Securing Big Data systems, A cybersecurity management discussion
本文探讨了大数据系统网络安全管理的基本领域。大数据平台的复杂性源于它是一个相互关联的非标准化系统的集合,这些系统相互交互以处理大型数据集。这种复杂性增加了忽视关键网络安全管理实践的可能性。本文讨论了大数据系统各个部分的各种安全管理。这包括安全措施、标准和方法。主要目标是突出安全管理的基本部分,这些部分预计将在大数据系统中顺利实施。
2019-12-17 cs.CR
Beyond Collection: Measuring the Detection Efficacy of Modern Security Logging Standards
Dakota State University(达科他州立大学)
本文通过SETC框架评估现代安全日志标准,发现不同标准在捕获攻击指标方面存在显著差异,为安全实践提供证据支持的决策指导。
2026-05-07 cs.CR
SoK: Securing the Final Frontier for Cybersecurity in Space-Based Infrastructure
本文系统梳理地面、空间、卫星及星座层面的网络攻击向量,评估相关缓解措施有效性,并提出风险评分框架以识别未来研究挑战。
2025-07-22 cs.CR cs.NI
A review of knowledge graph application scenarios in cyber security
面对动态复杂的网络环境、内外部网络威胁情报以及日益增长的网络攻击风险,知识图谱因其具有的知识聚合、表示、管理和推理能力在网络安全领域显示出巨大的应用潜力。然而,虽然大多数研究都集中在如何开发一个完整的知识图谱,但如何应用知识图谱来解决网络攻击和防御场景中的工业实际挑战仍然不清楚。本文简要介绍了网络安全知识图谱的基本概念、模式和构建方法。为了促进未来的网络安全知识图谱的研究,我们还提出了一个策划收集的数据集和开源库的知识构建和信息抽取任务。在本文的主要部分,我们进行了比较审查的不同作品,阐述了最近的进展,在网络安全知识图谱的应用场景。在此基础上,提出了一个新的综合分类框架,从九大类和十八个小类来描述相关作品。最后,在讨论现有研究缺陷的基础上,对几个有前景的研究方向进行了深入的展望。
2022-04-10 cs.CR
Cyber Security issues and Blockchain-Deep Learning based solutions for UAV and Internet of Drones (FANETs)
本文探讨无人机网络(FANETs)的网络安全问题,提出基于区块链与深度学习的解决方案,以提升传感器等关键组件的抗攻击能力与数据可信度。
2024-02-29 cs.CR eess.SP
Applying Public Health Systematic Approaches to Cybersecurity: The Economics of Collective Defense
Designer Security, LLC(设计师安全有限公司);Centers for Medicare & Medicaid Services (CMS)(医疗保险和医疗补助服务中心)
本文提出建立国家网络公共卫生系统,借鉴公共卫生方法提升网络安全,强调政府协调在经济上的必要性。
2026-02-14 cs.CR cs.CY
From Physical to Cyber: Escalating Protection for Personalized Auto Insurance
如今,汽车保险公司根据直接从客户汽车收集的数据设定个性化保险费率。在本文中,我们展示了这种个性化的保险机制-被许多汽车保险公司广泛采用-很容易被利用。特别是,我们证明了对手可以利用现成的硬件来操纵数据到设备,该设备收集驾驶员的保险费率定制习惯,并获得欺诈性的保险折扣。为了应对这种类型的攻击,我们还提出了一种防御机制,以增强对保险公司数据汇集的保护。该机制的主要思想是增强保险公司的数据汇集设备,使其具有收集从物理世界获取的不可伪造数据的能力,然后利用这些数据来识别被操纵的数据点。我们的防御机制利用了建立在未经操纵的数据上的统计模型,并且对以前没有预见到的操纵方法具有鲁棒性。我们已经实现了这种防御机制作为一个概念验证原型,并在现实世界中测试其有效性。我们的评估表明,我们的防御机制表现出0.032的假阳性率和0.013的假阴性率。
2017-05-23 cs.CR
Reproducing Random Forest Efficacy in Detecting Port Scanning
