PTPsec: Securing the Precision Time Protocol Against Time Delay Attacks Using Cyclic Path Asymmetry Analysis
针对PTP协议的时间延迟攻击，提出基于循环路径不对称分析的PTPsec协议，利用冗余路径检测并缓解攻击，经硬件测试验证有效。
2024-02-07 cs.CR cs.NI
Exact Inference Techniques for the Analysis of Bayesian Attack Graphs
攻击图是一种强大的安全风险评估工具，通过分析网络漏洞和攻击者可以用来危害网络资源的路径。攻击者行为的不确定性使得贝叶斯网络适合于对攻击图进行建模以执行静态和动态分析。以前的方法都集中在形式化的攻击图到贝叶斯模型，而不是提出他们的分析机制。在本文中，我们建议使用有效的算法，使贝叶斯攻击图的准确推理，使静态和动态网络风险评估。为了支持我们的方法的有效性，我们已经进行了广泛的实验评估合成贝叶斯攻击图与不同的拓扑结构，所提出的技术相比，现有的方法在时间和内存使用方面的计算优势。
2016-11-04 cs.CR stat.AP stat.ML
BayesImposter: Bayesian Estimation Based .bss Imposter Attack on Industrial Control Systems
在过去的六年中，有几篇论文使用内存重复数据删除来触发各种安全问题，例如泄漏堆地址和导致物理内存中的位翻转。成功的内存重复数据删除最基本的要求是提供物理页面的相同副本。最近的作品使用蛮力的方法来创建物理页面的相同副本，从攻击者的角度来看，这是一个不准确和耗时的原语。我们的工作开始填补这一空白，提供了一种特定于域的结构化方式，在工业控制系统（ICS）的环境中复制云设置中的物理页面。在这里，我们展示了一个新的攻击原语-\textit{BayesImposter}，它指出攻击者可以使用\textit{Bayesian estimation}技术复制云协议的目标控制DLL文件的. dll部分。我们的方法导致更少的内存（即，4 KB与GB相比）和时间（即，13分钟相比小时）相比，蛮力的方法在最近的作品。我们指出，ICS可以表示为状态空间模型，因此，\textit{Bayesian estimation}是一个理想的选择，结合内存去重在云环境中的成功攻击。为了展示\textit{BayesImposter}的实力，我们使用缩小的自动化高架仓库和西门子工业级SIMATIC S7 - 1500 PLC作为目标ICS创建了一个真实的自动化平台。我们证明，\textit{BayesImposter}可以预测注入错误的命令到PLC，可能会导致设备损坏与机器故障的目标ICS。此外，我们表明，\textit{…
2022-10-07 cs.CR
Don't Let One Lie Survive A Hundred Truths: A Selective Bayesian Trust Estimator for Collaborative Perception
The University of Arizona（亚利桑那大学）
针对协同感知中隐蔽单对象攻击，提出选择性两级贝叶斯信任估计器SABER，通过累积和筛选与参考加权Beta状态，提升攻击检测并降低误报率。
2026-10-07 cs.CR
Bayesian Advantage of Re-Identification Attack in the Shuffle Model
School of Computer Science Peking University（北京大学计算机学院）；National Engineering Research Center of Software Engineering Peking University（北京大学软件工程国家工程研究中心）
本文首次系统研究洗牌模型下重识别攻击的贝叶斯优势，推导出成功概率的精确解析表达式与渐近刻画，建立其与总变差距离的紧致互界，并首次给出洗牌差分隐私中攻击成功概率至多为 $e^{\varepsilon}/n$ 的上界。
2025-11-05 cs.CR
Query-Efficient and Scalable Black-Box Adversarial Attacks on Discrete Sequential Data via Bayesian Optimization
Seoul National University（首尔国立大学）
我们专注于对离散序列数据模型进行对抗攻击的问题，在黑盒设置中，攻击者的目标是制作对抗示例，对受害者模型进行有限的查询访问。现有的黑盒攻击，主要是基于贪心算法，发现敌对的例子使用预先计算的关键位置扰动，这严重限制了搜索空间，并可能导致次优的解决方案。为此，我们提出了一个查询高效的黑盒攻击，使用贝叶斯优化，动态计算重要的位置，使用自动相关性确定（ARD）分类内核。当输入序列变长时，我们引入块分解和历史子采样技术来提高贝叶斯优化的可扩展性。此外，我们开发了一个后优化算法，发现具有较小扰动大小的对抗性示例。在自然语言和蛋白质分类任务上的实验表明，与现有的方法相比，该方法具有更高的攻击成功率，查询次数和修改率显著降低.
