LLM: LSTM Look-Ahead Moving Target Defense Based on Historical Malicious Scan
提出LLM方法,利用LSTM网络预测攻击者可能扫描的目标地址,结合集成学习和动态变异机制,提升IP shuffling的安全性和降低开销。
2026-06-16 cs.CR
Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey of Availability Threats
Hofstra University(霍夫斯特拉大学);Umeå University(于默奥大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本综述统一跨领域延迟攻击,按计算瓶颈分类,提出工作预算防御抽象,并分析系统级可用性故障条件,提供威胁模型分类和开放挑战。
2026-09-30 cs.CR
Toward Smart Moving Target Defense for Linux Container Resiliency
本文提出了一种用于云容器的通知移动目标防御机制ESCAPE。ESCAPE将攻击者和目标容器之间的交互建模为“捕食者寻找猎物”的搜索游戏。Linux容器(猎物)的实时迁移用于避免攻击(捕食者)和失败。整个过程由一个新型的基于主机的行为监控系统指导,该系统可以无缝监控容器的入侵和攻击迹象。为了评估ESCAPE的有效性,我们模拟了攻击回避过程的基础上,模仿的猎物与捕食者搜索游戏的数学模型。仿真结果表明,高集装箱生存概率与最小的额外开销。
2016-12-30 cs.CR
Spatial-Temporal Moving Target Defense: A Markov Stackelberg Game Model
移动目标防御已经成为保护易受攻击系统免受持续和隐形攻击的关键范例。为了保护系统,防御者主动更改系统配置,以限制安全漏洞暴露给潜在的攻击者。在这样做的过程中,防御者为攻击者创造了不对称的不确定性和复杂性,使他们更难危及系统。在实践中,防御者每次迁移系统配置都会产生切换成本。切换成本通常取决于当前配置和后续配置。此外,不同的系统配置通常需要不同的攻击者利用和攻击的时间量。因此,防守者必须同时决定系统配置的最佳顺序和切换的最佳时机。在本文中,我们提出了一个马尔可夫Stackelberg博弈框架,以精确地描述防御者的空间和时间的决策,面对先进的攻击者。我们引入了一个相对值迭代算法,计算防御者的最佳移动目标防御策略。通过对实际问题的实证分析,验证了马尔可夫-斯塔克伯格博弈模型在时空移动目标防御中的优势。
2020-02-24 cs.CR cs.GT
Chhoyhopper: A Moving Target Defense with IPv6
公共互联网上的服务经常被扫描,然后受到暴力和拒绝服务攻击。我们希望秘密地运行这些服务,对朋友开放,但对对手隐藏。在这项工作中,我们提出了一个移动目标防御命名为“Chhoyhopper”,利用巨大的IPv6地址空间来隐藏公开提供的服务。客户端和服务器以基于共享的、预先分发的密钥和时间的模式跳到不同的IPv6地址。通过跳过/64前缀,主动扫描器无法找到服务,被动观察的信息在两分钟后就没用了。我们展示了我们的系统与SSH,并表明它可以扩展到其他应用程序。
2021-05-28 cs.CR cs.NI
Evaluating Deception and Moving Target Defense with Network Attack Simulation
在网络安全领域,随着攻击者之间的持续军备竞赛,寻找新的漏洞来绕过防御机制,以及防御者加强其预防,检测和响应策略,网络欺骗的新概念已经出现。从著名的蜜罐例子开始,许多其他的欺骗策略已经被开发出来,如蜜罐和移动目标防御,所有这些都是为了给攻击者制造不确定性,增加攻击者犯错的机会。本文提出了一种评估网络中蜜罐和移动目标防御有效性的方法。这种方法允许在模拟环境中定量测量有效性,允许就部署多少个蜜罐以及网络地址必须以多快的速度突变以有效地破坏多个网络和攻击者配置中的攻击提出建议。通过这种优化,可以检测到攻击并以最小的资源和配置开销减缓攻击速度。利用所提供的方法,可以确定要部署的蜜罐的最佳数量和最佳网络地址突变间隔。此外,这项工作还提供了有关如何根据攻击者模型和多个网络参数优化部署和配置它们的指导。
2023-01-25 cs.CR
Proactive Defense for Internet-of-Things: Integrating Moving Target Defense with Cyberdeception
资源受限的物联网(IoT)设备极有可能受到攻击者的危害,因为强大的安全保护可能不适合部署。这需要一种替代方法来保护物联网网络中的脆弱组件。在本文中,我们提出了一种综合防御技术,以实现入侵防御利用网络欺骗(即,诱饵系统)和移动目标防御(即,网络拓扑重排)。我们验证了我们提出的技术的有效性和效率分析的基础上,在一个软件定义网络(SDN)的物联网网络的图形安全模型。我们制定了四项战略(即,固定/随机和自适应/混合)来解决“何时”执行网络拓扑重排以及三种策略(即,遗传算法/基于诱骗攻击路径的优化/随机)来解决“如何”在诱骗填充的IoT网络上执行网络拓扑改组,并分析哪种策略可以最好地实现系统目标,例如延长系统寿命、最大化欺骗有效性、最大化服务可用性或最小化防御成本。我们的研究结果表明,在最佳参数设置下运行我们的入侵防御技术的软件定义的物联网网络延长了系统寿命,增加了危害关键节点的攻击复杂性,并且与没有运行我们的入侵防御技术的对等物联网网络相比,保持了卓越的服务可用性。此外,当给定单个目标或多目标目标(例如,最大化系统寿命和服务可用性,同时最小化防御成本)作为输入,确定了“如何”和“如何”策略的最佳组合,用于执行我们提出的技术,在该技术下可以最好地实现指定的目标。
2020-05-08 cs.CR
Adaptive Attacker Strategy Development Against Moving Target Cyber Defenses