端口扫描是尝试连接到计算端点上的各种网络端口以确定哪些端口打开以及哪些服务正在其上运行的过程。这是黑客用来识别网络或系统中漏洞的常用方法。通过确定哪些端口处于打开状态,攻击者可以识别设备上正在运行的服务和应用程序,并可能利用这些服务中的任何已知漏洞。因此,检测端口扫描非常重要,因为它通常是网络攻击的第一步。通过识别端口扫描尝试,网络安全专业人员可以采取主动措施,在攻击者有机会利用任何漏洞之前保护系统和网络。在这种背景下,研究人员已经工作了十多年,以开发强大的方法来检测端口扫描。最近的系统综述揭示的一种这样的方法是随机森林监督机器学习算法。回顾显示,自2021年以来,已有6项使用随机森林的研究。不幸的是,这些研究各自显示出不同的结果,并不都使用相同的训练和测试数据集,只有两个包含源代码。因此,这项工作的目标是重现六个随机森林研究,同时解决明显的缺点。这些结果对于希望探索随机森林以检测端口扫描的研究人员以及对可靠技术感兴趣的从业人员来说都具有重要意义,以检测网络攻击的早期阶段。
2023-02-18 cs.CR cs.LG
Proactive security defense: cyber threat intelligence modeling for connected autonomous vehicles
本文提出汽车网络威胁情报建模框架Actim,通过构建本体模型、标注首个汽车CTI语料库并设计基于跨句上下文的挖掘模型,实现威胁实体与关系的有效提取和知识图谱构建,支持网联自动驾驶汽车的主动安全防御。
2024-10-21 cs.CR
Optimizing Investments in Cyber Hygiene for Protecting Healthcare Users
网络卫生措施通常被建议用于加强组织的安全态势,特别是用于防止针对人类元素的社会工程攻击。然而,相关建议通常对所有组织及其雇员都是相同的,而不管不同用户群体的风险性质和程度如何。在现有的网络安全投资模型的基础上,本文提出了一种用于网络卫生保障措施最佳选择的工具,我们称之为最佳保障措施工具。该模型结合了博弈论和组合优化,考虑到每个用户组被攻击的概率,每个组可访问的资产的价值,以及每个控制对于特定组的功效。该模型将间接成本视为员工在实施控制的情况下学习和培训所需的时间。利用博弈论的框架来支持背包优化问题,使我们能够最佳地选择保障措施的应用水平,最大限度地减少在安全投资预算内的总预期损害。我们在医疗保健领域的用例中评估OST。关键互联网安全控制组17,用于为医院的ICT、临床和管理人员实施安全意识和培训计划。我们比较了OST实现的战略对替代常识防御方法为三种不同类型的攻击者:纳什,加权和反。对于所有攻击者类型,纳什防御策略始终优于竞争策略,只有一个小例外,即纳什防御策略的表现至少与其他常识方法一样好。
2020-01-11 cs.CR
A Literature Review on Blockchain-enabled Security and Operation of Cyber-Physical Systems
区块链由于其去中心化的公共性质,已成为众多应用领域的关键技术。网络物理系统(CPS)是利用区块链进行无数操作的突出应用领域之一,其中物联网(IoT)用于数据汇集。虽然CPS的一些问题可以通过简单地采用区块链来解决,因为它具有安全和分布式的特性,但其他问题需要复杂的考虑,以克服区块链施加的限制,同时保持CPS的核心方面。尽管许多研究都集中在区块链在不同CPS应用中的应用或CPS的区块链安全性上,但还没有一项全面的调查将这两种观点结合在一起。为了填补这一空白,我们全面概述了使用区块链增强不同CPS操作以及提高CPS安全性的当代进展。据我们所知,这是第一篇对区块链支持的CPS操作和安全性研究进行深入审查的论文。
2021-07-16 cs.CR
Dead Man's PLC: Towards Viable Cyber Extortion for Operational Technology
本文针对OT领域常规恢复可抵御加密勒索的现状,提出将环境整体作为勒索对象、资产互检防篡改的DM-PLC勒索方法,并在测试平台验证了其恶意效力。
2023-07-18 cs.CR
Smart Grid Security: A Verified Deep Reinforcement Learning Framework to Counter Cyber-Physical Attacks
针对智能电网易受信息物理攻击导致停电的问题,提出一种基于形式化验证的深度强化学习框架,通过触发保护序列有效中和攻击并支持GPU实时验证。