2022-06-17 cs.CR cs.LG
Bayesian Perspective on Memorization and Reconstruction
Tel Aviv University（特拉维夫大学）；Google Research（谷歌研究）
本文提出数据重构的贝叶斯视角及可防重构攻击的安全定义，指出指纹代码攻击实为成员推理攻击，并证明若仅防重构则 FPC 的不可能性结果不再适用。
2025-05-29 cs.CR cs.LG
Backdoor Attacks on Bayesian Neural Networks using Reverse Distribution
University of Florida（佛罗里达大学）
由于成本和上市时间的限制，许多行业将机器学习模型（ML）的训练过程外包给第三方云服务提供商，通常称为ML-asa-Service（MLaaS）。MLaaS为对手创造了机会，为用户提供后门ML模型，仅在极其罕见的情况下（攻击者选择的）产生不正确的预测。贝叶斯神经网络（BNN）具有固有的免疫力，对后门攻击，因为权重被设计为边际分布，以量化的不确定性。在本文中，我们提出了一种新的后门攻击的基础上有效的学习和有针对性地利用反向分布。本文作出了三个重要贡献。(1)据我们所知，这是第一个后门攻击，可以有效地打破BNN的鲁棒性。(2)当触发器被激活时，我们产生反向分布来抵消原始分布。(3)我们提出了一个有效的解决方案，合并BNN的概率分布。在不同基准数据集上的实验结果表明，我们提出的攻击可以达到100%的攻击成功率（ASR），而最先进的攻击的ASR低于60%。
2022-05-18 cs.AI cs.CR
Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks
Pennsylvania State University（宾夕法尼亚州立大学）；Applied Research Solutions（应用研究解决方案公司）；Air Force Research Lab（空军研究实验室）
贝叶斯神经网络（BNN）与传统的神经网络（TNN）不同，它具有鲁棒性，并且通过引入随机性来处理对抗攻击。这种随机性改善了对不确定性的估计，这是TNN缺乏的一个特征。因此，我们使用多个贝叶斯神经架构研究BNN对白盒攻击的鲁棒性。此外，我们通过融合贝叶斯推理（即，变分贝叶斯）到DenseNet架构和BDAV，通过将这种干预与对抗训练相结合。在CIFAR-10和FGVC-Aircraft数据集上进行了实验。我们使用强大的白盒攻击（$l_\infty$ -FGSM、$l_\infty$ -PGD、$l_2$-PGD、EOT $l_\infty$ -FGSM和EOT $l_\infty$ -PGD）来攻击我们的模型。在所有实验中，至少有一个BNN在对抗攻击场景中优于传统的神经网络。在大多数实验中，经过对抗训练的BNN优于其非贝叶斯的、经过对抗训练的对应物，并且通常具有显著的优势。最后，我们研究了网络校准，发现BNN不会做出过于自信的预测，这证明BNN在测量不确定性方面也更好。
2021-11-16 cs.CR cs.CV cs.LG
Radial Spike and Slab Bayesian Neural Networks for Sparse Data in Ransomware Attacks
University of Wisconsin（威斯康星大学）；Microsoft（微软）；Securonix
勒索软件攻击正以惊人的速度增长，导致巨大的财务损失、不可恢复的加密数据、数据泄露和隐私问题。需要及时检测勒索软件攻击，以尽量减少进一步的损害，特别是在加密阶段。然而，观察到的勒索软件攻击数据的频率和结构使得这项任务在实践中难以完成。与勒索软件攻击相对应的数据表示时间、高维稀疏信号，具有有限的记录和非常不平衡的类别。虽然传统的深度学习模型已经能够在各种领域取得最先进的结果，但贝叶斯神经网络是一类概率模型，更适合勒索软件数据的问题。这些模型将贝叶斯统计的思想与神经网络的丰富表达能力相结合。在本文中，我们提出了径向尖峰和板贝叶斯神经网络，这是一种新型的贝叶斯神经网络，其中包括一个新的形式的近似后验分布。该模型可以很好地扩展到大型架构，并恢复目标函数的稀疏结构。我们提供了一个理论上的理由，使用这种类型的分布，以及计算效率高的方法来执行变分推理。我们在勒索软件攻击的真实数据集上展示了我们模型的性能，并在大量基线上显示了改进，包括最先进的模型，如神经ODE（常微分方程）。此外，我们建议将低级别事件表示为MITRE ATT\&CK策略、技术和程序（TTP），这使得模型能够更好地推广到看不见的勒索软件攻击。
2022-05-29 cs.CR cs.LG
BO-DBA: Query-Efficient Decision-Based Adversarial Attacks via Bayesian Optimization
Stevens Institute of Technology（史蒂文斯理工学院）
