"I wasn't sure if this is indeed a security risk": Data-driven Understanding of Security Issue Reporting in GitHub Repositories of Open Source npm Packages
本研究通过分析 45,466 个 npm 包的千万级 GitHub issue，结合人工标注与机器学习，揭示大量安全问题未被标记或妥善处理。
2025-06-09 cs.CR
Containing Malicious Package Updates in npm with a Lightweight Permission System
在快速发展的软件生态系统中，大量的第三方软件包（如Node.js/npm）使攻击者能够通过将恶意更新推送到其软件包依赖关系中来危害应用程序。通过研究npm存储库，我们发现Node.js应用程序中使用的npm存储库中的许多包只执行简单的计算，不需要访问文件系统或网络API。这提供了对每个包强制执行最小特权设计的机会，从而保护应用程序和包依赖项免受恶意更新的影响。我们提出了一个轻量级的权限系统，通过在运行时强制执行包权限来保护Node.js应用程序。我们讨论了解决方案的设计空间，并表明我们的系统使得大量的软件包更难被利用，几乎是免费的。
2021-03-08 cs.CR cs.SE
Original Sin of npm: A Study on Vulnerability Propagation in JavaScript Dependency Networks
Data61, CSIRO（CSIRO数据六部）；RMIT University（皇家墨尔本理工大学）；Macquarie University（麦考瑞大学）；Sungkyunkwan University（成均馆大学）
本文研究了少量脆弱JavaScript包如何导致大量脆弱包的产生，揭示了依赖网络中漏洞传播的特性及修复时间，提出开发人员和包管理者的缓解建议。
2026-04-19 cs.CR
DistillGuard: Malicious NPM Package Detection and API Attack Chain Analysis via Static Graph and LLM Distillation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
DistillGuard通过静态图语义分析与LLM知识蒸馏，实现轻量级恶意NPM包检测，准确率达95.3%，并揭示攻击阶段与八种API攻击链，提升供应链安全防御。
2026-09-25 cs.CR
Lags in the Release, Adoption, and Propagation of npm Vulnerability Fixes
第三方依赖关系中的安全漏洞不仅是受影响软件的开发人员日益关注的问题，而且还对整个软件生态系统构成风险，例如，心脏出血漏洞。最近的研究表明，开发人员对漏洞威胁的反应很慢，有时需要4到11个月才能采取行动。为了确保快速采用和传播的版本，包含修复（修复版本），我们进行了实证调查，以确定可能发生的滞后之间的脆弱的版本和它的修复版本（包端修复版本）。通过对GitHub上npm项目的231个包端修复版本的初步研究，我们观察到修复版本很少单独发布，高达85.72%的捆绑提交与修复无关。然后，我们将包端修复版本与客户端（客户端修复版本）上的更改进行比较。通过对影响整个网络的1，553，325个npm包版本的1，290个包端修复版本的采用和传播趋势的实证研究，我们发现陈旧的客户端需要额外的迁移工作，即使包端修复版本很快（即，包补丁着陆）。此外，我们显示的影响因素，如包端固定释放土地上的分支和脆弱性的严重程度，其传播。除了这些滞后，我们确定和表征，本文奠定了基础，为未来的研究如何减轻滞后的生态系统。
2021-03-31 cs.CR cs.SE
DONAPI: Malicious NPM Packages Detector using Behavior Sequence Knowledge Mapping
针对npm生态的恶意包安全风险，研究提出结合静动态分析的DONAPI检测器，基于行为知识库识别恶意包，已发现325个恶意样本及多种未知异常调用与序列。
2024-03-13 cs.CR
I Know What You Imported Last Summer: A study of security threats in thePython ecosystem
Python的流行在过去15年中迅速上升。它是当今一些最令人兴奋的技术中的主要语言。这种流行导致了一个大型的第三方软件包生态系统，通过pip软件包注册表提供，该注册表托管超过20万个软件包。这些第三方软件包可以在安装后使用软件包管理器（如pip）简单地导入软件包来重用。第三方软件的易用性带来了安全风险，使数百万用户处于危险之中。在这个项目中，我们研究生态系统来分析这种威胁。Python的成熟生态系统有许多弱点，我们在项目中强调了这些弱点。首先，我们展示了利用Python生态系统是多么微不足道。然后，我们系统地分析软件包，维护人员和公开报告的安全问题之间的依赖关系。大多数攻击只有在用户安装恶意软件包时才可能发生。因此，我们试图分析和评估攻击者使用的不同方法，以迫使不正确的下载。我们通过估计利用流行的Python包可能造成的潜在威胁来量化您的想法。我们还讨论了行业中用于防御此类攻击的方法
