欢迎,它们成为网络犯罪和攻击的目标。它主要基于用户如何使用这些网站,如Twitter和其他网站。攻击者可以轻松访问和收集个人和敏感用户信息。用户对安全设置不太了解,也不太关心。他们很容易成为身份泄露的受害者。为了检测恶意用户或伪造的配置文件,已经提出了不同的技术,如我们的方法,这是基于使用社会蜜罐来发现恶意配置文件在it.Inspired安全研究人员使用蜜罐观察和分析网络中的恶意活动,这种方法使用社会蜜罐陷阱恶意用户。该方法的两个关键要素是:(1)部署社会蜜罐收集恶意配置文件的信息。(2)分析这些恶意配置文件的特征和已部署蜜罐的特征,以创建分类器,从而过滤现有配置文件并监视新配置文件。
2018-04-26 cs.CR