2024-09-24 cs.CR
An Isolation Forest Learning Based Outlier Detection Approach for Effectively Classifying Cyber Anomalies
Chittagong University of Engineering & Technology(吉大港工程技术大学);Jahangirnagar University(贾汉吉尔纳加尔大学);Canberra Institute of Technology(堪培拉理工学院);Kuwait University(科威特大学)
由于物联网(IoT)的普及、移动网络的大幅增长以及许多相关应用程序,网络安全最近对当今的安全问题产生了相当大的兴趣。因此,检测网络中的大量网络攻击并创建有效的入侵检测系统在当今的安全中起着至关重要的作用。在本文中,我们提出了一个隔离森林学习为基础的离群检测模型,有效地分类网络异常。为了评估所得到的离群点检测模型的有效性,我们还使用了几种传统的机器学习方法,如Logistic回归(LR),支持向量机(SVM),AdaBoost分类器(ABC),朴素贝叶斯(NB)和K-最近邻(KNN)。我们提出的离群检测模型的有效性进行评估进行实验的网络入侵数据集的评价指标,如精度,召回率,F1分数,和准确性。实验结果表明,去除离群点后,网络异常的分类精度得到了提高。
2020-12-09 cs.CR cs.LG
CyGym: A Simulation-Based Game-Theoretic Analysis Framework for Cybersecurity
本文提出CyGym,一个基于OpenAI Gym的网络安全对抗仿真器及博弈论分析框架,融合真实网络特征与零日漏洞建模,通过PSRO方法近似计算均衡,并应用于分析Volt Typhoon APT威胁,证明了博弈论策略在评估网络弹性与指导防御方面的有效性。
2025-09-11 cs.CR cs.GT
Learning-Guided Network Fuzzing for Testing Cyber-Physical System Defences
网络物理系统(CPS)面临的攻击威胁,特别是当它们在公共基础设施自动化中发挥关键作用时,促使人们研究各种攻击防御机制。然而,评估其有效性具有挑战性,因为测试它们的现实攻击并不总是可用的。在本文中,我们提出了智能模糊,一个自动化的,机器学习指导技术,系统地发现"测试套件"的CPS网络攻击,而不需要任何知识的系统的控制程序或物理过程。我们的方法使用预测机器学习模型和元启发式搜索算法来指导致动器的模糊化,从而将CPS驱动到不同的不安全物理状态。我们通过在两个现实世界的CPS测试平台(一个净水厂和一个配水系统)上实施智能模糊测试来证明智能模糊测试的有效性,发现攻击将它们驱动到27个不同的不安全状态,包括水流、压力和水箱水位,其中6个没有被既定的攻击基准所覆盖。最后,我们使用我们的方法来测试水处理厂的基于不变的防御系统的有效性,发现两个攻击没有被其物理不变检查检测到,突出了在某些条件下可能被利用的潜在弱点。
2019-09-12 cs.CR
A framework for effective corporate communication after cyber security incidents
重大网络安全事件可能代表组织的网络危机,特别是因为相关的重大声誉损害风险。随着成为网络攻击受害者的可能性随着时间的推移而增加,因此也需要准确了解攻击后有效的企业沟通,以及如何最好地参与客户,合作伙伴和其他利益相关者的关注。本研究旨在通过对数据泄露后危机沟通和公共关系的有效性进行批判性的、多方面的调查来解决这个问题。它通过借鉴学术文献,通过系统的文献综述和现实世界的案例研究获得。定性数据分析用于解释和组织结果,从而为企业传播制定一个新的综合框架,以支持公司准备和应对此类事件。该框架的有效性通过与资深行业专业人士的访谈以及对相关实践和研究的批判性评估来证明。根据这些评价进一步完善了该框架,并确定了最新版本。这项研究代表了第一个接地,全面和评估的建议,用于描述网络安全事件后有效的企业沟通。
2020-09-19 cs.CR cs.CY
NLP-Based Techniques for Cyber Threat Intelligence
本文综述了基于自然语言处理(NLP)的网络威胁情报(CTI)技术,涵盖数据爬取、分析、关系提取、共享协作及安全威胁,并探讨了挑战与伦理问题,为安全领域提供全面参考。
2023-11-15 cs.CR