2021-02-11 cs.CR
Killing Two Birds with One Stone: Malicious Package Detection in NPM and PyPI using a Single Model of Malicious Behavior Sequence
Fudan University（复旦大学）；Tongji University（同济大学）
本文提出Cerebro模型，通过统一多语言恶意包知识和序列建模技术，有效检测NPM和PyPI中的恶意包，实现高效准确的恶意包识别。
2025-05-02 cs.CR cs.SE
JavaSith: A Client-Side Framework for Analyzing Potentially Malicious Extensions in Browsers, VS Code, and NPM Packages
JavaSith 是一个客户端框架，结合运行时沙箱、静态分析和本地大语言模型，用于分析浏览器、VS Code 和 NPM 包中的潜在恶意扩展，并通过案例研究证明其能捕获逃避传统检测的隐蔽恶意行为。
2025-05-27 cs.CR
SōjiTantei: Function-Call Reachability Detection of Vulnerable Code for npm Packages
软件项目采用第三方依赖关系已经成为一种常见的做法。我们鼓励开发人员更新任何过时的依赖项，以免受潜在的漏洞威胁。在这项研究中，我们提出了一种方法来帮助开发人员显示是否有一个脆弱的代码是可达的JavaScript项目。我们的原型SōjiTantei从两个方面进行评估：（i）与手动方法相比的准确性;（ii）对78个安全漏洞案例中的780个客户端进行更大规模的分析。第一次评估显示，SōjiTantei具有83.3%的高准确性，每个客户端的分析速度不到一秒。第二次评估显示，在研究的78个漏洞中，有68个报告至少有一个干净的客户端。该研究证明，自动化是有前途的，有进一步改进的潜力。
2021-09-18 cs.CR cs.SE
Challenges in Blockchain as a Solution for IoT Ecosystem Threats and Access Control: A Survey
本文综述了物联网生态系统中的安全威胁与访问控制问题，探讨了基于区块链的解决方案及其集成挑战，列举了公共区块链攻击实例，并提出了未来研究方向。
2023-11-26 cs.CR
Software Supply Chain Smells: Lightweight Analysis for Secure Dependency Management
KTH Royal Institute of Technology（皇家理工学院）；Université de Montréal（蒙特利尔大学）
本文提出软件供应链异味概念，设计评估Dirty-Waters工具，通过实证研究揭示Maven和NPM生态中依赖项安全问题的差异。
2026-03-30 cs.CR cs.SE
Bilingual Problems: Studying the Security Risks Incurred by Native Extensions in Scripting Languages
脚本语言由于其易用性和围绕它们的蓬勃发展的软件生态系统而不断受到欢迎。这些语言通过设计提供了崩溃和内存安全，因此，开发人员不需要理解和防止像C代码中的低级安全问题。然而，脚本语言通常允许本机扩展，这是直接从高级语言调用自定义C/C++代码的一种方式。虽然此功能承诺了几个好处，例如提高性能或重用遗留代码，但它也可能破坏语言的保证，例如，碰撞安全在这项工作中，我们首先提供了三种流行的脚本语言的本地扩展API的安全风险的比较分析。此外，我们讨论了一种新的方法来研究滥用的本地扩展API。然后，我们对npm进行了深入研究，这是一个最容易受到原生扩展引入的威胁的生态系统。我们发现，扩展中的漏洞可以在其嵌入库中被利用，方法是在33个npm包中读取未初始化的内存、硬崩溃或内存泄漏，只需使用精心设计的输入调用其API。此外，我们确定了六个开源的Web应用程序中，这样的漏洞可以远程部署一个薄弱的对手。最后，我们被分配了七个安全等级来完成本文中介绍的工作，大多数都被标记为高严重性。
2023-02-03 cs.CR
Practical Automated Detection of Malicious npm Packages