基于决策的攻击（DBA）是一种针对深度神经网络（DNN）的严重对抗攻击，攻击者仅通过观察输出标签来扰乱输入以欺骗学习算法，只需要对攻击者的最小知识。最先进的DBA攻击依赖于零阶梯度估计，需要大量的查询。最近，贝叶斯优化（BO）在减少基于分数的攻击（SBA）中的查询数量方面表现出了很大的潜力，在SBA中，攻击者需要观察实值概率分数作为输出。然而，将BO扩展到DBA的设置是不平凡的，因为在DBA中，攻击者只能使用输出标签而不是BO所需的实值分数。在本文中，我们提出了一个有效的DBA攻击，即BO-DBA，关闭这一差距。与现有方法不同，BO-DBA通过搜索所谓的\emph{directions of perturbations}来生成对抗性示例。然后，它制定了一个BO问题，最大限度地减少了扰动的实值失真的问题。通过优化的扰动生成过程，BO-DBA比最先进的DBA技术收敛得更快。在预训练的ImageNet分类器上的实验结果表明，BO-DBA在200个查询内收敛，而最先进的DBA技术需要超过15，000个查询才能达到相同的扰动失真水平。即使与基于BO的SBA攻击相比，BO-DBA也显示出类似的攻击成功率，但失真较小。
2023-01-19 cs.CR cs.LG
ARCANE: Cross-Campaign Attacker Re-identification via Passive Beacon Telemetry -- A Bayesian Network Framework for Longitudinal Cyber Attribution
AI-WEINBERG
本文提出ARCANE框架，通过聚合跨活动被动 telemetry 构建持久攻击者指纹，发现跨活动归因无法完全消除归因模糊性，主要受限于特征空间的结构限制。
2026-04-27 cs.CR
Gradient-Free Adversarial Attacks for Bayesian Neural Networks
Princeton University（普林斯顿大学）；University of Oxford（牛津大学）
对抗性例子的存在强调了理解机器学习模型鲁棒性的重要性。贝叶斯神经网络（BNN），由于其校准的不确定性，已被证明是有利的对抗鲁棒性。然而，当采用近似贝叶斯推理方法时，BNN的对抗鲁棒性仍然没有得到很好的理解。在这项工作中，我们采用无梯度优化方法来寻找BNN的对抗性示例。特别是，我们认为遗传算法，代理模型，以及零阶优化方法，并适应他们的目标，找到对抗性的例子BNN。在对MNIST和Fashion MNIST数据集的实证评估中，我们表明，对于各种近似贝叶斯推理方法，与最先进的基于梯度的方法相比，使用无梯度算法可以大大提高发现对抗性示例的速度。
2020-12-23 cs.CR cs.LG
Bayesian Watermark Attacks
Duke University（杜克大学）
本文提出了一种应用统计机器学习领域的水印。提出了一种新的加性扩频水印攻击模型。该攻击基于贝叶斯统计。我们考虑的情况下，其中的水印信号被反复嵌入在特定的，可能选择的基础上的秘密消息比特流，段（信号）的主机数据。主机信号可以表示来自图像或视频帧的像素块。我们提出了一个概率模型，推断嵌入的消息比特流和水印信号，直接从水印数据，而无需访问解码器。我们开发了一个有效的马尔可夫链蒙特卡罗采样器更新模型参数的共轭全条件后验。我们还提供了一个变分贝叶斯解决方案，这进一步提高了算法的收敛速度。仿真和真实图像信号的实验表明，该攻击模型能够正确地推断出大部分的消息比特流，并获得非常准确的估计的水印信号。
2012-06-18 cs.CR cs.LG cs.MM
A Bayesian Approach to Membership Inference for Statistical Release
Northeastern University（东北大学）；Proof Trading, Inc（Proof Trading公司）；Boston University（波士顿大学）
提出基于贝叶斯网络的成员推断攻击框架，利用属性依赖结构信息，通过概率编程计算后验概率，在复杂依赖结构上优于现有攻击。
2026-05-28 cs.CR cs.PL
Improving Transferability of Adversarial Examples via Bayesian Attacks
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学学院）；Department of Computer Science, University of California, Davis（加州大学戴维斯分校计算机科学系）
本文提出贝叶斯攻击方法，联合多样化模型参数与输入，提高对抗样本可迁移性，在ImageNet和CIFAR-10上达到新的最先进水平。
2025-10-15 cs.CR cs.CV cs.LG
Enhanced Audit Bit Based Distributed Bayesian Detection in the Presence of Strategic Attacks