一个战略制定模型被用来研究自适应攻击者如何学习克服移动目标网络防御。攻击者-防御者的交互被建模为一个游戏,其中防御者部署一个临时的平台迁移防御。针对这种防御,攻击者群体开发了指定资源投资的时间顺序的策略,这些策略使目标零日漏洞得以存在。攻击者响应两个防御者的时间平台迁移调度策略进行了检查。在第一防御者调度策略中,防御者从可用平台池中均匀随机地选择每场比赛中的活动平台。在第二种策略中,防御者安排每个连续的平台,以最大限度地提高提交给攻击者的源代码的多样性。自适应攻击者响应策略是由有限状态机(FSM)结构建模的,该结构在模拟对抗防御者策略的过程中通过进化算法进化。它表明,攻击者学会了大量投资于利用创建的平台与其他平台的相似性最小时,面对多样性防御,同时避免投资于利用这个最不相似的平台时,面对随机化防御。此外,它表明,多样性最大化的防御是优越的较短的持续时间的攻击者-防御者的参与,但在扩展的攻击者-防御者的互动次优。
2014-07-31 cs.CR cs.GT
MTFS: a Moving Target Defense-Enabled File System for Malware Mitigation
本文提出MTFS覆盖文件系统,集成三种移动目标防御技术,延迟攻击者、诱捕递归遍历、隐藏文件类型,实验表明在物联网设备上有效,面对14个勒索软件样本可拯救97%文件。
2023-11-16 cs.CR
MPD: Moving Target Defense through Communication Protocol Dialects
由于涉及各种硬件和软件技术,通信协议安全性是物联网(IoT)最重要的挑战之一。移动目标防御(MTD)是一种通过动态改变目标系统属性和配置来模糊攻击面的创新策略。然而,MTD的现有工作主要集中在较低级别的属性(例如,IP地址或端口号),并且基于这些属性只能生成有限数量的变体。在本文中,我们提出了一种新的方法MTD通过通信协议方言(MPD)-它动态定制的通信协议到各种协议方言,并利用它们来创建一个移动目标防御。具体地,MPD利用方言生成函数来创建协议方言,然后利用映射函数来在通信期间为每个分组选择一个特定方言。为了保持不同的网络实体的同步,我们还设计了一个自同步机制,利用一个伪随机数发生器的输入预共享的秘密密钥和以前发送的数据包。我们实现了一个原型的MPD和评估其可行性的标准网络协议(即,文件传输协议)和物联网协议(即,消息传输(Telemetry Transport)。结果表明,MPD可以创建一个移动目标防御与协议方言,以有效地应对各种攻击-包括拒绝服务攻击和恶意数据包修改-与可忽略的开销。
2021-10-07 cs.CR
A Cost-effective Shuffling Method against DDoS Attacks using Moving Target Defense
移动目标防御(MTD)是一种新兴的非对称攻击和防御技术,基于洗牌的MTD被认为是抵御DDoS攻击的最有效方法之一。然而,以前的工作并不承认频繁的洗牌会显着加剧的开销。MTD需要一种定量措施来比较现有适应措施的成本和有效性,并探索它们之间的最佳权衡。因此,在本文中,我们提出了一种新的具有成本效益的洗牌方法对DDoS攻击使用MTD。通过利用多目标马尔可夫决策过程建模攻击者和防御者之间的相互作用,并设计一个具有成本效益的洗牌算法,我们研究了在给定的洗牌场景中洗牌的有效性和成本之间的最佳权衡。最后,仿真和实验上的实验软件定义网络(SDN)表明,我们的方法施加了一个可接受的洗牌过载,是有效的,在减轻DDoS攻击。
2019-09-18 cs.CR
Reasoning about Moving Target Defense in Attack Modeling Formalisms
自2009年以来,移动目标防御(MTD)已经成为一种新的防御机制,它频繁地改变目标系统的状态来迷惑攻击者。这种频繁的更改代价高昂,并导致在误导攻击者和破坏服务质量之间进行权衡。在面对现实的多步骤攻击场景时,优化MTD激活频率对于开发这种防御机制是必要的。基于DAG的攻击建模形式主义主要用于指定这些场景。我们的贡献是一个新的DAG为基础的形式主义的MTD和翻译成价格定时马尔可夫决策过程,以找到最佳的激活频率对攻击者的时间/成本最优策略。第一次,MTD的激活频率进行了分析,在一个国家的最先进的基于DAG的表示。此外,这是第一篇论文,认为在攻击建模形式主义的自动分析的MTDs的特异性。最后,我们提出了一些实验结果,使用Uppaal Escrugo证明其适用性和相关性。
2022-06-28 cs.CR cs.MA
Morphence: Moving Target Defense Against Adversarial Examples
University of Michigan, Dearborn(密歇根大学迪尔伯恩分校)
对机器学习模型的对抗性示例的鲁棒性仍然是一个开放的研究课题。攻击通常通过反复探测一个固定的目标模型与敌对的例子故意欺骗它来成功。在本文中,我们介绍了Morphence,一种通过使模型成为对抗敌对例子的移动目标来改变防御格局的方法。通过定期移动模型的决策函数,Morphence使重复或相关攻击的成功变得非常具有挑战性。Morphence以一种在响应预测查询时引入足够随机性的方式部署从基本模型生成的模型池。为了确保重复或相关攻击失败,部署的模型池在达到查询预算后自动过期,并且模型池被提前生成的新模型池无缝替换。我们评估Morphence对两个基准图像分类数据集(MNIST和CIFAR10)对五个参考攻击(2白盒和3黑盒)。在所有情况下,Morphence始终优于迄今为止有效的防御,对抗性训练,即使面对强大的白盒攻击,同时保持干净数据的准确性。
2022-02-18 cs.CR cs.LG
Moving Target Defense for Service-oriented Mission-critical Networks