npm注册表是JavaScript和TypeScript生态系统的支柱之一，托管了超过170万个包，从简单的实用程序库到复杂的框架和整个应用程序。由于npm的压倒性流行，它已成为恶意行为者的主要目标，他们发布新的包或破坏现有的包，以引入恶意软件，篡改或暴露安装这些包或任何（过渡性）依赖于它们的包的用户的敏感数据。防御此类攻击对于维护软件供应链的完整性至关重要，但软件包更新的绝对数量使得全面的手动审查变得不可行。我们提出了Amalfi，一种基于机器学习的方法，用于自动检测由三种互补技术组成的潜在恶意软件包。我们从已知的恶意和良性软件包的例子训练分类器开始。如果一个软件包被分类器标记为恶意软件，我们就会检查它是否包含有关其源代码库的元数据，如果包含，则检查该软件包是否可以从其源代码中复制。可从源代码复制的包通常不是恶意的，因此这一步允许我们剔除误报。最后，我们还采用了一个简单的文本克隆检测技术来识别可能被分类器错过的恶意软件包的副本，减少了误报的数量。Amalfi改进了现有技术，因为它是轻量级的，每个包只需要几秒钟就可以提取特征并运行分类器，并且在实践中取得了良好的效果：在一周内发布的96287个包版本上运行它，我们能够识别95个以前未知的恶意软件样本，误报数量可控。
2022-02-28 cs.CR cs.SE
Privacy-preserving and Trusted Threat Intelligence Sharing using Distributed Ledgers
威胁信息共享被认为是增强可信合作伙伴整体安全的主动防御方法之一。值得信赖的合作伙伴组织可以提供对过去和当前网络安全威胁的访问，以降低潜在网络攻击的风险-威胁信息共享的要求范围从简单的文档共享到威胁情报共享。因此，高度敏感的威胁信息的存储和共享引起了关于构建安全、可信的威胁信息交换基础设施的相当大的关注。建立一个可信的威胁共享生态系统将促进存储信息的有效性、安全性、匿名性、可扩展性、延迟效率和可追溯性，从而保护其免受未经授权的泄露。本文提出了一种系统，通过利用分布式账本技术来确保上述安全原则，该技术通过智能合约提供安全的分散操作，并为MITRE ATT\& CK框架的威胁信息存储和共享提供隐私保护生态系统。
2021-12-19 cs.CR
Towards Robust Detection of Open Source Software Supply Chain Poisoning Attacks in Industry Environments
针对 NPM 与 PyPI 供应链投毒，本文提出 OSCAR 动态检测流水线，结合沙箱执行、模糊测试和方面级行为监控，在工业部署中显著降低误报并发现大量恶意包。
2024-09-14 cs.CR cs.SE
The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort
Anthropic；OpenAI；Google；DeepSeek
本文重新评估了2026前沿模型队列上大型语言模型（LLM）的包幻觉现象，发现尽管幻觉率有所降低，但仍然存在威胁，识别出一组127个包名（109个在PyPI，18个在npm）被所有评估模型一致生成，构成一个跨模型的供应链攻击面，同时发现Python与JavaScript幻觉的不对称性以及DeepSeek V3.2和GPT-5.4-mini之间的高相似性。
2026-08-11 cs.CR cs.LG cs.SE
Autonomous OSS Threat Detection via Taxonomy-Aligned LLMs
BRAC University（布拉格大学）
本文提出基于分类对齐提示的GPT-4框架，在999个真实开源供应链事件上实现97%分类准确率，证明提示对齐优于模型规模与微调。
2026-10-16 cs.CR
The Masks We (Think We) Wear: Privacy Threats of Browser-Extension Wallets in the Web3 Ecosystem
KU Leuven（荷语鲁汶大学）
研究 Web3 生态系统中浏览器扩展钱包的隐私威胁，通过对 85 个流行钱包大规模测量，识别出五种隐私威胁，如 RPC 操作泄密、权限撤销不一致等，表明钱包行为泄露敏感信息，强调需标准化、保护隐私的钱包架构及相应缓解措施。
2026-07-08 cs.CR
"Blockchain-Enabled Zero Trust Framework for Securing FinTech Ecosystems Against Insider Threats and Cyber Attacks"
本文提出集成 Ethereum 智能合约的零信任框架，结合 MFA、RBAC、JIT 与链上策略执行，增强金融科技抵御内部威胁和网络攻击的能力。
2025-07-26 cs.CR
Internet of Threats Introspection in Dynamic Intelligent Virtual Sensing
