TurboFuzzLLM: Turbocharging Mutation-based Fuzzing for Effectively Jailbreaking Large Language Models in Practice
Amazon Web Services, USA（亚马逊网络服务（美国））
本文提出TurboFuzzLLM，一种基于变异的模糊测试方法，通过自动生成有效越狱模板，在主流大语言模型上实现≥95%的攻击成功率，并提升模型对提示攻击的防御能力。
2025-06-04 cs.AI cs.CL cs.CR
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
No Attack Required: Semantic Fuzzing for Specification Violations in Agent Skills
University of California, San Diego（加州大学圣迭戈分校）
本文提出Sefz框架，通过语义模糊测试发现代理技能中的规范违规问题，揭示了安全规则漏洞对用户信任的影响。
2026-05-13 cs.AI cs.CR
PROMPTFUZZ: Harnessing Fuzzing Techniques for Robust Testing of Prompt Injection in LLMs
Northwestern University（西北大学）；University of the Chinese Academy of Sciences（中国科学院大学）
本文提出 PROMPTFUZZ 框架，利用模糊测试技术系统评估大型语言模型抵御提示注入攻击的鲁棒性，在真实竞赛中取得前 0.14% 的成绩，并构建数据集微调模型，揭示了持续进行鲁棒性测试的重要性。
2025-04-03 cs.AI cs.CR
Consumer UAV Cybersecurity Vulnerability Assessment Using Fuzzing Tests
本文针对消费级无人机网络安全问题，提出基于FTP关键字模糊测试和多端口大规模数据包注入的漏洞评估方法，并在Parrot Bebop 2上验证了对GPS、视频、操控、电机和传感器的影响，同时讨论了相应防御对策。
2020-08-09 cs.CR cs.CY
Ambusher: Exploring the Security of Distributed SDN Controllers Through Protocol State Fuzzing
针对分布式SDN控制器协议的安全问题，提出基于协议状态模糊测试的工具Ambusher，通过提取简化状态机高效发现攻击场景，并在真实SD-WAN部署中识别出6个潜在漏洞。
2025-10-17 cs.CR cs.NI
TEMPLATEFUZZ: Fine-Grained Chat Template Fuzzing for Jailbreaking and Red Teaming LLMs
School of Computer Software（计算机软件学院）；Tianjin University（天津大学）；Monash University（墨尔本大学）
本文提出TEMPLATEFUZZ框架，通过细粒度模糊测试揭示大语言模型聊天模板的漏洞，实现高攻击成功率的同时保持模型准确性，优于现有方法。
2026-04-14 cs.AI cs.CR cs.SE
AI Code Sandboxes: A Comparative Security Study. Part 1 of 2 -- Engine-Level Properties (Attack Surface, Leakage, Stackability, CVE History, Patch Cadence, Fuzzing)
orbitalab.dev（orbitalab实验室）；fellows.tech（fellows技术）
本文通过六项引擎级测量，比较五种 AI 沙箱产品隔离访客代码与主机内核的能力，发现引擎类在架构轴上清晰分离，但产品内无差异；补丁策略是主要操作变量；模糊测试投资分为三层，最强组合（微VM × 持续公共模糊测试）空缺。
2026-06-07 cs.AI cs.CR
OrchJail: Jailbreaking Tool-Calling Text-to-Image Agents by Orchestration-Guided Fuzzing