现代关键任务系统(MCS)越来越软件化和互连。因此,它们的复杂性增加,因此它们对网络攻击的脆弱性也增加。当前在MCS中采用的虚拟化和面向服务的架构(SOA)提供了额外的灵活性,可以利用这些灵活性来抵御和减轻攻击,例如,通过移动关键服务或数据流。这使得移动目标防御(MTD)策略的部署成为可能,这使得攻击者能够从MCS的长期侦察中剥离其不对称优势。然而,它是具有挑战性的设计MTD战略,考虑到不同的威胁景观,资源限制,并在服务可用性的潜在退化。在本文中,我们结合两个优化模型,探索可行的服务配置SOA为基础的系统,并推导出随后的MTD行动的时间表的基础上的攻击者-防御者的游戏。我们的研究结果表明,即使是具有挑战性和多样化的攻击场景,我们的模型可以保护系统高达90%的系统运行时间与有限的MTD防御预算。
2023-03-17 cs.CR cs.NI
Learning Effective Strategies for Moving Target Defense with Switching Costs
移动目标防御(MTD)已经成为各种安全应用中的关键技术,因为它剥夺了攻击者利用系统漏洞进行侦察的能力。然而,大多数现有的研究在该领域假设不切实际的访问信息的攻击者的动机和/或行动时,制定MTD战略。许多现有的方法还假设关于系统的漏洞以及攻击者如何利用这些漏洞中的每一个的完整知识。在这项工作中,我们的目标是创建算法,生成有效的移动目标防御策略,不依赖于攻击者的先验知识。我们的工作假设防御者接收关于其自身奖励的信息的唯一方式是通过在重复的游戏设置中与攻击者的交互。根据可以从相互作用中获得的信息量,我们设计了两种不同的算法,使用多臂强盗制定,以确定有效的策略。然后,我们使用从国家漏洞数据库中挖掘的数据来评估我们的算法,以展示它们与最先进技术的性能相匹配,尽管使用的信息量要少得多。
2023-01-24 cs.CR cs.GT
GateDrain: Availability Attacks and Admission-Side Defense for Confidence-Gated Edge-Cloud Inference
Hofstra University(霍夫斯特拉大学);Norwegian University of Science and Technology(挪威科技大学)
GateDrain揭示置信度门控边缘-云推理的可用性漏洞,通过扰动降低置信度将请求重定向至云队列造成延迟恶化,并提出结合准入预算与优先级的Bounded Escalation防御策略。
2026-09-29 cs.CR
Proactive DDoS Attack Mitigation in Cloud-Fog Environment using Moving Target Defense
分布式拒绝服务(DDoS)攻击是一种严重的网络攻击,在云中减轻DDoS攻击是一个持续研究的主题,仍然是一个主要的安全挑战。雾计算是云计算的一种扩展,已被用于保护云。移动目标防御(MTD)是一种新认可的主动安全防御,可用于减轻云上的DDoS攻击。MTD通过不断改变攻击面来迷惑攻击者,使系统具有动态性和不确定性。提出了一种基于MTD技术的云雾平台DDoS攻击防御框架(CFPM)。CFPM在雾层采用迁移MTD技术来抵御云中的DDoS攻击。它在雾层主动检测所有合法客户端中的攻击者,并将其与无辜客户端隔离开来。CFPM使用有效的请求处理过程进行负载均衡和攻击者隔离过程,旨在最大限度地减少对云服务器和服务雾服务器的中断。此外,CFPM的有效性进行评估,通过分析攻击前后的系统的行为,考虑不同的可能情况。这种方法是有效的,因为它使用了MTD技术和雾计算范式支持云环境的优势。
2020-12-03 cs.CR
DYNASHIELD: A Black-Box Moving Target Defense for LLMs via Dynamic Decoding Customization
Michigan State University(密歇根州立大学)
DYNASHIELD是一种无需访问模型内部或重新训练的黑盒LLM防御框架,通过动态定制解码配置降低了4种越狱攻击的成功率,同时保持响应质量且开销极小。
2026-10-28 cs.CL cs.CR
Adversarial Deep Reinforcement Learning based Adaptive Moving Target Defense
University of Houston(休斯顿大学);Washington University in St. Louis(圣路易斯华盛顿大学)
移动目标防御(MTD)是一种主动防御方法,旨在通过不断改变系统的攻击面(例如,改变主机或网络配置),从而增加对手的不确定性和攻击成本。为了最大限度地发挥MTD的影响,防御者必须从战略上选择何时以及进行何种更改,同时考虑到其系统的特性以及对手观察到的活动。寻找MTD的最佳策略是一个重大的挑战,特别是当面对一个足智多谋和坚定的对手谁可能会回应防御者的行动。在本文中,我们提出了一个多智能体的部分可观察马尔可夫决策过程模型的MTD和制定一个两人之间的一般和游戏的对手和防守者。在建立自适应MTD模型的基础上,提出了一种基于双预言机算法的多智能体强化学习框架来求解博弈。在实验中,我们证明了我们的框架在寻找最优策略的有效性。
2020-08-20 cs.AI cs.CR cs.GT
MTDeep: Boosting the Security of Deep Neural Nets Against Adversarial Attacks with Moving Target Defense
Arizona State University(亚利桑那州立大学);IBM Research(IBM研究院)