Assembling a Cyber Range to Evaluate Artificial Intelligence / Machine Learning (AI/ML) Security Tools
在这个案例研究中,我们描述了在橡树岭,田纳西州,美国橡树岭国家实验室的网络安全测试平台的设计和组装。该系列旨在提供敏捷的重新配置,以促进各种网络安全工具评估实验-特别是涉及AI/ML的实验。特别地,该试验台提供了真实的试验环境,同时允许在实验期间进行控制和编程观察/数据汇集。我们设计了重复评估的能力,因此可以在以后评估和比较其他工具。该系统是一个可以按比例放大或缩小的实验规模。在会议召开时,我们将完成两个全面的,国家的,政府的挑战,这一范围。这些挑战是评估基于AI/ML的网络安全工具的性能和运营成本,以应用于大型政府规模的网络。这些评估将被描述为例子,为我们所做的各种设计决策和调整提供动力和背景。第一个挑战是针对10万个文件样本(良性软件和恶意软件)测量端点安全工具,这些样本是在一系列文件类型中选择的。第二个是评估网络入侵检测系统在识别多步骤对抗活动中的功效-涉及侦察,渗透和利用,横向移动等-在高容量的业务网络中具有不同的隐蔽性水平。这些挑战的规模要求自动化系统重复或同时镜像每个测试中的ML工具的相同实验。提供一系列从容易到困难的恶意活动来了解AI/ML工具的真正能力,是设计和执行这些挑战事件的一个特别有趣和具有挑战性的方面。
2022-01-20 cs.CR
Network and Device Level Cyber Deception for Contested Environments Using RL and LLMs
National Renewable Energy Laboratory(国家可再生能源实验室)
本文探讨利用RL和LLMs构建网络与设备层面的网络欺骗方法,以提高对抗环境中的欺骗策略准确性和成本效益。
2026-03-19 cs.CR cs.ET
PLLM-CS: Pre-trained Large Language Model (LLM) for Cyber Threat Detection in Satellite Networks
本文提出 PLLM-CS,一种将网络数据转换为上下文输入的预训练大语言模型,用于卫星网络威胁检测,并在 UNSW_NB 15 和 TON_IoT 数据集上超越 BiLSTM、GRU、CNN 等基线,其中在 UNSW_NB 15 上达到 100% 准确率。
2024-05-09 cs.CR
Secure and Utility-Aware Data Collection with Condensed Local Differential Privacy
局部差分隐私(LDP)在实践中被广泛用于隐私保护的数据汇集。尽管现有的LDP协议为大用户群体(100,000或更多用户)提供了高效用,但是它们在具有小用户群体的场景(诸如网络安全领域中的那些)中表现不佳,并且缺乏对有序和非有序项目序列有效同时保护序列长度和内容的扰动机制。在本文中,我们解决了小用户人口的问题,通过引入凝聚本地差分隐私(CLDP)的概念,作为一个专业化的LDP,并开发了一套CLDP协议,提供理想的统计效用,同时保护隐私。我们的协议支持不同类型的客户端数据,从有限度量空间中的有序数据类型(数字恶意软件感染统计数据)到非有序项(操作系统版本、事务类别),以及有序和非有序项的序列。在多个数据集上进行了广泛的实验,包括比现有方法中使用的数据集小一个数量级的数据集,这表明所提出的CLDP协议具有很高的实用性。此外,赛门铁克数据集的案例研究表明,我们的协议可以准确地支持以网络安全为重点的关键任务,如检测勒索软件爆发、识别目标和易受攻击的操作系统以及检查受感染机器上的可疑活动。
2019-10-20 cs.CR cs.DB
HoneyGAN Pots: A Deep Learning Approach for Generating Honeypots
针对现有蜜罐诱饵配置方法适应性差、效率低的问题,本文首次提出利用GAN生成诱饵配置的新方法,为网络防御者提供强化防御的新工具。
2024-07-10 cs.CR
Serious Games for Cyber Security Education
网络钓鱼是一种在线身份盗窃,旨在从受害者那里窃取用户名、密码和网上银行详细信息等敏感信息。需要考虑将网络钓鱼教育作为应对这种威胁的一种手段。这本书的重点是设计和开发一个手机游戏原型作为教育工具,帮助计算机用户保护自己免受网络钓鱼攻击。游戏设计框架的元素,以避免网络钓鱼攻击被用来解决游戏设计问题。手机游戏的设计旨在通过激励来增强用户的回避行为,以保护自己免受网络钓鱼威胁。一个有声思维的研究进行了,随着前和后测试,通过开发的手机游戏原型来评估游戏设计框架。研究结果显示,在测试后的评估中,参与者的网络钓鱼规避行为有了显着改善。此外,研究结果表明,参与者的威胁感知,保障有效性,自我效能,感知的严重性和感知的敏感性因素的积极影响威胁回避行为,而保障成本有负面影响。