本文采用了基于审计位的机制，以减轻拜占庭攻击的影响。在此框架下，研究了智能攻击者对传统的基于位的审计方案（TAS）的最优攻击策略，以评估系统的鲁棒性。我们表明，它是可能的智能攻击者降低TAS的性能，系统没有审计位。为了提高系统的鲁棒性存在的智能攻击者，我们提出了一个增强的审计位为基础的计划（EAS）。推导了该方案的最优融合规则，并通过系统的错误概率评估了系统的检测性能。仿真结果表明，所提出的EAS提高了系统的鲁棒性和检测性能。此外，基于EAS，另一种新的方案称为减少审计位为基础的方案（RAS），进一步提高系统的性能。仿真结果表明，RAS在鲁棒性和检测性能方面均优于EAS和TAS。然后，我们提出了一个广域集群为基础的分布式无线传感器网络（CWSNs）的RAS。仿真结果表明，该RAS协议显著降低了传感器与FC之间的通信开销，延长了网络的生存时间。
2021-09-27 cs.CR eess.SP
Dependability Engineering in Isabelle
在本文中，我们介绍了一个过程中的形式化系统开发支持的交互式定理证明在一个专用的Isabelle框架。这个伊莎贝尔基础设施框架实现规范和验证的循环过程中的攻击树分析密切相关的正式细化的规范。这个过程是循环的：在一个重复的迭代中，细化将更多的细节添加到系统规范中。如何找到下一个细化步骤是一个已知的难题：这个问题是通过使用Kripke结构和CTL逻辑的基于攻击的分析来解决的。我们把这个循环过程称为精炼-风险循环（RR-循环）。它最初是为了物联网医疗保健系统的安全和隐私而开发的，但更普遍地适用于安全性，即一般的可靠性。在本文中，我们提出了扩展的伊莎贝尔基础设施框架实现了一个正式的概念，属性保持细化交织攻击树分析的RR周期。该过程说明了规范的发展和隐私分析的移动冠状病毒预警应用程序。
2021-12-08 cs.CR cs.SE
Deep Bayesian Learning for Car Hacking Detection
随着自动驾驶汽车和联网汽车的兴起，汽车配备了各种设备来辅助驾驶员或支持自动驾驶系统。毫无疑问，汽车已经变得越来越智能，因为我们可以在汽车上部署越来越多的设备和软件。因此，汽车中辅助和自动驾驶系统的安全性成为威胁生命的问题，因为智能汽车可能会受到恶意攻击的入侵，从而导致交通事故。目前，规范机器学习和深度学习方法被广泛用于汽车黑客检测。然而，机器学习和深度学习方法很容易被过度自信，并被精心设计的对抗性示例击败。此外，这些方法不能为安全工程师提供进一步分析的解释。在这项工作中，我们研究了深度贝叶斯学习模型来检测和分析汽车黑客行为。贝叶斯学习方法可以捕捉数据的不确定性，避免过度自信的问题。此外，贝叶斯模型可以提供更多的信息来支持预测结果，可以帮助安全工程师进一步识别攻击。我们将我们的模型与深度学习模型进行了比较，结果显示了我们提出的模型的优势。这项工作的代码是公开的
2021-12-17 cs.CR
Adversarial Attacks on Graph Classification via Bayesian Optimisation
University of Oxford（牛津大学）
图神经网络是一种在广泛的基于图的学习任务中有效的流行模型，已被证明容易受到对抗性攻击。虽然大多数文献都集中在节点级分类任务中的这种脆弱性上，但很少有人致力于分析对图级分类的对抗性攻击，这是生物化学和社交网络分析等众多现实应用的一个重要问题。现有的几种方法通常需要不切实际的设置，例如访问受害者模型的内部信息，或者不切实际的大量查询。我们提出了一种新的贝叶斯优化为基础的攻击方法的图分类模型。我们的方法是黑盒，查询效率和吝啬的扰动。我们经验验证了所提出的方法的有效性和灵活性，广泛的图形分类任务，涉及不同的图形属性，约束和攻击模式。最后，我们分析了产生的对抗样本背后的常见可解释模式，这可能会进一步揭示图分类模型的对抗鲁棒性。
2021-11-04 cs.AI cs.CR cs.LG
On the Robustness of Bayesian Neural Networks to Adversarial Attacks
University of Trieste（的里雅斯特大学）；TU Delft University（代尔夫特理工大学）；SISSA, International School of Advanced Studies（国际高等研究学院（SISSA））；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
本文从过参数化极限下的攻击几何出发，证明BNN后验的损失期望梯度消失，从而对基于梯度的对抗攻击具有鲁棒性，并经多数据集实验验证其兼具高准确率与攻击鲁棒性。
2024-02-28 cs.AI cs.CR cs.LG
Bayesian adversarial multi-node bandit for optimal smart grid protection against cyber attacks
Xi'an Jiaotong-Liverpool University（西交利物浦大学）；University of Strathclyde（思克莱德大学）；University of New South Wales（新南威尔士大学）
智能电网的网络安全已成为发展可靠的现代电力和能源系统的关键问题之一。本文介绍了一种非平稳的对抗成本与变化约束的智能电网，使我们能够在一个相对实际的情况下，研究最佳的智能电网保护免受网络攻击的问题。特别地，构造了一个具有对抗成本的贝叶斯多节点强盗（MNB）模型，并定义了一个新的后悔函数。提出了一种求解该问题的算法-通过算例验证了该算法在实际智能电网中的适用性和性能。