物联网（IoT）生态系统中通信基础设施的持续普及已经见证了动态，智能，虚拟化传感和驱动的持续进步。这导致了物联网生态系统之间的有效互动。此外，这使得智能环境的创建成为可能，这就需要开发不同的物联网协议，以支持通过互联网在数十亿电子设备上中继信息。尽管如此，物联网技术（如无线传感器网络（WSN），RFID，WIFI，蓝牙，ZigBee，IEEE 802.15.4等）支持的虚拟传感器现象，模拟物理传感器，并通过虚拟传感器资源的动态分配实现更有效的资源管理。这方面的一个独特的例子是动态智能虚拟传感器（DIVS）的提议。这个DIVS概念是一个新颖的命题，它允许通过使用标记数据来使用逻辑实例进行感测。这允许在数据融合期间进行准确的预测。然而，对DIVS的潜在安全攻击可能最终在用户反馈过程（UFP）期间提供错误标签，这可能干扰DIVS的准确性。本文调查了DIVS在物联网生态系统中使用时的威胁情况，以确定这些威胁的严重程度可能会阻碍基于标记数据的物联网DIVS的准确预测。
2020-06-21 cs.CR
Flash Crash for Cash: Cyber Threats in Decentralized Finance
去中心化金融（DeFi）于2020年形成。超过140亿美元的资金流入DeFi项目，提供交易，贷款和保险。但它的增长也引起了恶意行为者的注意。许多项目一启动就被利用，损失了数百万美元。虽然许多开发人员了解整数溢出和重入攻击，但DeFi生态系统的安全威胁更为复杂，而且仍然知之甚少。在本文中，我们首次概述了野外DeFi安全事件。我们观察到，这些漏洞中有许多是市场攻击，在一个协议中将弱实现的业务逻辑武器化，并由另一个协议提供信贷以增加拨款。而不是滥用个别协议，攻击者越来越多地使用DeFi的无权限可组合性对自己的力量。通过在新生的金融生态系统DeFi中提供对真实世界安全事件的第一次全面分析，我们希望在未来几年为分散的加密经济计划中的威胁建模提供信息。
2021-06-20 cs.CR
MCPThreatHive: Automated Threat Intelligence for Model Context Protocol Ecosystems
Vulcan Research（Vulcan研究）
本文提出MCPThreatHive平台，通过AI驱动威胁提取与分类，解决MCP安全威胁建模不完整、威胁情报不连续及分类不统一的问题。
2026-04-15 cs.AI cs.CR
Technical Report: Exploring the Emerging Threats of the Agent Skill Ecosystem
Snyk
本研究通过分析3984个AI智能体技能，发现76个恶意载荷，揭示了技能生态系统中的安全威胁，并提出了威胁分类和攻击模式。
2026-05-27 cs.AI cs.CR
From Secure Agentic AI to Secure Agentic Web: Challenges, Threats, and Future Directions
Shanghai Innovation Institute（上海创新研究院）；Shanghai Jiao Tong University（上海交通大学）
本文探讨了从安全代理AI到安全代理网络的过渡，分析了代理系统在开放网络环境中的安全挑战与威胁，并提出了应对策略和未来研究方向。
2026-03-02 cs.CR
Supporting the Detection of Software Supply Chain Attacks through Unsupervised Signature Generation
在软件供应链攻击中使用的木马化软件包构成了一种新的威胁。不幸的是，仍然缺乏允许自动和及时检测恶意软件包的可扩展方法，因此大多数检测都基于手工劳动和专业知识。然而，已经观察到，大多数攻击活动包括共享相同或相似恶意代码的多个包。我们利用这一事实来自动复制手动识别的已知恶意软件包集群，这些恶意软件包已用于现实世界的攻击，从而减少了对专家知识和手动检查的需求。我们的方法，AST聚类使用MCL模仿专业知识（ACME），产生有希望的结果与$F_{1}$得分为0.99。签名是基于集群中的特征代码片段自动生成的，随后用于扫描整个npm注册表以查找未报告的恶意软件包。我们能够识别并报告六个恶意软件包，这些软件包已经从npm中删除。因此，我们的方法可以通过减少体力劳动来支持分析人员，因此可以用来及时检测可能的软件供应链攻击。
2021-03-19 cs.CR
Securing the Future: Proactive Threat Hunting for Sustainable IoT Ecosystems
Carleton University（卡尔顿大学）
本文针对物联网设备安全问题，提出将主动威胁狩猎结合CVSS类安全指标集成到消费平台的策略，可提前清除威胁、延长设备寿命、提升用户安全意识，助力构建安全可持续的物联网生态。
2024-06-21 cs.AI cs.CR cs.CY
Cybersecurity Threats to Power Grid Operations from the Demand-Side Response Ecosystem
本文分析了物联网能源智能电器对电网运营构成的网络安全威胁，探讨了需求侧响应生态系统中的漏洞、影响攻击的关键因素及提升电网韧性的措施。