2016-10-29 cs.CR cs.CY
A Review on C3I Systems' Security: Vulnerabilities, Attacks, and Countermeasures
指挥、控制、通信和情报(C3I)系统越来越多地用于关键的民用和军事领域,以实现信息优势、作战效能和更高的态势感知。与面临广泛网络攻击的传统系统不同,C3I战术行动的敏感性使其网络安全成为关键问题。例如,在军事战场上篡改或拦截机密信息不仅会损害C3I行动,而且会造成不可逆转的后果,如人员伤亡和任务失败。因此,C3I系统已成为网络对手的焦点。此外,C3I系统的技术进步和现代化大大增加了C3I系统遭受网络攻击的潜在风险。因此,网络对手利用高度复杂的攻击媒介来利用C3I系统中的安全漏洞。尽管C3I系统的网络安全的重要性迅速发展,现有的文献缺乏一个全面的审查,以系统化的C3I系统的安全知识体系。因此,在本文中,我们收集,分析和综合了C3I系统网络安全的最新技术。特别是,本文已经确定了安全漏洞,攻击向量和对策/防御C3I系统。此外,我们的调查使我们能够:(i)提出安全漏洞,攻击向量和对策的分类;(ii)将攻击向量与安全漏洞和对策相互关联;(iii)提出未来的研究方向,以推进C3I系统网络安全的最新技术。
2022-01-31 cs.CR cs.SY eess.SY
IoT Network Behavioral Fingerprint Inference with Limited Network Trace for Cyber Investigation: A Meta Learning Approach
Home Team Science and Technology Agency, Singapore(新加坡家庭团队科技局)
物联网(IoT)设备的开发和采用将在未来几年显著增长,以实现工业4.0。许多形式的物联网设备将在垂直行业中开发和使用。然而,这种技术采用的欣快被网络威胁的庄严存在所掩盖,这些威胁将跟随其增长轨迹。网络威胁要么嵌入恶意代码,要么攻击物联网中的漏洞,这些漏洞可能会在网络和物理领域造成重大后果。为了管理这种破坏性影响,事件响应者和网络调查人员需要能够找到这些流氓物联网并快速遏制它们。这种在线设备可能只会留下网络活动痕迹。相关痕迹的集合可用于推断物联网的网络行为指纹,从而有助于调查发现这些物联网。然而,挑战在于如何在网络活动痕迹有限的情况下推断出这些指纹。这项研究提出了一种新的模型构造,该模型使用名为DeepNetPrint的单卡时间序列元学习器,基于有限的网络活动轨迹来学习推断特定物联网的网络行为指纹。我们的研究还展示了DeepNetPrint在识别物联网设备方面的应用,这些设备在领先的监督学习模型中表现相对较好。我们的解决方案将使网络调查人员能够识别感兴趣的特定物联网,同时克服物联网网络痕迹有限的限制。
2020-02-08 cs.CR cs.LG
On the Elements of Datasets for Cyber Physical Systems Security
De Montfort University(德蒙福特大学)
数据集对于将AI算法应用于网络物理系统(CPS)安全至关重要。由于缺乏真实的CPS数据集,研究人员选择使用真实或虚拟化测试平台生成自己的数据集。然而,与其他人工智能领域不同,CPS是一个复杂的系统,有许多接口决定其行为。仅包含传感器测量和网络流量的数据集可能不足以开发弹性AI防御或攻击代理。在本文中,我们研究了捕获系统行为和交互所需的CPS安全数据集的\emph{elements},并提出了一种数据集架构,该架构有可能提高人工智能算法在保护网络物理系统中的性能。该框架包括数据集元素,攻击表示和所需的数据集功能。我们将现有的数据集与建议的架构进行比较,以确定当前的限制,并讨论使用测试平台生成CPS数据集的未来。
2022-08-17 cs.AI cs.CR cs.SY
A Data-Driven Predictive Analysis on Cyber Security Threats with Key Risk Factors