2021-02-20 cs.CR cs.LG cs.SY
SRCLock: SAT-Resistant Cyclic Logic Locking for Protecting the Hardware
在本文中，我们声称，循环混淆，正确实施时，SAT或CycSAT攻击的指数复杂度。为了生成必要的循环避免子句，CycSAT使用预处理步骤。我们表明，这个预处理步骤必须在网表中的所有周期上组成其周期避免条件，否则，丢失的周期可能会使SAT求解器陷入无限循环或迫使其返回错误的密钥。然后，我们提出了几种技术，通过这些技术，周期的数量相对于插入反馈的数量呈指数级增加。我们进一步说明，当反馈的数量增加时，CycSAT的预处理步骤面临的复杂性和运行时间的指数增加，防止正确的组成循环避免条款在合理的时间调用SAT求解器之前。另一方面，如果预处理没有正确完成，SAT求解器将卡住或返回错误的密钥。因此，当根据本文中提出的条件实现循环混淆时，即使使用CycSAT解决方案，它也会相对于插入反馈的数量施加指数复杂度。
2018-04-24 cs.CR
Dynamic Risk Assessment by Bayesian Attack Graphs and Process Mining
DIETI University of Naples Federico II（那不勒斯费德里科二世大学DIETI部门）；Department of Engineering University Campus Bio-Medico of Rome（罗马生物医学大学工程学院）
本文结合贝叶斯攻击图与过程挖掘技术，动态评估系统漏洞被利用的可能性，通过分析网络流量检测漏洞利用行为，更新概率表以实现风险评估。
2026-04-20 cs.CR cs.LG cs.NI
Asymptotic Analysis of Distributed Bayesian Detection with Byzantine Data
在这封信中，我们考虑的问题，分布式贝叶斯检测的数据伪造拜占庭在网络中的存在。分布式检测的问题被制定为一个二进制假设检验在融合中心（FC）的基础上发送的传感器的1位数据。采用自相关信息作为性能度量，研究了系统在拜占庭攻击下的检测性能。得到了拜占庭人致盲FC所需的最小攻击力的表达式。更具体地说，我们表明，在一定比例的拜占庭攻击者在网络中，检测方案变得完全无法利用传感器数据进行检测。当拜占庭的分数是不足以盲目的FC，我们也提供了封闭形式的表达式的最佳攻击策略的拜占庭，最降低检测性能。
2014-08-14 cs.CR cs.GT stat.AP
Investigating the Effectiveness of Bayesian Spam Filters in Detecting LLM-modified Spam Mails
本研究评估SpamAssassin对GPT-3.5 Turbo修改的垃圾邮件的检测能力，发现其误分类率高达73.7%，而字典替换攻击成功率仅0.4%，突显了LLM修改垃圾邮件的严重威胁及改进过滤器的必要性。
2024-08-26 cs.CR
Trading Devil: Robust backdoor attack via Stochastic investment models and Bayesian approach
INRS-EMT, University of Québec（INRS-EMT大学）
针对音频后门攻击，提出基于随机投资模型与贝叶斯方法的MarketBack攻击，通过操纵音频风格属性，在污染少于1%训练数据时，对七个模型实现近100%攻击成功率。
2025-04-23 cs.CR cs.LG q-fin.CP
Assessment of System-Level Cyber Attack Vulnerability for Connected and Autonomous Vehicles Using Bayesian Networks
Benedict College（本尼迪克特学院）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Clemson University（克莱姆森大学）
本研究提出了一种方法来量化网络攻击的脆弱性及其影响的基础上概率图形模型的智能交通系统下连接和自动驾驶汽车的框架。基于选定的性能指标，计算智能信号和协同自适应巡航控制（CACC）应用的各种类型的网络攻击漏洞及其影响。数值算例表明，在平均交叉口排队长度，停车次数，平均速度和延误方面的脆弱性的影响。在具有和不具有冗余系统的信号化网络中，脆弱性可分别使平均队列和延迟增加$3\%$和$15\%$以及$4\%$和$17\%$。对于CACC应用，当少量速度信息被扰动时，影响水平平均达到$50\%$延迟差。当攻击者插入显著不同的速度特性时，延迟差增加到超过正常业务条件的$100\%$。
2020-11-18 cs.AI cs.CR cs.SY