2025-02-02 cs.CR cs.IT cs.SY
Electric Vehicles Security and Privacy: Challenges, Solutions, and Future Needs
电动汽车（EV）与传统的化石燃料汽车共享共同的技术，但它们也采用新的技术和组件（例如，充电系统和电池管理系统），为恶意用户创造了一个未开发的攻击面。虽然文献中的多个贡献探讨了电动汽车生态系统特定组件的网络安全方面（例如，充电基础设施），从网络物理系统的角度来看，仍然没有对电动汽车及其相关技术的整体网络安全做出贡献。在本文中，我们首次深入研究了与电动汽车生态系统相关的安全和隐私威胁。我们分析了与电动汽车和不同充电解决方案相关的威胁。我们专注于网络物理系统（CPS）范式，详细分析了攻击者可能利用来影响驱动程序和基础设施的安全性和隐私的所有过程。为了解决突出的威胁，我们提出了可能实施的解决方案。我们还概述了未来可能的发展方向，以保证电动汽车生态系统的安全和隐私。根据我们的分析，我们强调需要电动汽车专用的网络安全解决方案。
2023-01-11 cs.CR
Open Source, Open Threats? Investigating Security Challenges in Open-Source Software
本文分析GitHub与Snyk.io中31,267份漏洞报告，揭示开源漏洞增长、生命周期延长及恶意软件包风险，并归纳主要CWE与生态系统差异。
2025-06-15 cs.CR
The CryptoNeo Threat Modelling Framework (CNTMF): Securing Neobanks and Fintech in Integrated Blockchain Ecosystems
本文提出 CryptoNeo 威胁建模框架（CNTMF），通过混合层分析、CRYPTOQ 助记符和 AI 反馈回路扩展 STRIDE 等传统方法，以数据驱动方式应对集成区块链生态系统中新银行与金融科技面临的安全威胁。
2025-07-18 cs.CR cs.ET
Mining the YARA Ecosystem: From Ad-Hoc Sharing to Data-Driven Threat Intelligence
Polytechnique Montréal（蒙特利尔理工学院）；Concordia University（康考迪亚大学）
研究通过分析840万条规则揭示YARA生态系统高度集中且存在运营问题，提出需从随意收集转向严格规则工程。
2026-03-15 cs.CR cs.SE
Threat Modeling and Security Analysis of Containers: A Survey
传统上，在大型和小型企业中使用的应用程序部署在安装有操作系统的“裸金属”服务器上。最近，由于成本降低和灵活性，在同一物理服务器上使用多个虚拟机（VM）被采用。如今，容器已经成为应用程序部署的热门，因为它比VM占用的空间更小，能够更快地启动和停止，并且能够将应用程序二进制文件及其依赖项打包在独立单元中以实现无缝可移植性。典型的容器生态系统包括代码存储库（例如，GitHub），其中容器镜像从代码和库构建，然后推送到镜像注册表（例如，Docker Hub）用于后续部署为应用程序容器。然而，容器的普遍使用也导致了广泛的安全漏洞，例如从映像注册表和代码存储库中窃取凭据和敏感数据，进行DoS攻击，以及获得对底层主机的根访问权限。在本文中，我们首先使用流行的威胁建模框架（称为STRIDE）对容器生态系统进行威胁建模。使用STRIDE，我们确定每个系统组件中的漏洞，并调查潜在的安全威胁及其后果。然后，我们进行了一个全面的调查，现有的对策，针对已识别的威胁和漏洞。特别是，我们评估了针对这些威胁而设计的现有缓解战略的优点和缺点。我们相信，这项工作将有助于研究人员和从业人员更深入地了解集装箱中的威胁状况和最先进的对策。我们还讨论了开放的研究问题和未来的研究方向，在容器安全，这可能会引发进一步的研究在这方面做。
2021-11-22 cs.CR
Eight Years of Rider Measurement in the Android Malware Ecosystem: Evolution and Lessons Learned
尽管Android恶意软件构成的威胁越来越大，但研究社区仍然缺乏对平台上活跃的恶意软件家族暴露的常见行为和趋势的全面了解。如果没有这样的观点，研究人员就有可能开发出只检测过时威胁的系统，而忽略了最新的威胁。在本文中，我们对Android恶意软件行为进行了迄今为止最大规模的测量，分析了八年内（从2010年到2017年）属于1.2K系列的120多万个恶意软件样本。我们的目标是了解Android恶意软件的行为如何随着时间的推移而演变，重点是重新包装恶意软件。在这种类型的威胁中，不同的无害应用程序都带有恶意负载（骑手），允许廉价的恶意软件制造。研究重新打包的恶意软件时面临的主要挑战之一是将应用程序切片，将良性组件与恶意组件分开。为了解决这个问题，我们使用差异分析来隔离与活动无关的软件组件，并单独研究恶意骑手的行为。我们的分析框架依赖于集体知识库和从多个反病毒供应商提取的情报系统化的最新进展。我们发现，自2010年起步以来，Android恶意软件生态系统已经发生了显着变化，无论是恶意样本执行的恶意活动类型，还是恶意软件为避免检测而使用的混淆级别。然后，我们表明，我们的框架可以帮助分析师谁试图研究未知的恶意软件家族。最后，我们讨论了我们的研究结果对Android恶意软件检测研究的意义，强调了研究社区需要进一步关注的领域。
