A dataset for cyber threat intelligence modeling of connected autonomous vehicles
本文构建了首个面向汽车领域的网络威胁情报建模数据集，包含908份真实报告及实体和语义关系标注，并基于该语料库对挖掘算法进行了分析，为汽车网络安全研究提供重要资源。
2024-10-18 cs.CR
Modeling Interdependent Cybersecurity Threats Using Bayesian Networks: A Case Study on In-Vehicle Infotainment Systems
本文以车载IVI系统为案例，将基于STRIDE的攻击树转换为贝叶斯网络，结合CPT、归一化DREAD、do-calculus和敏感性分析评估相互依赖的网络安全风险。
2025-05-14 cs.CR
Simulation in Cybersecurity: Understanding Techniques, Applications, and Goals
针对网络安全仿真研究因应用与目标多样而难以整体分析的局限，本文从应用领域、网络威胁类型、仿真技术和主要目标四个维度全面综述了当前技术，分析了不同方法优劣及适用场景。
2025-08-08 cs.CR
Operationalizing Cybersecurity Governance for Mitigation Planning with Attack-Path Modeling and Reinforcement Learning
University of Arkansas at Little Rock（阿肯色大学小石城分校）；Bastazo, Inc.（Bastazo公司）；University of Arkansas（阿肯色大学）
本文提出利用攻击路径建模和强化学习，将网络安全治理框架转化为可行的缓解决策，通过映射CSF成熟度评估到MITRE ATT&CK缓解能力，实现组织安全态势与对抗驱动的防御规划整合。
2026-05-10 cs.CR
PsybORG+: Modeling and Simulation for Detecting Cognitive Biases in Advanced Persistent Threats
针对传统措施难以防御的高级持续性威胁，本研究提出多智能体仿真环境PsybORG⁺，可建模受认知漏洞影响的APT行为，配套的认知漏洞分类模型预测准确率不低于0.83，为利用攻击者认知偏差防御APT提供支撑。
2024-08-13 cs.CR
CCTFv1: Computational Modeling of Cyber Team Formation Strategies
针对网络安全领域团队策略实证研究不足的问题，本文提出CCTF仿真框架，采用基于智能体的建模方法探究团队组建动态，揭示结构对表现的影响，强调战略性团队组建的重要性。
2023-07-17 cs.CR
Reviewing BPMN as a Modeling Notation for CACAO Security Playbooks
本研究探讨了使用 BPMN 建模符号图形化表示 CACAO 安全剧本的可行性，发现抽象层面的映射可行，但相互转换因多义表示和所需扩展而引入复杂性。
2023-09-10 cs.CR
Identification and Verification of Attack-Tree Threat Models in Connected Vehicles
随着网络物理组件在汽车行业的应用越来越多，网络安全已成为一个紧迫的话题。在联网车辆中采用以太网和WiFi等技术和通信协议会产生许多攻击场景。因此，ISO/SAE 21434和UN R155（2021）定义了汽车网络安全的标准和监管框架。这两份文件都采用了基于风险管理的方法，并要求采用威胁建模方法进行风险分析和识别。这种威胁建模方法必须符合ISO/SAE 21434的威胁分析和风险评估（TARA）框架。相反，现有的威胁建模方法列举孤立的威胁，而不考虑车辆的设计和连接。因此，他们忽视了从车辆接口到其资产的攻击路径的作用。换句话说，他们缺少TARA工作产品，例如，攻击路径危及资产或可行性和影响评级。我们提出了一种威胁建模方法，通过识别，排序和连接漏洞从一个有效的攻击面的资产来构建攻击路径。最初，我们将网络安全指南转化为攻击树，然后我们使用它们的正式解释来评估车辆的设计。该工作流产生攻击路径的组合构造以及所需的TARA工作产品（例如，攻击路径、可行性和影响）。更重要的是，我们可以在联网车辆的背景下迭代地应用工作流程，以确保设计符合性、隐私和网络安全。最后，为了展示汽车行业中先发制人的威胁识别和风险分析的复杂性和重要性，我们在互联车辆测试平台SPIDER中评估了所提出的基于模型的方法。
2022-12-29 cs.CR
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
MORPHEUS: A Multidimensional Framework for Modeling, Measuring, and Mitigating Human Factors in Cybersecurity
Department of Computer Science, University of Bari Aldo Moro（巴里阿尔多莫罗大学计算机科学系）
针对网络安全中人为因素研究碎片化的问题，提出MORPHEUS框架，基于认知-情感-行为模型和归因理论，整合50个人为因素，映射302个实证交互，提炼12种交互机制，并提供99个心理测量工具，支持风险诊断和干预。
2026-07-02 cs.CR cs.HC
A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection
本文综述了异构图神经网络在网络安全异常检测中的应用，分析了不同类型异常和图动态的分类方法，评估了常用数据集和指标，并指出了建模、数据和部署中的关键挑战。
2026-06-08 cs.CR cs.LG
Graph-Theoretic Approach for Manufacturing Cybersecurity Risk Modeling and Assessment
针对智能制造系统缺乏量化网络安全风险评估框架的问题，提出基于图论的风险建模与评估方法，通过攻击图建模威胁属性、分析传播路径、计算最优攻击路径对应风险，可辅助识别关键资产并制定防御策略。
2023-10-04 cs.CR cs.SY eess.SY
ISADM: An Integrated STRIDE, ATT&CK, and D3FEND Model for Threat Modeling Against Real-world Adversaries
University of New South Wales (UNSW)（新南威尔士大学）；Bangladesh University of Business and Technology (BUBT)（孟加拉商业与技术大学）；Anchoram’s Cyber Security Practice（Anchoram网络安全实践）；RMIT University（皇家墨尔本理工大学）
ISADM是一种整合STRIDE、ATT&CK和D3FEND的威胁建模方法，用于提升金融科技对现实世界对手的防御能力。
2025-12-21 cs.CR
Evaluating Two Approaches to Assessing Student Progress in Cybersecurity Exercises
网络安全专业的学生需要培养实用技能，例如使用命令行工具。动手练习是评估这些技能的最直接方法，但评估学生的掌握程度对教师来说是一项具有挑战性的任务。我们的目标是通过在整个练习中自动建模和可视化学生的进步来缓解这个问题。根据学生为完成练习中的离散任务而键入的shell命令，通过图形模型总结了进度。我们实施了两种类型的模型，并使用来自两所大学的46名学生的数据进行比较。为了评估我们的模型，我们调查了22位经验丰富的计算教师，并对他们的反应进行了定性分析。大多数教师有效地解释了图模型，并确定了每个模型的优点，缺点和评估用例。基于评估，我们为教师提供建议，并解释我们的图模型如何创新教学和促进进一步的研究。本文件的影响有三个方面。首先，它展示了多个机构如何合作，分享方法来模拟学生的进步，在动手练习。其次，我们的建模技术可以推广到来自不同环境的数据，以支持学生评估，即使是在网络安全领域之外。第三，我们分享所获得的数据和开源软件，以便其他人可以在他们的课堂或研究中使用这些模型。
2021-12-03 cs.CR cs.CY
A Large Language Model-Supported Threat Modeling Framework for Transportation Cyber-Physical Systems
Clemson University（克莱姆森大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The University of Alabama（阿拉巴马大学）
本文提出基于 LLM 的 TraCR-TMF 框架，融合 RAG、上下文学习与监督微调识别交通 CPS 威胁、攻击路径及对策，并通过真实案例验证其有效性。
2025-07-28 cs.AI cs.CR
Modeling Realistic Adversarial Attacks against Network Intrusion Detection Systems
机器学习算法在支持网络安全方面的逐步扩散正在创造新的防御机会，但也带来了新的风险。多项研究表明，机器学习方法容易受到对抗攻击的攻击，这些攻击会产生微小的扰动，从而降低检测威胁的有效性。我们观察到，现有文献假设的威胁模型不适合现实的网络安全场景，因为它们认为对手对网络检测器有完整的了解，或者可以自由地与目标系统进行交互。通过关注基于机器学习的网络入侵检测系统，我们识别和建模攻击者进行可行和成功的对抗攻击所需的真实能力和环境。然后，我们将我们的模型应用于文献中提出的几种对抗攻击，并强调了可能导致实际对抗攻击的限制和优点。本文的贡献可以通过让网络防御者解决最关键和最真实的问题来帮助加强防御系统，并可以通过允许研究人员根据现实的威胁模型设计新颖形式的对抗攻击来使他们受益。
2021-06-17 cs.CR
Cybersecurity in Robotics: Challenges, Quantitative Modeling, and Practice
New York University（纽约大学）；Universität Klagenfurt（克拉根福大学）；Joanneum Research（乔安诺姆研究公司）；Alias Robotics（Alias Robotics公司）
机器人技术正变得越来越普遍，但将系统推向市场的压力有时会以在开发、部署或生产过程中忽视安全机制为代价。因此，当代机器人系统容易受到各种攻击模式的影响，并且如果不是完全不可能的话，事后加固至少是具有挑战性的。本书旨在规定从最早的设计阶段开始就将安全性纳入机器人技术，并特别关注成本效益权衡，否则可能会阻碍经济实惠系统的快速发展。我们提倡安全管理和设计的定量方法，涵盖为机器人系统量身定制的漏洞评分系统，并考虑到机器人作为潜在的非常多的组件的相互作用的高度分布式性质。博弈论为基于模型的安全提供了一种强大的定量方法，提供了丰富的技术来优化针对各种攻击的安全性。这种对安全的多视角观点对于解决机器人系统的异质性和复杂性是必要的。这本书的目的是作为一个容易接近的初学者的理论家和从业人员在该领域的工作。
2021-09-10 cs.CR cs.RO
AI Potentiality and Awareness: A Position Paper from the Perspective of Human-AI Teaming in Cybersecurity