Asymptotic Security using Bayesian Defense Mechanism with Application to Cyber Deception
本文将攻防动态决策建模为随机信号博弈，证明贝叶斯防御机制在均衡下可渐近识别攻击或迫使系统恢复正常，并据此提出漏洞非对称认知下的防御性欺骗方法。
2023-12-07 cs.CR cs.GT cs.SY
The last Dance : Robust backdoor attack via diffusion models and bayesian approach
INRS-EMT, University of Québec（INRS-EMT大学）
本文提出一种名为BacKBayDiffMod的后门攻击方法，利用扩散模型和贝叶斯方法投毒音频Transformer的训练数据，实现对Hugging Face音频模型的有效攻击。
2025-04-20 cs.AI cs.CR cs.LG
Efficient Attack Graph Analysis through Approximate Inference
Imperial College London（帝国理工学院）
攻击图提供了攻击路径的紧凑表示，攻击者可以通过分析网络漏洞和拓扑来破坏网络资源。这些表示是安全风险评估的有力工具。攻击图上的贝叶斯推理能够估计系统组件在给定其漏洞和互连的情况下受到危害的风险，并解释通过系统传播的多步攻击。静态分析考虑静止状态下的风险状态，而动态分析也考虑了危害的证据，例如来自SIEM软件或法医调查的证据。然而，在这种情况下，精确的贝叶斯推理技术不能很好地扩展。在本文中，我们将展示如何循环的信念传播-一种近似推理技术-可以应用到攻击图，它的静态和动态分析的节点数线性缩放，使这种分析适用于更大的网络。我们在具有数千个节点的合成贝叶斯攻击图上进行了不同拓扑结构和网络聚类的实验，结果表明该算法的准确性是可以接受的，并且收敛到稳定的解决方案。我们比较了顺序和并行版本的循环信念传播与精确推理技术的静态和动态分析，近似推理技术的优势，规模更大的攻击图。
2016-06-22 cs.AI cs.CR stat.ML
Adv-BNN: Improved Adversarial Defense through Robust Bayesian Neural Network
UCLA（加州大学洛杉矶分校）；UC Davis（加州大学戴维斯分校）
我们提出了一种新的算法来训练一个强大的神经网络对抗对抗攻击。我们的算法是由以下两个想法的动机。首先，尽管最近的工作已经证明融合随机性可以提高神经网络的鲁棒性（Liu 2017），但我们注意到，盲目地向所有层添加噪声并不是引入随机性的最佳方式。相反，我们在贝叶斯神经网络（BNN）的框架下对随机性进行建模，以可扩展的方式正式学习模型的后验分布。其次，我们制定了BNN的最小-最大问题，学习最好的模型分布下对抗攻击，导致一个对抗训练贝叶斯神经网络。实验结果表明，该算法在强攻击下具有较好的性能。在具有VGG网络的CIFAR-10上，与对抗训练（Madry 2017）和随机自集成（Liu 2017）相比，在具有$0.035$失真的PGD攻击下，我们的模型的准确率提高了14%，并且在ImageNet的子集上差距变得更大。
2019-05-04 cs.AI cs.CR cs.LG
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
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
Efficient Black-box Adversarial Attacks via Bayesian Optimization Guided by a Function Prior
Tsinghua University（清华大学）；JQ Investments（JQ投资）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）；RealAI；Kaiyuan International Mathematical Sciences Institute（开源国际数学科学研究院）
本文提出先验引导的贝叶斯优化（P-BO）算法，利用替代白盒模型作为全局函数先验来提升黑盒对抗攻击的查询效率，并通过自适应集成策略优化先验权重，显著减少了查询次数并提高了攻击成功率。
2024-05-29 cs.AI cs.CR cs.CV
Trading Devil Final: Backdoor attack via Stock market and Bayesian Optimization
INRS-EMT, University of Québec（INRS-EMT大学）
本文提出基于声学数据投毒和股票市场模型的MarketBackFinal 2.0后门攻击，利用贝叶斯优化揭示语音Transformer依赖LLM时的潜在安全漏洞。
2025-04-23 cs.CR cs.LG q-fin.CP
Cyclic Denoising Reveals Ultrastable Memories in Diffusion Models