University of Chittagong(吉大港大学);Northwestern Polytechnical University(西北工业大学);Noakhali Science and Technology University(诺阿卡利科技大学);Chittagong University of Engineering & Technology(吉大港工程技术大学);Edith Cowan University(伊迪斯科文大学)
本文针对网络风险预测问题,提出一种基于 Pertinent Features 随机森林的机器学习模型,结合问卷数据增强和 Apriori 关联规则分析,在20个特征下实现95.95%的准确率,有效识别网络攻击受害者及关键风险因素。
2024-03-28 cs.CR cs.LG
Learning from Mutants: Using Code Mutation to Learn and Monitor Invariants of a Cyber-Physical System
Singapore University of Technology and Design(新加坡科技设计大学)
网络物理系统(CPS)由传感器、执行器和控制器组成,所有这些都通过网络进行通信;如果任何子集受到损害,攻击者都可能造成重大损害。通过访问数据日志和CPS模型,可以在造成任何损害之前检测到攻击的物理影响。然而,手动构建一个在实践中足够准确的模型是非常困难的。在本文中,我们提出了一种新的方法来构建模型的CPS自动,通过应用监督机器学习的数据轨迹后,系统地播种其软件组件的故障(“突变体”)。我们展示了这种方法在现实世界的净水厂模拟器上的有效性,提出了一个自动生成突变体,收集数据跟踪和学习基于SVM的模型的框架。使用交叉验证和统计模型检验,我们表明,学习模型的特点是不变的物理性质的系统。此外,我们证明了有用的不变的系统进行55网络和代码修改攻击,并表明它可以检测到85%的数据日志在运行时生成的。
2018-06-13 cs.CR cs.LG cs.SE
Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids
West Virginia University(西弗吉尼亚大学)
针对配电网隐蔽网络攻击,本文提出将基尔霍夫定律融入损失函数的多变量 PIConvAE,并在 IEEE 13/123 节点系统中验证其精度、收敛速度和攻击检测能力。
2023-12-08 cs.CR cs.LG cs.SY
Understanding the efficacy, reliability and resiliency of computer vision techniques for malware detection and future research directions
Intel Labs(英特尔研究院)
我的研究领域是安全和机器学习的交叉点。本概述总结了我的研究的一个组成部分:将计算机视觉与恶意软件利用检测相结合,以增强安全解决方案。我将提出有效性、可靠性和弹性的观点,将威胁检测制定为计算机视觉问题,并开发最先进的基于图像的恶意软件分类。将恶意软件二进制表示为图像提供了数据样本的直接可视化,减少了特征提取的工作量,并且消耗了整个二进制用于整体结构分析。将对大规模图像分类有效的深度神经网络的迁移学习应用于恶意软件分类,与经典的机器学习算法相比,展示了优越的分类效率。为了增强这些基于视觉的恶意软件检测器的可靠性,可以在恶意软件视觉表示上构建解释框架,并且该解释框架对于提取忠实的解释是有用的,使得安全从业者在部署之前对模型有信心。在网络安全应用程序中,我们应该始终假设恶意软件编写者不断修改代码以绕过检测。解决恶意软件检测器的弹性与功效和可靠性同等重要。通过了解用于恶意软件检测的机器学习模型的攻击面,我们可以大大提高算法的鲁棒性,以打击野生恶意软件对手。最后,我将讨论未来的研究方向值得追求在这个研究社区。
2019-04-03 cs.CR cs.CV cs.LG
Deep Learning based Covert Attack Identification for Industrial Control Systems
Georgia Institute of Technology(佐治亚理工学院)
随着数据通信越来越多地利用无线网络,工业控制系统(ICS)的网络安全引起了人们的极大关注。许多数据驱动的方法被开发用于检测网络攻击,但很少有人专注于将它们与设备故障区分开来。在本文中,我们开发了一个数据驱动的框架,可用于检测,诊断和定位一种称为智能电网隐蔽攻击的网络攻击。该框架具有混合设计,结合了自动编码器、具有长短期记忆(LSTM)层的递归神经网络(RNN)和深度神经网络(DNN)。该数据驱动框架考虑了通用物理系统的时间行为,该系统从传感器测量的时间序列中提取特征,这些特征可用于检测隐蔽攻击,将其与设备故障区分开来,以及定位攻击/故障。我们评估所提出的方法的性能,通过一个现实的仿真研究IEEE 14节点模型作为ICS的一个典型例子。我们比较了所提出的方法与传统的基于模型的方法的性能,以显示其适用性和有效性。