Cyber Security Cooperative Research Centre（网络安全合作研究中心）；Data61, CSIRO（联邦科学与工业研究组织数据61所）；Security Research Institute, Edith Cowan University（伊迪丝·考恩大学安全研究院）；Prince Mohammad Bin Fahd University（穆罕默德·本·法赫德王子大学）；Cyberstronomy Pty Ltd（Cyberstronomy私人有限公司）
本文探讨了网络安全中AI的潜能与风险，主张通过结合AI计算能力与人类专家知识的人机协同方法，在提升漏洞发现与异常检测速度的同时确保责任与信任，从而改善整体网络防御。
2023-09-28 cs.AI cs.CR cs.LG
Graph-based Modeling and Simulation of Emergency Services Communication Systems
本文针对应急服务通信系统仿真研究不足的问题，提出基于图的仿真框架与数学模型，通过有限状态机、离散事件排队和簇点过程刻画系统动态及呼叫突发性，并在西雅图警察局ESCS上验证了模型适用性。
2024-09-03 cs.CR
CyberLearning: Effectiveness Analysis of Machine Learning Security Modeling to Detect Cyber-Anomalies and Multi-Attacks
Chittagong University of Engineering & Technology（吉大港工程与技术大学）；Swinburne University of Technology（斯威本科技大学）
检测网络异常和攻击正在成为网络安全领域日益关注的问题。人工智能的知识，特别是机器学习技术可以用来解决这些问题。然而，基于学习的安全模型的有效性可能会因安全功能和数据特征而异。在本文中，我们提出了“CyberLearning”，一个基于机器学习的网络安全建模与相关特征选择，并对各种基于机器学习的安全模型的有效性进行了全面的实证分析。在我们的网络学习建模中，我们考虑了用于检测异常的二进制分类模型，以及用于各种类型网络攻击的多类分类模型。为了建立安全模型，我们首先使用流行的十种机器学习分类技术，例如朴素贝叶斯、逻辑回归、随机梯度下降、K-最近邻、支持向量机、决策树、随机森林、自适应提升、极限梯度提升以及线性判别分析。在此基础上，提出了基于人工神经网络的多隐藏层安全模型.这些基于学习的安全模型的有效性进行了检查，利用两个最流行的安全数据集，UNSW-NB 15和NSL-KDD进行了一系列的实验。总的来说，本文旨在通过我们在网络安全背景下的实验分析和发现，为数据驱动的安全建模提供参考。
2021-03-28 cs.CR cs.LG
Ollabench: Evaluating LLMs' Reasoning for Human-centric Interdependent Cybersecurity
本文提出 OllaBench 评估框架，基于认知行为理论和实证证据，从准确性、浪费性和一致性三个维度评估 21 个大语言模型在相互依赖网络安全合规推理中的表现，发现商业模型整体领先但仍有提升空间。
2024-06-11 cs.AI cs.CR cs.HC
Evaluating the Exploitability of Implicit Interactions in Distributed Systems
隐式交互是指系统设计者可能无意和/或无法预见的系统组件之间的交互。因此，它们代表了网络安全漏洞，可以被利用来发动网络攻击，造成严重和不稳定的系统影响。在本文中，我们研究了隐式的相互作用，在分布式系统中指定使用的代数建模框架称为通信并发Kleene代数（C $^2$ KA）。为了识别和防御一系列可能的攻击场景，我们开发了一种新的隐式交互可利用性措施，以帮助评估在系统设计中存在此类漏洞以发起网络攻击所构成的威胁。所提出的方法是基于建模和分析的影响和响应的系统代理和他们的C $^2$ KA规格。我们还证明了所提出的方法使用的原型工具，支持自动化分析的适用性。本文提出的严格实用的技术使分布式系统设计中的网络安全漏洞能够更容易地识别，评估，然后缓解，从而显着提高整体系统的弹性，可靠性和安全性。
2020-06-10 cs.CR
Cyber Risk Taxonomies: Statistical Analysis of Cybersecurity Risk Classifications
针对网络风险分类的样本外预测有效性研究不足的问题，采用滚动窗口与阈值加权评分方法对比多类分类器，发现动态影响型分类器预测损失更优，业务导向分类过于局限，为网络风险管理与保险定价提供参考。
2024-10-04 cs.CR q-fin.RM q-fin.ST
Toward interoperable representation and sharing of disinformation incidents in cyber threat intelligence
本文提出开源虚假信息威胁情报框架，结合DISARM建模、STIX2映射及DISINFOX交换架构，实现虚假信息事件的可互操作共享，并验证于100多个真实事件。
2025-02-28 cs.CR cs.ET cs.SI
The Application of Transformer-Based Models for Predicting Consequences of Cyber Attacks
本文利用MITRE CWE文本描述，研究BERT结合HAN的多标签分类方法预测网络攻击后果，实验表明BERT准确率达0.972，优于CNN和LSTM基线模型。
2025-08-18 cs.AI cs.CR cs.LG