Institute of Software, Chinese Academy of Sciences, Beijing, China；Science \& Technology on Integrated Information System Laboratory, Beijing, China；State Key Laboratory of Complex System Modeling；University of Chinese Academy of Sciences, Beijing, China
研究提出OrchJail框架，通过协调引导的模糊测试方法提升对工具调用文本到图像代理的劫持效果，实现更高的攻击成功率和图像质量，同时降低查询成本。
2026-05-08 cs.AI cs.CR cs.MA
CatchBackdoor: Backdoor Detection via Critical Trojan Neural Path Fuzzing
School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Institute of Cyberspace Security, Zhejiang University of Technology（浙江工业大学网络空间安全研究院）
针对现有后门检测对触发器大小敏感且依赖良性样本的问题，提出CatchBackdoor方法，通过差分模糊测试从良性路径逼近木马路径并逆向触发器，在多个数据集和模型上显著提升隐蔽攻击检测性能。
2024-07-17 cs.AI cs.CR cs.CV
MALF: A Multi-Agent LLM Framework for Intelligent Fuzzing of Industrial Control Protocols
针对工业控制协议漏洞挖掘需求，本文提出融合RAG与QLoRA微调的多智能体LLM模糊测试框架MALF，在多协议测试及真实电厂靶场中表现优于传统方法，可高效发现高危漏洞。
2025-10-03 cs.CR
MulCovFuzz: A Multi-Component Coverage-Guided Greybox Fuzzer for 5G Protocol Testing
Swinburne University of Technology（斯威本科技大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）
MulCovFuzz通过多组件覆盖引导机制提升5G协议测试效率，发现多个零日漏洞。
2026-02-25 cs.CR
HeisenTrojans: They Are Not There Until They Are Triggered
该研究提出HeisenTrojan新型硬件攻击，利用EDA工具自身软件漏洞在其宿主系统部署恶意载荷、执行任意代码，实验显示83%受测EDA工具存在可利用漏洞，凸显了加固EDA工具安全的紧迫性。
2023-12-20 cs.CR
Leveraging Textual Specifications for Grammar-based Fuzzing of Network Protocols
Purdue University（普渡大学）；Northeastern University（东北大学）
基于语法的模糊检测是一种通过注入格式良好的输入来发现软件漏洞的技术，所述格式良好的输入是根据对应用程序语义进行编码的规则生成的。大多数用于网络协议的基于语法的模糊器依赖于人类专家来手动指定这些规则。在这项工作中，我们研究自动学习的协议规则，从文本规范（即RFC）。我们评估自动提取的协议规则，将它们应用到一个国家的最先进的模糊器的传输协议，并表明它会导致一个较小的测试用例的数量，同时找到相同的攻击系统，使用手动指定的规则。
2018-10-10 cs.CL cs.CR cs.NI
Service-Fingerprinting mittels Fuzzing
服务指纹识别（即识别网络服务和计算系统上的其他应用程序）是渗透测试的重要组成部分。本文的主要贡献是对指纹识别工具的改进进行了研究。通过应用基于变异的模糊化作为指纹生成方法，可以识别响应消息中的细微差异。响应消息中的这些差异提供了区分和识别网络服务的手段。为了证明该方法的可行性，实现了一个指纹工具的ftp服务器，并与现有的指纹工具。作为这项研究的结果，它表明，基于突变的模糊是一个适当的方法，服务指纹，甚至提供了优于先前存在的方法。
2014-03-04 cs.CR cs.NI
The HTTP Garden: Discovering Parsing Vulnerabilities in HTTP/1.1 Implementations by Differential Fuzzing of Request Streams