2020-09-25 cs.CR cs.LG
The Critical Node Game
本研究提出结合博弈论、组合优化与网络安全的关键节点博弈模型及纳什均衡求解算法,可评估云网络安全态势、辅助制定最优防护策略,经真实云网络测试验证有效。
2024-04-16 cs.CR cs.GT math.OC
Innovations in Cardless Artificial Intelligence Banking: A Comprehensive Framework for Cyber Secure and Fraud Mitigation using Machine Learning Algorithms
Computer Engineering, University of Central Florida, Orlando, Florida, USA
本文提出了一种全面的框架,利用机器学习算法增强无卡人工智能银行系统的网络安全和欺诈防范能力,通过AI驱动的数据加密生成虚拟卡,减少信息泄露风险。
2026-05-21 cs.AI cs.CR cs.LG
Entity-based Reinforcement Learning for Autonomous Cyber Defence
The Alan Turing Institute(阿兰·图灵研究所)
针对自主网络防御中智能体难以泛化到不同网络拓扑的问题,提出基于实体的强化学习框架,将观测和动作空间分解为实体,并采用Transformer策略,在Yawning Titan环境中验证了其优于MLP策略,并具备零样本泛化能力。
2025-01-24 cs.CR cs.LG
Combining Threat Intelligence with IoT Scanning to Predict Cyber Attack
Researcher Senior Member, IEEE(IEEE高级研究员)
本文提出一个预测性威胁情报框架,通过系统收集、分析和可视化暗网数据,识别恶意网站并将其与物联网漏洞关联,以增强网络攻击预测建模和政策制定。
2025-06-03 cs.AI cs.CR cs.CY
SmartValidator: A Framework for Automatic Identification and Classification of Cyber Threat Data
安全运营中心(SOC)使用各种网络威胁信息(CTI)来验证安全事件和警报。安全专家根据CTI手动定义不同类型的规则和脚本来执行验证任务。这些规则和脚本需要不断更新,因为不断变化的威胁,不断变化的SOC的要求和CTI的动态性质。更新规则和脚本的手动过程会延迟对攻击的响应。为了减轻人类专家的负担并加快响应速度,我们提出了一种新的基于人工智能(AI)的框架SmartValidator。SmartValidator利用机器学习(ML)技术实现警报的自动验证。它由三层组成,执行数据汇集、模型构建和警报验证任务。它将验证任务投影为分类问题。而不是建立和保存模型的所有可能的要求,我们建议自动构建验证模型的基础上SOC的要求和CTI。我们构建了一个概念验证(Proof of Concept,简称PMM)系统,其中包含8种ML算法、2种特征工程技术和18项需求,以研究SmartValidator的有效性和效率。评估结果表明,当自动构建预测模型用于对网络威胁数据进行分类时,75%的模型的F1得分高于0.8,这表明该模型具有足够的性能,可用于现实世界的组织。结果进一步表明,预测模型的动态构建所需的模型比所有可能要求的预构建模型少99%。该框架可以被各个行业遵循,以根据其CTI和SOC的偏好加速和自动化警报和事件的验证。
2022-03-15 cs.CR cs.SE
On the evolution of data breach reporting patterns and frequency in the United States: a cross-state analysis
本文通过分析美国八个州的数据泄露强制通知数据,控制数据收集标准与报告模式差异,估计IBNR并揭示各州网络风险频率趋势的共性与差异,发现2020年后泄露频率上升且报告延迟延长,为网络保险提供参考。
2024-06-30 cs.CR q-fin.RM