2020-03-19 cs.CR
A Large-scale Fine-grained Analysis of Packages in Open-Source Software Ecosystems
本研究针对开源软件生态中的包管理器，通过大规模分析5万余合法、千余恶意软件包的细粒度信息，揭示了两类包的特征差异，验证了细粒度信息对恶意包的检测价值。
2024-04-17 cs.CR cs.SE
LLM-Based Threat Detection and Prevention Framework for IoT Ecosystems
School of Computer Science and Technology, Algoma University（计算机科学与技术学院，阿尔戈马大学）；School of Electrical Engineering and Computer Science, University of Ottawa（电气工程与计算机科学学院，渥太华大学）
针对物联网安全难题，本文提出基于轻量级 LLM 的威胁检测与自动防御框架，利用 IoT-23、TON_IoT 微调并以 Docker 模块化部署，实验证明其在准确率、延迟和资源效率上优于传统方法。
2025-05-13 cs.AI cs.CR cs.ET
Unraveling Privacy Threat Modeling Complexity: Conceptual Privacy Analysis Layers
本文针对隐私威胁分析中“如何发现威胁”不清晰的问题，提出功能、生态系统、业务上下文和环境四个概念层次来结构化隐私分析支持，以提升分析过程的可操作性。
2024-08-07 cs.CR
The Hitchhiker's Guide to Malicious Third-Party Dependencies
该研究针对开源软件供应链中恶意第三方依赖的安全问题，分析7个生态系统的攻击技术，给出风险缓解建议并披露攻击者的检测规避策略。
2023-10-06 cs.CR
Ransomware Payments in the Bitcoin Ecosystem
勒索软件可以阻止用户访问设备及其文件，直到向攻击者支付赎金，最常见的是比特币。它拥有500多个已知的勒索软件家族，已成为执法部门、安全专业人员和公众面临的主要网络犯罪威胁之一。然而，关于勒索软件攻击对全球直接金融影响的更全面、基于证据的描述仍然缺失。在本文中，我们提出了一种数据驱动的方法，用于根据公共比特币区块链上留下的足迹来识别和收集与非法活动相关的比特币交易信息。我们在GraphSense开源平台上实现了这种方法，并将其应用于经验分析与35个勒索软件家族相关的交易。我们估计了每个勒索软件家族的直接财务影响下限，发现从2013年到2017年年中，勒索软件支付市场的最低价值为12，768，536美元（22，967.54 BTC）。我们还发现，市场是高度倾斜的，只有少数玩家负责大部分支付。根据这些研究结果，决策者和执法机构可以利用所提供的统计数据来了解非法市场的规模，并就如何最好地应对这一威胁作出明智的决定。
2018-04-11 cs.CR
RIoTS: Risk Analysis of IoT Supply Chain Threats
保障信息和通信技术（信通技术）供应链的安全最近已成为国家安全和完整性的一个关键问题。随着物联网（IoT）设备的激增及其在控制现实世界基础设施方面的作用越来越大，需要在现有的安全分析之外分析网络系统中的风险。文献中的现有方法通常利用攻击和故障树来分析恶意活动及其影响。在本文中，我们开发了RIoTS，一个安全风险评估框架借用系统可靠性理论，将供应链。我们还分析了供应商内部分组的影响，这些分组可能会对恶意供应链参与者的系统构成隐藏的风险。结果表明，所提出的分析能够揭示潜在供应商勾结对物联网生态系统构成的隐藏威胁。
2019-11-28 cs.CR
Trusting code in the wild: Exploring contributor reputation measures to review dependencies in the Rust ecosystem
该研究基于 Rust 前 1,644 个软件包构建开发者协作网络并结合调查，评估贡献者声誉中心性信号对依赖审查优先级的作用。
2024-06-14 cs.CR cs.SE
Hidden Amplifiers: Cross-Level Risk in Software Supply Chains