目前的攻击方法可以使基于深度神经网络的最先进的分类系统对每个经过不利修改的测试示例进行错误分类。针对大范围此类攻击的一般防御策略的设计仍然是一个具有挑战性的问题。在本文中,我们从网络安全和多智能体系统领域汲取灵感,并提出利用移动目标防御(MTD)的概念来设计一种元防御,以“提高”深度神经网络(DNN)集成的鲁棒性,用于视觉分类任务,以抵御这种对抗攻击。为了对输入图像进行分类,通过将防御者(托管分类网络)与其(合法和恶意)用户之间的交互公式化为贝叶斯Stackelberg游戏(BSG),从这组网络中随机挑选一个经过训练的网络。我们的经验表明,这种方法MTDeep可以减少MNIST,FashionMNIST和ImageNet等各种数据集中扰动图像的错误分类,同时保持合法测试图像的高分类精度。然后,我们证明了我们的框架,作为第一个元防御技术,可以与任何现有的防御机制结合使用,以提供更多的弹性对抗对抗攻击,可以提供这些防御机制。最后,为了量化使用MTDeep时基于集成的分类系统的鲁棒性的增加,我们分析了一组DNN的属性,并引入了差分免疫的概念,该概念将攻击可转移性的概念形式化。
2019-08-03 cs.CR cs.GT cs.LG
A Survey of Moving Target Defenses for Network Security
基于传统工具、技术和过程的网络防御无法考虑到攻击者由于网络服务和配置的静态性质而存在的固有优势。为了消除这种不对称优势,移动目标防御(MTD)不断改变底层系统的配置,从而降低网络攻击的成功率。在本调查中,我们分析了MTD开发的最新进展,并定义了捕获此类防御关键方面的分类。我们首先将这些防御分为不同的子类,这取决于它们移动的内容,何时移动以及如何移动。在试图回答后一个问题时,我们展示了领域知识和博弈论建模的使用可以帮助防守者提出有效和高效的移动策略。其次,为了了解这些防御方法的实用性,我们讨论了各种MTD是如何实现的,并发现软件定义网络和网络功能虚拟化等网络技术是实现这些动态防御的关键推动因素。然后,我们简要介绍了MTD测试平台和案例研究,以帮助想要检查或部署现有MTD技术的读者。第三,我们的调查根据他们用来评估其在安全性和性能方面的有效性的定性和定量指标对拟议的MTD进行分类。我们使用定义良好的指标(如风险分析和性能成本)进行定性评估,并使用基于机密性、完整性、可用性(CIA)、攻击表示、QoS影响和目标威胁模型的指标进行定量评估。最后,我们表明我们对MTD的分类可以有效地识别新的研究领域并强调未来研究的方向。
2020-03-21 cs.CR cs.NI
Jailbreaker in Jail: Moving Target Defense for Large Language Models
针对大语言模型易受对抗攻击、难以兼顾有用性与无害性的问题,研究提出移动目标防御增强系统,通过多候选模型对齐输出与查询输出分析过滤,实现攻击成功率和拒绝率均降至0%。
2023-10-03 cs.CR
Moving-Target Defense Against Cyber-Physical Attacks in Power Grids via Game Theory
这项工作提出了一种移动目标防御(MTD)策略来检测针对电网的协同网络物理攻击(CCPAs)。所提出的方法的主要思想是无效的知识,攻击者用来掩盖他们的物理攻击的影响,通过主动扰动电网的输电线路电抗通过分布式灵活交流输电系统(D-FACTS)设备。所提出的MTD设计包括两个部分。首先,我们确定了D-FACTS设备部署的链接子集,使防御者能够针对系统中的任何链接检测CCPA。然后,为了最大限度地减少防御成本在系统的运行时间,我们制定了一个零和游戏,以确定最佳的子集的链接扰动(这将提供足够的保护)对战略攻击者。纳什均衡鲁棒解是通过指数权重计算的,它不需要完全的博弈知识,而只需要在每次迭代中观察到的收益。大量的仿真使用的MATPOWER模拟器在IEEE总线系统验证了我们的方法在检测CCPA和降低运营商的防御成本的有效性。
2021-07-27 cs.CR cs.IT cs.SY
A Factored MDP Approach To Moving Target Defense With Dynamic Threat Modeling and Cost Efficiency
Singapore Management University(新加坡管理大学)
针对传统移动目标防御依赖攻击者先验假设的局限,提出结合动态贝叶斯网络与增量更新的因子化MDP防御框架,纳入切换成本平衡攻防开销,在高不确定动态攻击场景中验证了有效性。
2024-08-16 cs.AI cs.CR cs.LG
MTDNS: Moving Target Defense for Resilient DNS Infrastructure
本文提出MTDNS,一种结合SDN与NFV的移动目标防御方法,通过动态创建备用DNS服务器并重定向流量,在DNS泛洪攻击下显著提高查询解析成功率并降低平均延迟。
2024-10-03 cs.CR cs.DC cs.ET
Zero-Trust Artificial Intelligence Model Security Based on Moving Target Defense and Content Disarm and Reconstruction
Ariel University(阿里尔大学);Ariel Cyber Innovation Center(阿里尔网络创新中心)
本文提出结合内容解除和重建(CDR)与移动目标防御(MTD)的零信任AI模型安全架构,有效防范Pickle和PyTorch格式中的序列化攻击与权重篡改,在HuggingFace等真实场景下实现100%解除率。
2025-03-03 cs.AI cs.CR
Zero-determinant Strategy for Moving Target Defense: Existence, Performance, and Computation
KTH Royal Institute of Technology(皇家理工学院);Tongji University(同济大学);University of Groningen(格罗宁根大学)
本文提出利用零确定性策略构建移动目标防御策略,实现高防御性能与低计算复杂度,分析了其存在性、性能及计算方法,并通过实验验证结果。
2026-05-08 cs.CR cs.GT
Evaluating the Security and Economic Effects of Moving Target Defense Techniques on the Cloud