Switching and Data Injection Attacks on Stochastic Cyber-Physical Systems: Modeling, Resilient Estimation and Attack Mitigation
Arizona State University(亚利桑那州立大学);Pennsylvania State University(宾夕法尼亚州立大学);Swiss Federal Institute of Technology (ETH)(瑞士联邦理工学院(苏黎世联邦理工学院))
本文研究在随机过程中和测量噪声存在下,如何通过多模型推理算法实现鲁棒状态估计,以应对切换机制攻击和传感器信号注入攻击,并讨论攻击检测与缓解方法。
2017-07-22 cs.CR cs.SY eess.SY
Blockchain inspired secure and reliable data exchange architecture for cyber-physical healthcare system 4.0
针对医疗4.0数据安全挑战,提出区块链启发的以患者为中心的数据交换架构,集成多种技术,可抵御攻击并支持节点故障恢复。
2023-06-28 cs.CR cs.DC
An Unsupervised Adversarial Autoencoder for Cyber Attack Detection in Power Distribution Grids
West Virginia University(西弗吉尼亚大学);Florida Polytechnic University(佛罗里达理工大学)
针对含DERs的不平衡配电网中FDIA检测难题,提出融合LSTM与GAN的无监督AAE模型,在IEEE 13/123节点系统上验证其性能优于其他无监督方法。
2024-03-31 cs.AI cs.CR cs.LG
Active Fuzzing for Testing and Securing Cyber-Physical Systems
Singapore Management University(新加坡管理大学);Zhejiang University(浙江大学);Zhejiang Lab(之江实验室);Alibaba-Zhejiang University Joint Institute of Frontier Technologies(阿里巴巴-浙江大学前沿技术联合研究中心)
关键基础设施中的网络物理系统(CPS)面临着来自攻击者的普遍威胁,这促使人们研究各种对策来保护它们。然而,评估这些对策的有效性是具有挑战性的,因为难以手动构建攻击的现实基准,由于巨大的搜索空间和资源需求,盲目测试是无效的,并且智能模糊方法需要不切实际的数据量和网络访问。在这项工作中,我们提出了主动模糊,一种自动的方法来寻找测试套件的数据包级CPS网络攻击,针对的情况下,攻击者可以观察传感器和操纵数据包,但没有现有的知识的有效载荷编码。我们的方法学习回归模型,用于预测从采样的网络数据包中产生的传感器值,并使用这些预测来指导搜索最有可能将CPS驱动到不安全状态的有效载荷操作(即位翻转)。我们的解决方案的关键是使用在线主动学习,它通过采样估计最大限度地改善它们的有效载荷来迭代更新模型。我们通过将其用于水净化厂测试平台来评估主动模糊的功效,发现它可以自动发现流量,压力和上/下溢攻击的测试套件,所有这些都比最具可比性的方法具有更少的时间,数据和网络访问。最后,我们证明了我们的预测模型也可以用作对策本身,将其作为异常检测器和预警系统。
2020-07-16 cs.CR cs.LG cs.SE
Designing a Secure and Resilient Distributed Smartphone Participant Data Collection System
Kahlert School of Computing, University of Utah(犹他大学卡尔赫特计算机学院);School of Environment, Society & Sustainability, University of Utah(犹他大学环境、社会与可持续发展学院);Department of Electrical and Computer Engineering, The Ohio State University(俄亥俄州立大学电气与计算机工程系)
针对现实健康研究中移动设备数据采集的安全与韧性需求,提出集成被动采集与EMA调查、支持BLE腕带联动、加密传输存储的MotionPI系统,适配低电量、弱网等现实约束,提供安全可扩展的移动数据采集方案。
2025-10-22 cs.CR cs.DC cs.HC