Colorado State University（科罗拉多州立大学）
研究现代软件供应链中现有分析工具的分离问题，提出跨级别风险传播框架，通过统一风险公式联系代码级与生态系统级风险，评估发现隐藏放大器，揭示跨级别分析对供应链安全的新意义。
2026-07-08 cs.CR cs.SE
The Looming Threat of China: An Analysis of Chinese Influence on Bitcoin
自创建以来的十年里，比特币的受欢迎程度不断增长，它已成为各种对手越来越有吸引力的目标。最强大的潜在对手之一是中国。中国已经表达了对加密货币的敌对立场，并展示了强大的影响力。在本文中，我们探讨了中国如何通过其在比特币生态系统中的主导地位，对国内活动的政治和经济控制，以及对国内互联网基础设施的控制，威胁比特币的安全性，稳定性和可行性。我们探讨了中国和比特币之间的关系，记录了中国破坏比特币的动机，并提出了一个案例研究来证明中国对比特币的强大影响力。最后，我们将中国可以针对比特币部署的攻击类型系统化，以更好地了解中国构成的威胁。我们的结论是，中国有成熟的能力和强大的动机对比特币进行各种攻击。
2018-10-05 cs.CR
Cryptographic Registry Provenance: Structural Defense Against Dependency Confusion in AI Package Ecosystems
Mashin, Inc.（Mashin公司）
提出加密注册表溯源系统，通过注册表身份签名、双重签名模型和权威命名空间绑定三层结构防御依赖混淆攻击。
2026-05-26 cs.AI cs.CR cs.SE
Transforming Cyber Defense: Harnessing Agentic and Frontier AI for Proactive, Ethical Threat Intelligence
本文探讨智能体AI与前沿AI如何通过重构网络杀伤链、增强威胁情报及嵌入伦理治理，构建融合实时监控与自动化响应的主动、弹性网络防御体系。
2025-02-28 cs.CR
Do You Trust Your Model? Emerging Malware Threats in the Deep Learning Ecosystem
Computer Science Laboratory, SRI International（SRI国际计算机科学实验室）；Swiss Data Science Center（瑞士数据科学中心）
本文提出 MaleficNet 2.0 技术，利用扩频信道编码与纠错将恶意软件隐蔽嵌入神经网络参数而不降低模型性能，并在传统与联邦学习场景中验证其攻击有效性，以警示深度学习供应链安全威胁。
2025-07-04 cs.AI cs.CR
PyFEX: Uncovering Evasive Python-based Threats via Resilient and Exhaustive Path Exploration
CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍兹信息安全中心）；University of Electronic Science and Technology（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）；Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所）
提出PyFEX弹性强制执行引擎，通过强制遍历所有条件分支、崩溃恢复和路径合并等技术，系统性地探索程序行为空间，以检测现有工具遗漏的恶意行为。
2026-06-01 cs.CR
A Comprehensive Analysis of Evolving Permission Usage in Android Apps: Trends, Threats, and Ecosystem Insights
University of Central Florida（佛罗里达中央大学）；Northeastern Illinois University（东北伊利诺伊大学）；Case Western Reserve University（凯斯西储大学）；Qatar University（卡塔尔大学）
本研究全面分析 Google Play 应用权限使用趋势，区分良性与恶意应用，利用 FP-Growth 挖掘权限组合，揭示恶意应用减少权限以逃避检测，强调持续监控与用户教育的重要性。
2025-08-04 cs.CR cs.LG
From NEA and NIA to NESAS and SCAS: Demystifying the 5G Security Ecosystem