移动目标防御(MTD)是一种主动的安全机制,它改变攻击表面,旨在迷惑攻击者。云计算利用MTD技术来增强云安全态势以抵御网络威胁。虽然许多MTD技术已被应用于云计算,但尚未对MTD技术在安全性和经济性指标方面的有效性进行联合评估。在本文中,我们首先介绍了三个MTD技术的组合:\emph{Shuffle},\emph{Diversity},和\emph{Redundancy}的数学定义。然后,我们利用四个安全指标,包括系统风险,攻击成本,攻击回报和可靠性,以评估应用于大规模云模型的组合MTD技术的有效性。其次,我们专注于一个特定的上下文的基础上的云模型的电子健康应用程序的安全性和经济指标的MTD技术的有效性进行评估。我们介绍了(1)一种使用虚拟机布局技术来有效地部署Shuffle MTD技术的策略和(2)通过操作系统多样化来部署Diversity MTD技术的两种策略。由于部署多样性会产生成本,我们制定了\emph{Optimal Diversity Assignment Problem (O-DAP)}和解决它作为一个二元线性规划模型,以获得最大化的预期净效益的分配。
2021-06-19 cs.CR
Moving-Target Defense for Detecting Coordinated Cyber-Physical Attacks in Power Grids
这项工作提出了一种移动目标防御(MTD)策略来检测针对电网的协同网络物理攻击(CCPAs)。CCPA包括物理攻击,例如断开传输线,然后是协调的网络攻击,将虚假数据注入传感器测量值以掩盖物理攻击的影响。这种攻击可能导致无法检测到的线路中断,并对电网造成重大损害。所提出的方法的主要思想是无效的知识,攻击者用来掩盖的物理攻击的影响,通过主动扰动电网的输电线路电抗使用分布式灵活的交流输电系统(D-FACTS)设备。我们确定了MTD设计标准,在这种情况下,挫败CCPA。所提出的MTD设计包括两个部分。首先,我们确定了D-FACTS设备部署的链接子集,使防御者能够针对系统中的任何链接检测CCPA。然后,为了最大限度地减少防御成本在系统的运行时间,我们使用博弈论的方法来确定最好的子集的链接(在D-FACTS部署集)扰动,这将提供足够的保护。大量的仿真使用的MATPOWER模拟器在IEEE总线系统验证了我们的方法在检测CCPA和降低运营商的防御成本的有效性。
2019-08-06 cs.CR cs.IT cs.SY
Morphence-2.0: Evasion-Resilient Moving Target Defense Powered by Out-of-Distribution Detection
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
针对机器学习模型的规避攻击通常通过对固定目标模型的迭代探测而成功,由此成功一次的攻击将重复成功。对抗这种威胁的一种有希望的方法是使模型成为对抗对抗性输入的移动目标。为此,我们引入了Morphence-2.0,这是一种可扩展的移动目标防御(MTD),由分布外(OOD)检测提供支持,以防御对抗性示例。通过定期移动模型的决策函数,Morphence-2.0使重复或相关攻击成功变得非常具有挑战性。Morphence-2.0部署了一个从基本模型生成的模型池,在响应预测查询时引入了足够的随机性。通过OOD检测,Morphence-2.0配备了一种调度方法,将对抗性样本分配给鲁棒的决策函数,将良性样本分配给不设防的精确模型。为了确保重复或相关攻击失败,部署的模型池在达到查询预算后自动过期,并且模型池被提前生成的新模型池无缝替换。我们在两个基准图像分类数据集(MNIST和CIFAR 10)上对Morphence-2.0进行了评估,以对抗4种参考攻击(3种白盒攻击和1种黑盒攻击)。Morphence-2.0始终优于之前的防御,同时保持干净数据的准确性并减少攻击的可转移性。我们还表明,在OOD检测的支持下,Morphence-2.0能够精确地对模型的决策函数进行基于输入的移动,从而提高对抗性和良性查询的预测准确性。
2022-06-15 cs.CR cs.LG
EI-MTD:Moving Target Defense for Edge Intelligence against Adversarial Attacks
Zhejiang University of Science and Technology(浙江科技大学);Zhejiang University(浙江大学);Guangzhou University(广州大学);Hangzhou Hikvision Digital Technology Co., Ltd.(杭州海康威视数字技术股份有限公司)
随着边缘智能的蓬勃发展,其对对抗攻击的脆弱性成为一个亟待解决的问题。所谓的对抗性示例可以欺骗边缘节点上的深度学习模型进行错误分类。由于模型的可转移性,攻击者很容易利用局部替代模型进行黑盒攻击。然而,边缘节点的资源有限,无法像云数据中心那样提供复杂的防御机制。为了克服这一挑战,我们提出了一种动态防御机制,即EI-MTD。该方法首先在云数据中心对复杂的教师模型进行差分知识蒸馏,得到规模较小的鲁棒成员模型。然后,基于贝叶斯Stackelberg博弈的动态调度策略被应用到服务的目标模型的选择。这种动态防御可以阻止对手选择一个最佳的替代模型进行黑盒攻击。实验结果表明,这种动态调度可以有效地保护边缘智能免受黑盒设置下的对抗攻击。
2020-11-25 cs.AI cs.CR cs.CV
ADA: Automated Moving Target Defense for AI Workloads via Ephemeral Infrastructure-Native Rotation in Kubernetes
Cisco Systems(思科系统);R6 Security(R6安全);Independent Security Researcher(独立安全研究者)