针对HTTP/1.1解析差异漏洞，提出HTTP Garden系统，结合源服务器与网关服务器分析及覆盖引导差分模糊测试，发现并报告超100个解析错误，其中68个已修复。
2024-05-28 cs.CR cs.NI
FieldFuzz: In Situ Blackbox Fuzzing of Proprietary Industrial Automation Runtimes via the Network
本文提出FieldFuzz框架，通过网络对Codesys运行时进行黑盒模糊测试，结合逆向工程、命令发现和系统内监控，发现了多个漏洞（3个CVE），并在多种ICS设备上验证了其跨平台有效性和对现有技术的显著改进。
2023-07-31 cs.CR
Protocol-Aware Firmware Rehosting for Effective Fuzzing of Embedded Network Stacks
提出名为Pemu的协议感知型固件重托管方法，通过自动推断网络协议并生成有效数据包，使模糊测试输入直达固件深层逻辑，提升了现有工具代码覆盖率并发现多个深层漏洞。
2025-09-17 cs.CR
Not All Tokens Are Created Equal: Query-Efficient Jailbreak Fuzzing for LLMs
Shandong University（山东大学）
本文提出TriageFuzz框架，通过分析标记贡献差异，提升jailbreak攻击效率，实验显示在减少查询次数的情况下，攻击成功率显著提高。
2026-03-24 cs.AI cs.CR cs.LG
ConFuzzius: A Data Dependency-Aware Hybrid Fuzzer for Smart Contracts
智能合约是在区块链上执行的图灵完备程序。与传统程序不同，一旦部署，它们就无法修改。随着智能合约的价值越来越高，它们成为攻击者的一个令人兴奋的目标。在过去的几年里，由于简单的编程错误，他们遭受了数百万美元的攻击。因此，已经提出了用于检测错误的各种工具。这些工具中的大多数依赖于符号执行，这可能会由于过度近似而产生误报。最近，许多模糊器被提出来检测智能合约中的错误。然而，这些方法在查找浅层bug时更有效，而在查找深层执行中的bug时效果较差，因此实现了低代码覆盖率和许多假阴性。一种在传统程序中被证明可以取得良好效果的替代方法是混合模糊，它是符号执行和模糊的组合。在这项工作中，我们研究了智能合约的混合模糊，并提出了ConFuzzius，第一个智能合约的混合模糊器。ConFuzzius使用进化模糊来执行智能合约的浅层部分和约束求解，以生成满足复杂条件的输入，从而阻止进化模糊探索更深层的部分。此外，ConFuzzius利用动态数据依赖性分析来有效地生成更有可能导致隐藏错误的合同状态的事务序列。我们通过将ConFuzzius与最先进的智能合约符号执行工具和模糊器进行比较来评估其有效性。我们对128个合同和21K个真实合同的策划数据集进行了评估，结果表明，我们的混合方法检测到更多的错误（高达23%），同时在代码覆盖率方面优于最先进的方法（高达69%），并且数据依赖性分析将错误检测提高了18%。
2021-03-10 cs.CR
SynFuzz: Leveraging Fuzzing of Netlist to Detect Synthesis Bugs
SynFuzz提出一种面向门级网表的硬件模糊测试方法，通过门级覆盖率指标和差分模糊测试检测综合缺陷与EDA库恶意行为，在开源处理器和IP上发现7个新缺陷，并实现可绕过传统验证的CLiMA攻击，超越Cadence Conformal的验证能力。
2025-11-06 cs.AR cs.CR
No Peer, no Cry: Network Application Fuzzing via Fault Injection
本文提出 Fuzztruction-Net，通过故障注入使通信对等端进入异常状态而非修改消息，首次有效测试客户端网络应用，在 16 个目标中发现 23 个新缺陷，优于现有模糊测试器。
2024-09-02 cs.CR
Formal-Guided Fuzz Testing: Targeting Security Assurance from Specification to Implementation for 5G and Beyond
本研究提出形式化引导的模糊测试方法，结合形式化验证与模糊测试的优势，分层检测5G协议到软件栈的漏洞，在srsRAN平台发现61个漏洞，将计算成本从指数增长降为线性增长。
2023-07-20 cs.CR
Fuzzing Processing Pipelines for Zero-Knowledge Circuits