Simons Center for Computational Physical Chemistry, New York University（纽约大学西蒙斯计算物理化学中心）；Center for Soft Matter Research, Department of Physics, New York University（纽约大学物理系软物质研究中心）；Center for Neural Science, New York University（纽约大学神经科学中心）；Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）
提出循环去噪方法，通过重复正向和反向扩散暴露扩散模型中的记忆化训练图像，无需梯度或提示，揭示超稳定吸引子及其隐私与版权影响。
2026-06-24 cond-mat.dis-nn cs.CR cs.CV
Distributed Bayesian Detection with Byzantine Data
在本文中，我们考虑的问题，分布式贝叶斯检测在网络中的拜占庭的存在。假设网络中的一部分节点受到攻击并被对手重新编程，向融合中心（FC）发送错误信息，从而降低检测性能。分布式检测的问题制定为一个二元假设检验在FC的基础上发送的传感器的1位数据。得到了拜占庭人致盲FC所需的最小攻击力的表达式。更具体地说，我们表明，在一定比例的拜占庭攻击者在网络中，检测方案变得完全无法利用传感器数据进行检测。我们分析了不同的攻击方案下的问题，并得出不同的非渐近情况下的结果。据发现，现有的渐近为基础的结果不持有几个非渐近的情况下。当拜占庭的分数是不足以盲目的FC，我们也提供了封闭形式的表达式的最佳攻击策略的拜占庭，最降低检测性能。
2014-09-03 cs.CR cs.DC cs.GT
Quasi-twisted codes: decoding and applications in code-based cryptography
本文针对准扭转码缺乏高效译码算法的问题，提出基于伴随式的译码方法并形式化最小距离下界，进而构造出抗经典与量子攻击的类Niederreiter密码系统。
2025-07-01 cs.CR cs.IT math.IT
Early detection of the advanced persistent threat attack using performance analysis of deep learning
University of Birjand（比尔詹德大学）；Mazandaran University of Science and Technology（马赞达兰科技大学）；Duy Tan University（维新大学）；National Yunlin University of Science and Technology（国立云林科技大学）；Obuda University（欧布达大学）；Norwegian University of Life Sciences（挪威生命科学大学）；Technische Universität Dresden（德累斯顿工业大学）；J. Selye University（J.塞利耶大学）
对受害者系统最常见和最重要的破坏性攻击之一是高级持续威胁（APT）攻击。APT攻击者可以通过获取有关网络基础设施的信息和获得经济利益来实现其敌对目标。检测秘密APT攻击的解决方案之一是使用网络流量。由于APT攻击在网络上存在很长时间的性质，以及网络可能因高流量而崩溃的事实，很难检测到这种类型的攻击。因此，在这项研究中，机器学习方法，如C5.0决策树，贝叶斯网络和深度神经网络用于及时检测和分类的NSL-KDD数据集上的APT攻击。此外，采用10折交叉验证法对模型进行了验证。其结果是，C5.0决策树、贝叶斯网络和6层深度学习模型的准确率（ACC）分别为95.64%、88.37%和98.85%，并且，在假阳性率（FPR）的重要标准方面，C5.0决策树的FPR值，贝叶斯网络和6层深度学习模型分别为2.56、10.47和1.13。实验结果表明，与其他分类模型相比，具有自动多层特征提取功能的深度学习模型在及时检测APT攻击方面具有最佳性能。
2020-09-19 cs.CR cs.LG stat.ML
SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning
Independent Research（独立研究者）
SuperLocalMemory通过本地化存储和贝叶斯信任评分，实现隐私保护的多智能体记忆系统，有效防御内存中毒攻击，提升检索性能。
2026-02-17 cs.AI cs.CR
CENSOR: Defense Against Gradient Inversion via Orthogonal Subspace Bayesian Sampling
Purdue University（普渡大学）；IBM Research（IBM研究院）
针对联邦学习中梯度反演攻击泄露私有数据的问题，提出一种针对大型神经网络模型的防御方法CENSOR，通过在正交子空间内利用冷后验扰动梯度，在防御攻击的同时保持模型效用。
2025-01-27 cs.CR cs.LG
Who's Afraid of Thomas Bayes?