本文提出自适应防御代理(ADA),利用 Kubernetes pod 短暂性在基础设施层持续轮换 AI 工作负载,实现自动化移动目标防御,主动破坏攻击链,为 AI 服务提供更敏捷高效的零信任安全模型。
2025-05-27 cs.AI cs.CR
From Static to Adaptive Defense: Federated Multi-Agent Deep Reinforcement Learning-Driven Moving Target Defense Against DoS Attacks in UAV Swarm Networks
School of Cyber Science and Engineering, Southeast University, Purple Mountain Laboratories, and Jiangsu Province Engineering Research Center of Security for Ubiquitous Network(网络信息安全学院,东南大学,紫金山实验室,江苏省 ubiquitous 网络安全工程研究中心)
本文提出基于联邦多智能体深度强化学习的移动目标防御框架,用于无人机蜂群网络中的DDoS攻击防护,通过动态防御策略提升网络韧性。
2025-11-20 cs.AI cs.CR cs.LG
MTD-Playground: An Attacker-Aware Evaluation Framework for Network Moving Target Defense
AICSIL Research Lab, CACS(CACS AICSIL研究实验室)
本文针对现有移动目标防御评估的碎片化问题,提出MTD-Playground评估框架,在企业多阶段攻击场景下,用复合评估方法分析基于SDN的路径随机化MTD技术,通过实验得出变异间隔与攻击成功率、完成时间、吞吐量等的关系,证明该技术可实际部署并扰乱攻击进程。
2026-07-15 cs.CR
Characterizing the Power of Moving Target Defense via Cyber Epidemic Dynamics
Fudan University(复旦大学);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of Warwick(华威大学)
本文通过网络流行病动力学方法,提出两种互补指标来评估移动目标防御的效能,分别关注系统容忍不良状态的时间和部署成本,进而设计最优部署算法。
2014-04-27 cs.CR cs.SI cs.SY
Moving Target Defense in SDN-enabled EV Charging Network
Linköping University(林雪平大学)
针对启用SDN的电动汽车充电网络的低速率DoS攻击,提出CS-SHIELD移动目标防御机制,通过跨层身份验证检测恶意流表并重新分配虚拟IP,保障站点可用性且延迟可忽略。
2026-10-09 cs.CR cs.GT cs.NI
Cost-Benefit Analysis of Moving-Target Defense in Power Grids
Advanced Digital Sciences Center, Illinois at Singapore(新加坡伊利诺伊大学先进数字科学中心);Singapore University of Technology and Design(新加坡科技设计大学)
本文研究了通过主动扰动输电线路电抗来防止状态估计中隐蔽的虚假数据注入攻击的移动目标防御策略,提出正式设计标准以选择有效的电抗扰动,并分析了其检测能力与运营成本之间的权衡。
2018-04-04 cs.CR cs.IT cs.SY
Towards Zero-Trust 6GC: A Software Defined Perimeter Approach with Dynamic Moving Target Defense Mechanism
本文提出一种基于软件定义边界并融合动态移动目标防御的零信任6G核心网络架构,以替代VPN,增强对DoS和端口扫描等攻击的防御能力。
2023-12-27 cs.CR
MTDSense: AI-Based Fingerprinting of Moving Target Defense Techniques in Software-Defined Networking
本文提出MTDSense方法,通过无监督聚类识别软件定义网络中IP混洗MTD的触发间隔,揭示传统MTD易受针对性攻击,并提出两种减少信息泄露的MTD更新算法。
2024-08-07 cs.CR cs.NI
Moving Target Defense based Secured Network Slicing System in the O-RAN Architecture
本文针对O-RAN架构中网络切片的安全问题,提出结合PPO深度强化学习与移动目标防御策略的方法,在优化VNF数量、服务准入控制和功率最小化的同时抵御投毒攻击,实验准入率超过80%。
2023-09-23 cs.CR
BT-MTD: Bus Traversal-based Moving Target Defense for Smart Grid
College of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院);School of Future Technology, Shanghai University(上海大学未来技术学院);Purple Mountain Laboratories(紫金山实验室)
提出BT-MTD算法,通过理论分析识别无效支路,基于母线遍历优化导纳修改,在IEEE标准系统上验证了其在有效性、效率和计算成本上的优越性能。
2026-06-16 cs.CR cs.SY eess.SY
CHAOS: an SDN-based Moving Target Defense System