本文提出首个针对零知识电路处理流水线的系统性模糊测试技术，基于蜕变测试预言检测逻辑漏洞，实现为开源工具Circuzz，在4个不同ZK流水线中发现16个漏洞，其中15个已被修复。
2024-11-04 cs.CR cs.PL cs.SE
Applying recent secure element relay attack scenarios to the real world: Google Wallet Relay Attack
本报告解释了非接触式智能卡和安全元件上的中继攻击的最新发展。它进一步揭示了这些中继攻击如何应用于Google钱包。最后，它给出了一个成功尝试的组件和结果的概述中继EMV Mag-Stripe交易之间的谷歌钱包设备和外部卡模拟器通过无线网络。
2013-03-25 cs.CR
ROSA: Finding Backdoors with Fuzzing
本文提出ROSA方法与工具，结合AFL++和新型蜕变测试预言机检测运行时后门触发，并构建ROSARUM基准，实验表明其可自动、快速发现全部17个后门。
2025-05-13 cs.CR cs.SE
StateAFL: Greybox Fuzzing for Stateful Network Servers
模糊网络服务器是一项技术挑战，因为目标服务器的行为取决于其在多个消息序列中的状态。现有的解决方案成本高昂且难以使用，因为它们依赖于手动定制的工件，如协议模型、协议解析器和学习框架。这项工作的目的是开发一个灰盒模糊器（StateaAFL）的网络服务器，只依赖于轻量级的分析的目标程序，没有手动定制，以类似的方式实现无状态程序的AFL模糊。建议模糊仪器的目标服务器在编译时，插入探针的内存分配和网络I/O操作。在运行时，它通过获取长期内存区域的快照，并通过应用模糊哈希算法（局部敏感哈希）将内存内容映射到唯一的状态标识符，来推断目标服务器的当前协议状态。模糊器逐步建立一个协议状态机，用于指导模糊。我们实现并发布了StateaAFL作为开源软件。作为可重复实验的基础，我们将StateaAFL与一系列流行协议的网络服务器集成在一起，无需手动定制以适应协议。实验结果表明，模糊器可以适用于一个大的网络服务器上流行的协议，没有手动定制，它可以实现可比的，甚至更好的代码覆盖率和错误检测比定制的模糊。此外，我们的定性分析表明，从内存推断的状态更好地反映服务器的行为，而不是只使用响应代码的消息。
2022-10-04 cs.CR cs.OS cs.SE
Verifying Software Vulnerabilities in IoT Cryptographic Protocols
物联网（IoT）是由大量智能设备通过网络连接而成的系统。这些设备的数量正在迅速增加，这创建了一个庞大而复杂的网络，其中包含通过该网络传输的大量数据。一种在传输中保护此数据的方法，即，实现数据机密性的方法是对物联网协议使用轻量级加密算法。然而，这种协议的设计和实现是一项容易出错的任务;实现中的缺陷可能导致破坏性的安全漏洞。攻击者可以利用这些漏洞并影响用户的隐私。存在各种技术来验证软件和检测漏洞。有界模型检验（BMC）和Fuzzing是检验软件系统规范正确性的有效技术。在这里，我们描述了一个框架，称为加密BMC和Fuzzing（EBF）使用组合BMC和Fuzzing技术。我们评估了EBF验证框架的应用案例研究，即，S-MQTT协议，用于检查物联网加密协议中的安全漏洞。
2020-01-27 cs.CR cs.SE
Identification of Bugs and Vulnerabilities in TLS Implementation for Windows Operating System Using State Machine Learning
Defence R & D Organisation（国防研究与发展组织）；Scientific Analysis Group（科学分析小组）
TLS协议是Internet安全通信的重要组成部分。在过去，许多攻击已被确定的协议。大多数攻击是由于协议实现中的缺陷。这些缺陷是由于程序员对程序逻辑的设计和实现不当造成的。TLS的一个广泛使用的实现是SChannel，它从一开始就用于Windows操作系统。我们已经使用协议状态模糊识别脆弱的和不希望的状态转换中的状态机的SChannel的各种版本的协议。客户端和服务器组件已经使用这种技术进行了彻底的分析，并在实现中发现了各种缺陷。在特定情况下利用这些漏洞可能会导致严重的攻击，从而破坏安全通信。本文分析了SChannel库中TLS协议实现的状态机模型，并描述了这些模型中的弱点和设计缺陷，发现使用协议状态模糊。
2019-02-20 cs.CR cs.LG cs.NI