Drexel University（德雷塞尔大学）；Rapid7（Rapid7公司）
在许多情况下，神经网络在测试数据上表现良好，但倾向于高估其对分布外数据的信心。这导致了贝叶斯神经网络的采用，它可以更好地捕捉不确定性，因此更准确地反映模型的置信度。对于机器学习安全研究人员来说，这就提出了一个自然的问题，即贝叶斯模型如何影响模型的安全性。在这项工作中，我们探讨了贝叶斯主义和两种安全措施之间的相互作用：模型隐私和对抗鲁棒性。我们证明了贝叶斯神经网络更容易受到一般的成员推断攻击，但至少与对抗性示例的非贝叶斯对应物一样鲁棒。
2021-07-30 cs.CR cs.LG
LiBRe: A Practical Bayesian Approach to Adversarial Detection
Tsinghua University（清华大学）；RealAI（瑞莱智慧）
尽管具有吸引人的灵活性，但深度神经网络（DNN）在对抗性示例中很脆弱。已经提出了各种对抗性防御策略来解决这个问题，但由于在通用性、有效性或效率上无法克服的妥协，它们通常表现出有限的实用性。在这项工作中，我们提出了一种更实用的方法，轻量级贝叶斯细化（LibRe），在利用贝叶斯神经网络（BNN）的对抗检测的精神。在贝叶斯原则下的任务和攻击不可知建模的支持下，LibRe可以以低成本赋予各种预训练的任务相关DNN防御异构对抗攻击的能力。我们开发并集成了先进的学习技术，使LibRe适合对抗检测。具体来说，我们构建了少层深度集成变分，并采用预训练和微调工作流程来提高LiBRe的有效性和效率。我们进一步提供了一种新的见解，以实现面向对抗检测的不确定性量化，而不会在训练过程中低效地制作对抗性示例。涵盖广泛场景的大量实证研究验证了LibRe的实用性。我们还进行了彻底的消融研究，以证明我们的建模和学习策略的优越性。
2021-05-31 cs.CR cs.CV cs.LG
Bayesian Models Applied to Cyber Security Anomaly Detection Problems
网络安全是全球所有个人，组织和政府的重要关注点。网络攻击变得比以往任何时候都更加复杂，频繁和危险，传统的异常检测方法在处理这些新类型的网络威胁时已被证明不太有效。为了解决这个问题，经典和贝叶斯模型都提供了一个有效的和创新的替代传统的基于签名的方法，激发了越来越多的兴趣，统计研究，它已被观察到，在最近几年。在这篇评论中，我们提供了一些典型的网络安全挑战，典型的数据类型和统计方法的描述，特别注意贝叶斯方法，这些问题。
2021-06-03 cs.CR math.ST stat.TH
Bayesian-Guided Cooperative RL Beamforming for Wireless Adversarial User Detection
Technische Universität Dortmund（多特蒙德工业大学）
研究下一代无线网络中通信系统需求，提出基于3GPP系统模型，用穷举搜索确定最佳波束成形配置，在有攻击者和不同网络条件下评估。结果显示基于强化学习的方法优于随机选择，Q学习在检测准确率和计算效率间权衡最佳，为无线环境提供有效决策方案。
2026-09-30 cs.CR cs.IT math.IT
Protecting Classifiers From Attacks
Komorebi AI Technologies（Komorebi人工智能技术公司）；Institute of Mathematical Sciences (ICMAT-CSIC)（数学科学研究所（ICMAT-CSIC））
针对分类器易受恶意攻击的问题，提出基于对抗性风险分析的贝叶斯决策框架，通过近似贝叶斯计算模拟攻击者行为，并实现训练阶段的可扩展方法，以增强分类算法的鲁棒性。
2025-07-09 cs.CR cs.LG stat.CO
Method for Extracting Patterns of Coordinated Network Attacks on Electric Power CPS based on Temporal-Topological Correlation
在分析电力网络物理系统（CPS）的协同攻击时，难以还原完整的攻击路径，且无法自动识别攻击意图。提出了一种基于时间-拓扑相关性的电力CPS协同攻击模式提取方法。首先，根据网络空间的告警日志对攻击事件进行聚合，提出一种基于时间因果贝叶斯网络的网络攻击识别算法，解析出同一攻击者的网络攻击序列。然后，根据不同攻击测量数据在物理空间的特征曲线，设计了一种组合物理攻击事件判据算法，用于区分物理攻击事件的类型。最后，通过时间-拓扑关联将物理攻击事件和网络攻击序列进行匹配，提取攻击序列的频繁模式，并从分散的网格测量数据和报警日志信息中发现隐藏的多步攻击模式。密西西比州立大学的实验平台验证了该方法的有效性和效率。
2020-03-23 cs.CR cs.SY eess.SY