当前网络系统的静态性质使其很容易受到攻击和破坏。通过不断地改变系统,移动目标防御(MTD)提供了一种有前途的方法来减少或移动可供对手利用的攻击面。然而,当前基于网络的MTD不加区别地混淆网络,使得一些网络关键服务(诸如web和DNS服务)不可用,因为这些服务的许多信息必须向外部开放并且保持真实而不损害它们的可用性。此外,不分青红皂白的混淆也严重降低了网络的性能。在本文中,我们提出了混沌,SDN(软件定义网络)为基础的MTD系统,有区别地混淆网络中不同的安全级别的主机。在CHAOS中,我们引入了一种混沌塔混淆(Chaos Tower Obfuscation,CTO)方法,它使用一个混沌塔结构(Chaos Tower Structure,CTS)来描述内部网中所有主机的层次结构,提供了一种更加不可预测和灵活的混淆方法。我们还介绍了混沌的设计,它利用SDN功能来混淆攻击表面,包括IP混淆,端口混淆和指纹混淆,从而提高网络环境的不可预测性。我们开发了快速CTO算法,以实现不同程度的混淆在每一层的主机。实验结果表明,混沌保护的网络能够有效地降低信息泄露的比例,保证网络流量的正常流动。
2017-04-05 cs.CR cs.NI
A Lightweight Moving Target Defense Framework for Multi-purpose Malware Affecting IoT Devices
University of Zurich(苏黎世大学);University of Murcia(穆尔西亚大学);armasuisse Science & Technology(瑞士联邦国防采购局科学与技术部)
针对IoT设备易受多用途恶意软件攻击且现有MTD方案不足的问题,提出四种改变设备网络、数据和运行时环境的MTD机制及轻量级IoT导向MTD框架,并在真实场景中验证了其效率和有效性。
2022-10-14 cs.CR cs.LG
Multi-agent Reinforcement Learning in Bayesian Stackelberg Markov Games for Adaptive Moving Target Defense
Arizona State University(亚利桑那州立大学)
网络安全领域大多是一场猫捉老鼠的游戏,新的攻击的发现引领了这一趋势。为了剥夺攻击者的侦察优势,研究人员提出了主动防御方法,如移动目标防御(MTD)。为了找到好的移动策略,研究人员将MTD建模为防御者和网络对手之间的领导者-追随者游戏。我们认为,现有的模型是不够的顺序设置时,有一个理性的对手的信息不完整,并产生次优的运动策略。此外,虽然存在一系列关于在网络安全的顺序设置中学习防御策略的工作,但由于不完整信息引起的可扩展性问题,它们要么不受欢迎,要么倾向于忽略对手的战略性质,从而简化场景以使用单代理强化学习技术。为了解决这些问题,我们提出了(1)一个统一的博弈论模型,称为贝叶斯Stackelberg马尔可夫博弈(BSMG),可以对攻击者类型和MTD系统的细微差别的不确定性进行建模,以及(2)贝叶斯强Stackelberg Q学习(BSS-Q)方法,可以通过交互在合理的时间内学习BSMG的最佳移动策略。我们在不完全信息马尔可夫博弈的景观BSMG和强Stackelberg均衡(SSE)的概念,在他们的特点。我们表明,我们的学习方法收敛到一个SSE的BSMG,然后强调,学习的运动策略(1)提高了最先进的MTD的Web应用程序的安全性和(2)收敛到最佳的策略,即使在MTD域的不完整的信息,对手的奖励和过渡的先验信息是缺席。
2020-07-20 cs.AI cs.CR cs.GT
ε-Indistinguishability In Moving Target Defense: Framework, Algorithms, And Cloud Case Studies
Amazon Science(亚马逊科学);Intuit
研究移动目标防御中配置池安全的量化问题,通过形式化将其转化为特定查询,给出四种算法,在云案例研究中测量匿名差距,发现组件延迟差异对匿名性有影响,为MTD设计提供诊断方法。
2026-07-16 cs.CR
Moving Target Defense for Web Applications using Bayesian Stackelberg Games
Arizona State University(亚利桑那州立大学)
目前设计Web应用程序的复杂性使得软件安全性成为一个难以实现的目标。攻击者可以在Web上探索已部署的服务,并在自己的空闲时间进行攻击。Web应用程序中的移动目标防御(MTD)是一种有效的机制,可以抵消其侦察的优势,但框架在其Web堆栈的多个配置之间切换时需要一个良好的切换策略。为了解决这个问题,我们提出了一个真实世界的MTD Web应用程序的建模作为一个重复的贝叶斯游戏。然后,我们制定了一个优化问题,产生一个有效的切换策略,同时考虑不同的网络堆栈配置之间切换的成本。为了将这个模型到一个发达的MTD系统,我们开发了一个自动化系统,用于生成攻击集的常见漏洞和暴露(CVEs)的输入攻击者类型与预定义的功能。我们的框架通过使用从国家漏洞数据库(NVD)获得的CVE上的安全领域专业知识,在这个游戏中为玩家(防御者和攻击者)获得了现实的奖励值。我们还解决了优先处理漏洞的问题,当修复时,提高了MTD系统的安全性。最后,我们证明了我们提出的模型的鲁棒性,通过评估其性能时,有输入攻击者信息的不确定性。
2016-11-17 cs.AI cs.CR cs.GT
Don't Wait to be Breached! Creating Asymmetric Uncertainty of Cloud Applications via Moving Target Defenses
针对云应用零日漏洞防御问题,提出受移动目标防御启发的双层“免疫系统”,通过基础设施层虚拟机再生和应用层攻击面持续修改,将攻击者隐匿时间缩至分钟级并自动变更超98%攻击面,有效阻止攻击重放与持久化。
2019-01-11 cs.CR cs.DC cs.NI
Can Adversarial Training Be Manipulated By Non-Robust Features?