Dishing Out DoS: How to Disable and Secure the Starlink User Terminal
卫星用户终端对于试图瞄准卫星通信网络的对手来说是有希望的目标。尽管如此，在地面路由器中常见的许多保护在一些用户终端中不存在。作为一个案例研究，我们审计的Starlink路由器的管理界面的攻击面，使用模糊发现Starlink用户终端上的拒绝服务攻击。我们探讨了攻击的影响，特别是在驾车攻击者的情况下，攻击者能够保持在网络上的持续存在。最后，我们讨论了更广泛的影响，看看在地面路由器安全的经验教训，以及如何正确地实施他们在这个新的背景下。
2023-03-08 cs.CR cs.NI
Towards Identifying Human Actions, Intent, and Severity of APT Attacks Applying Deception Techniques -- An Experiment
高级持续性威胁（APT）的攻击已被证明是很难检测使用传统的签名和基于异常的入侵检测方法。诱饵对象（通常称为蜂蜜项目）等欺骗技术可以用于入侵检测和攻击分析，为检测APT行为提供了一种替代方案。这项工作探索了使用蜂蜜项目来分类入侵交互，将自动化攻击与那些需要一些人类推理和交互来检测APT的攻击区分开来。在虚拟蜂蜜网络中的蜜罐上部署多个诱饵项目，其中一些作为面包屑来检测结构化手动攻击的迹象。监控功能是围绕Elastic Stack创建的，其中创建了一个Kibana仪表板来显示与各种蜂蜜项目的交互。APT类型的手动入侵由经验丰富的渗透测试从业者进行模拟攻击。与蜂蜜项目的相互作用进行评估，以确定其是否适合区分自动化工具和直接人工干预。结果表明，可以区分自动攻击和手动结构化攻击;从与蜂蜜项目的交互性质。在蜜罐中发现的蜂蜜项目的使用，例如在结构化攻击的后面部分中，已经被证明在手动攻击的分类中是成功的，以及在提供攻击的严重性的指示方面是成功的
2020-06-02 cs.CR
Osiris: Automated Discovery of Microarchitectural Side Channels
在过去的几年里，在CPU上发现了一系列的侧通道。这些侧信道已被用于强大的攻击，例如，在加密实现上，或作为瞬态执行攻击（如Spectre或Meltdown）的构建块。然而，在许多情况下，发现侧通道仍然是一个繁琐的手动过程。在本文中，我们提出了Osiris，一个基于模糊的框架，自动发现微架构侧通道。基于CPU ISA的机器可读规范，Osiris生成并行序列三元组，并自动测试它们是否形成基于时序的侧通道。此外，Osiris评估了它们作为瞬时执行攻击中的侧通道的可用性，即，像幽灵党这样的攻击的微架构编码。总的来说，我们在Intel和AMD CPU上发现了四个新颖的基于时序的侧通道。基于这些侧通道，我们展示了三个案例研究中的剥削。我们表明，我们的微架构KASLR打破使用非临时负载，FlushConflict，甚至在新的英特尔冰湖和彗星湖微架构。我们提出了一个跨核跨虚拟机隐蔽通道，不依赖于内存子系统，传输高达1 kbit/s。我们在AWS云上演示了这个通道，表明它是隐身和抗噪的。最后，我们演示了Stream+ Quad，这是一种用于瞬时执行攻击的隐蔽通道，平均允许在瞬时窗口内泄漏7.83字节，改进了最多仅泄漏3字节的最新攻击。
2021-06-07 cs.CR
Real-Time Zero-Day Intrusion Detection System for Automotive Controller Area Network on FPGAs
Trinity College Dublin（都柏林圣三一大学）
针对汽车CAN总线未知攻击实时检测难题，提出仅用良性数据训练的无监督卷积自编码器，并在Zynq Ultrascale上量化部署，实现99.5%以上准确率与0.43 ms线速检测。
2024-01-19 cs.CR cs.LG cs.SY
Cross-Service Token: Finding Attacks in 5G Core Networks
本研究提出FivGeeFuzz，一种基于语法的模糊测试框架，用于发现5G核心网络SBI中的安全漏洞，并在free5GC中发现8个新漏洞，包括严重的跨服务令牌攻击。
2025-09-10 cs.CR
Improving Homograph Attack Classification