尽管有许多关于5G的华而不实的声明，但无可争议的是，5G创造了电信的根本转变。主要原因是，5G是我们长期设想的众多应用的推动者，并且在测试环境中部分或较小规模地模拟或实施。5G将很快释放智慧城市、工业4.0和物联网的潜力。然而，一个关键问题是我们能在多大程度上信任这项技术。由于这项技术将很快成为上述所有技术的核心基础设施，因此了解构成这项技术的基本安全机制以及它们为评估我们面临的潜在风险提供的保证至关重要。这项工作遵循非技术性但自下而上的方法，向读者介绍核心安全机制，并为5G的安全性建立基线，以揭开主要概念和过程的神秘面纱。基于以上所述，我们简化了未来的方向，并突出了可能的威胁。
2022-12-18 cs.CR
AI-driven Intrusion Detection for UAV in Smart Urban Ecosystems: A Comprehensive Survey
College of Computer Science and Information Systems, Najran University（纳季兰大学计算机科学与信息系统学院）；Saudi Technology and Security Comprehensive Control Company (Tahakom)（沙特技术与安全综合控制公司（塔哈科姆））；National School of Artificial Intelligence (ENSIA)（国立人工智能学院）；Computer, Electrical, and Mathematical Sciences and Engineering (CEMSE) Division, King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学计算机、电气和数学科学与工程部）
本文综述了无人机在智能城市中的应用及安全挑战，探讨了人工智能技术在入侵检测中的作用，并提出了十个关键研究方向。
2026-01-27 cs.CR
Evolution and Perspectives of the Keep IT Secure Ecosystem:A Six-Year Analysis of Cybersecurity Experts Supporting Belgian SMEs
CETIC Research Centre（CETIC研究中心）；Multitel Research Centre（Multitel研究中心）
本文通过六年研究，探讨了比利时中小企业网络安全支持生态系统的发展，分析了专家网络的构建与评估，并展示了结构化评估方法对提升中小企业网络安全的作用。
2026-04-02 cs.CR
What are Attackers after on IoT Devices? An approach based on a multi-phased multi-faceted IoT honeypot ecosystem and data clustering
University of South Florida（南佛罗里达大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
物联网（IoT）设备数量的不断增长，使得人们必须意识到他们在网络安全方面面临的现实威胁。虽然蜜罐历来被用作诱饵设备，以帮助研究人员/组织更好地了解网络上的威胁动态及其影响，但由于设备及其物理连接的多样性，物联网设备为此提出了独特的挑战。在这项工作中，通过观察现实世界中的攻击者在低交互蜜罐生态系统中的行为，我们（1）提出了一种新的方法来创建多阶段，多方面的蜜罐生态系统，逐渐增加蜜罐与对手的交互的复杂性，（2）设计和开发了一个低交互蜜罐相机，使研究人员能够更深入地了解攻击者的目标，以及（3）设计了一种创新的数据分析方法来识别对手的目标。我们的蜜罐已经活跃了三年多了。我们能够在每个阶段收集越来越复杂的攻击数据。此外，我们的数据分析指出，蜜罐中捕获的绝大多数攻击活动具有显著的相似性，并且可以进行聚类和分组，以更好地了解物联网攻击的目标，模式和趋势。
2021-12-21 cs.CR cs.LG
Leveraging Security Observability to Strengthen Security of Digital Ecosystem Architecture
本文研究数字生态系统架构中可观测性与安全的关联，提出利用日志、追踪和指标等可观测性数据及 AI/ML 方法检测威胁、异常与数据泄露，从而强化系统安全。
2024-12-07 cs.CR cs.SE
CTI4AI: Threat Intelligence Generation and Sharing after Red Teaming AI Models
Mississippi State University（密西西比州立大学）
随着基于人工智能（AI）和机器学习（ML）技术的实用性的增长，对抗攻击的威胁不断增加。有必要对这个生态系统进行红色团队，以识别系统漏洞、潜在威胁、表征将增强系统鲁棒性的属性，并鼓励创建有效的防御。第二个需求是在不同的利益相关者（如模型开发人员、用户和AI/ML安全专业人员）之间共享这种AI安全威胁情报。在本文中，我们创建并描述了一个原型系统CTI 4AI，以克服系统地识别和共享AI/ML特定漏洞和威胁情报的需求。
2022-08-16 cs.AI cs.CR cs.LG