Nanjing University(南京大学);Chongqing University(重庆大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Nanyang Technological University(南洋理工大学);JD AI Research(京东人工智能研究院);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
对抗性训练最初是为了抵抗测试时的对抗性示例而设计的,已经证明在减轻训练时可用性攻击方面很有前途。然而,这种防御能力在本文中受到质疑。我们确定了一种新的威胁模型命名为稳定性攻击,其目的是通过稍微操纵训练数据来阻碍鲁棒可用性。在这种威胁下,我们证明了使用传统防御预算$ε$的对抗性训练在简单的统计设置中无法提供测试鲁棒性,其中训练数据的非鲁棒性特征可以通过$ε$有界扰动来加强。此外,我们分析了增加国防预算以应对稳定性攻击的必要性。最后,综合实验表明,稳定性攻击是有害的基准数据集,因此,自适应防御是必要的,以保持鲁棒性。我们的代码可在https://github.com/TLMichael/Hypocritical-Perturbation上获得。
2022-10-08 cs.CR cs.LG
Markov Game Modeling of Moving Target Defense for Strategic Detection of Threats in Cloud Networks
Arizona State University(亚利桑那州立大学)
大规模云网络中关键数据的处理和存储需要可扩展的安全解决方案。事实证明,部署所有可能的安全措施都会消耗宝贵的计算和网络资源,而这些资源是云服务提供商的主要卖点。因此,最近有兴趣发展移动目标防御(MTD)机制,帮助一个优化的联合目标,最大限度地提高安全性,同时确保对性能的影响最小化。通常,这些技术将隐形对手的多阶段攻击问题建模为单步攻击检测游戏,使用图连接性度量作为衡量性能的启发式方法,从而(1)丢失了为大型云网络设计的图论模型中固有的有价值信息,以及(2)提出了某些对性能具有不对称影响的策略。在这项工作中,我们利用云网络的攻击图中的知识来制定零和马尔可夫博弈,并使用通用漏洞评分系统(CVSS)来为这个游戏提供有意义的实用价值。然后,我们表明,放置检测机制对对手的最佳策略相当于计算混合最小最大均衡的马尔可夫博弈。我们将使用我们的方法获得的收益与目前用于云网络安全的其他技术进行比较,从而显示其有效性。最后,我们强调了如何将该方法用于一个小型的真实云系统。
2019-02-28 cs.AI cs.CR cs.GT
RL and Fingerprinting to Select Moving Target Defense Mechanisms for Zero-day Attacks in IoT
University of Murcia(穆尔西亚大学);University of Zurich(苏黎世大学);armasuisse Science & Technology(瑞士阿马苏斯科学技术局)
针对IoT单板计算机的零日攻击,提出基于在线强化学习和行为指纹识别的框架,动态选择移动目标防御机制,在真实场景中有效缓解异构恶意攻击且资源开销低。
2022-12-30 cs.AI cs.CR
Application of Cybernetics and Control Theory for a New Paradigm in Cybersecurity
当前网络安全研究和技术的一个重要局限性是其反应性和应用性。这导致了攻击者扫描网络、开发漏洞和攻击系统的连续“网络周期”,防御者检测攻击、分析漏洞和修补系统。这种反应性的性质使敏感系统非常容易受到攻击,由于未修补的系统和未检测到的漏洞。目前的一些研究试图通过引入实现移动目标防御的系统来解决这一主要限制。然而,这些想法通常是基于直觉,即移动目标防御将使攻击者更难找到和扫描易受攻击的系统,而不是基于理论数学基础。由于持续缺乏开发更安全系统的基础科学和原则,人们对建立“网络安全科学”的兴趣越来越大。本文介绍了使用控制论的概念,控制论,控制理论,系统理论,信息论和博弈论应用于监管系统的跨学科方法,作为发展网络安全原则的基础方法。它从防御的角度探讨了控制论在网络安全中的潜在应用,同时提出了攻击性应用的潜在用途。此外,本文还介绍了建立非平稳系统的基本原理,这是一种比移动目标防御更通用的解决方案。最后,本文讨论了移动目标防御的局限性和一种基于非平稳原理的实现方法。
2013-11-01 cs.CR
Dynamical low-rank equilibrium computation for stochastic games between advanced persistent threats and moving target defense
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
针对工业控制系统中高级持续性威胁与移动目标防御的随机博弈,提出动态低秩均衡计算方法,利用攻击-防御矩阵的低秩结构,实现高效、鲁棒的纳什均衡计算,并在电力系统测试中达到94%参数压缩和极小效用损失。
2026-10-08 cs.AI cs.CR cs.GT
Investigation of Multi-stage Attack and Defense Simulation for Data Synthesis
针对电网网络攻击数据稀缺问题,提出结合攻击树与博弈论的合成数据生成模型,以支持机器学习异常检测训练。
2023-12-21 cs.CR cs.SY eess.SY
BALLAST: Physics-Aware Moving Target Defense for Industrial Control Systems Using a Digital Twin Safety Oracle
Universidad de Extremadura(埃斯特雷马杜拉大学)
BALLAST是一种工业控制系统移动目标防御方案,通过数字孪生安全预言机权衡安全熵与过程稳定性,在SWaT测试中大幅降低侦察成功率且无安全违规,性能优于同类方案。
2026-10-14 cs.CR cs.SY eess.SY