视觉同形异义词攻击是一种攻击者通过利用与真实域名相似的伪造域名来欺骗Web用户访问的域名的方式。T. Thao等人（IFIP SEC'19）通过对从基于单个字符的结构相似性指数（SSIM）提取的特征应用常规监督学习算法提出了同形异义词分类。本文旨在提高分类精度相结合的SSIM特征与199个特征提取的N-gram模型和应用先进的集成学习算法。实验结果表明，我们提出的方法可以提高1.81%的准确率，降低2.15%的假阳性率。此外，现有的工作在一些特征上应用了机器学习，但无法解释为什么应用它可以提高准确性。尽管准确性可以提高，但了解地面实况也至关重要。因此，在本文中，我们进行了错误的实证分析，并可以得到我们提出的方法背后的几个发现。
2020-09-17 cs.CR
When Theory and Reality Collide: Demystifying the Effectiveness of Ambient Sensing for NFC-based Proximity Detection by Applying Relay Attack Data
在过去的十年中，智能手机已经成为许多应用和服务的融合点。传统的基于智能卡的服务，如银行、交通和访问控制，正在通过智能手机提供，这是一个日益增长的趋势。具有近场通信（NFC）功能的智能手机可以模拟非接触式灵巧卡;这种服务的流行示例包括Google Pay和Apple Pay。与非接触式灵巧卡类似，基于NFC的智能手机交易容易受到中继攻击。对于非接触式灵巧卡，提出了距离绑定协议来对抗这种攻击;对于基于NFC的智能手机交易，已经提出了环境传感器作为潜在的对策。在这项研究中，我们经验性地评估了环境传感器作为非接触式交易的接近检测机制的适用性。为了提供全面的分析，我们还收集了中继攻击数据，以确定环境传感器是否能够有效地阻止此类攻击。我们最初评估了17个传感器，然后选择7个传感器进行深入分析，基于它们在非接触式交易场景的约束下作为潜在接近检测机制的有效性。每个传感器用于在四个不同的物理位置记录1000个合法和中继（非法）非接触式交易。对这些交易的分析提供了一个经验基础，以确定环境传感器是否为银行、运输和高安全性访问控制等安全敏感应用提供了强大的接近检测机制。
2016-05-02 cs.CR
KnowHow: Automatically Applying High-Level CTI Knowledge for Interpretable and Accurate Provenance Analysis
针对CTI高层知识与底层安全日志的语义鸿沟问题，提出KnowHow方法，通过gIoC知识表示和系统标识符提升技术，实现APT攻击的准确可解释溯源检测，误报率显著降低。
2025-09-06 cs.CR
ActMiner: Applying Causality Tracking and Increment Aligning for Graph-based Cyber Threat Hunting
针对现有溯源图威胁狩猎系统高漏报、高误报和低效率的问题，提出Actminer系统，通过因果追踪和增量对齐技术，在DARPA数据集上显著降低误报并消除漏报。
2025-08-08 cs.CR
Unsupervised Anomaly Detectors to Detect Intrusions in the Current Threat Landscape
University of Florence（佛罗伦萨大学）
异常检测旨在识别给定系统的预期行为中的意外波动。它被认为是识别零日攻击的可靠答案，多年来已经提出了几种适合二进制分类的ML算法。然而，针对一组全面的攻击数据集的基于异常的入侵检测的广泛的无监督算法池的实验比较尚未调查。为了填补这一空白，我们在11个攻击数据集上运行了17个无监督异常检测算法。结果允许详细说明各种参数，从单个算法的行为到数据集对异常检测的适用性。我们的结论是，算法隔离森林，一类支持向量机和自组织地图是更有效的入侵检测比他们的同行，而聚类算法是一个很好的选择，由于其低的计算复杂性。此外，我们详细介绍了如何攻击不稳定，分布式或不可重复的行为，如Fuzzing，蠕虫和僵尸网络更难以检测。最后，我们离题的算法在检测由广泛的未知攻击池产生的异常的能力，实现的度量分数不相对于识别单一的攻击而变化。
2020-12-21 cs.CR cs.LG cs.NI
Summoning Demons: The Pursuit of Exploitable Bugs in Machine Learning
University of Maryland, College Park（马里兰大学帕克分校）
政府和企业越来越依赖数据分析和机器学习（ML）来提高其在消费者满意度、威胁情报、决策制定和产品效率等领域的竞争优势。然而，通过巧妙地破坏用作目标机器学习算法输入的数据子集，对手可以扰乱结果并损害机器学习技术的有效性。虽然对抗性机器学习领域的先前工作已经研究了输入操作对正确的ML算法的影响，但我们考虑了ML实现中的漏洞的利用。在本文中，我们描述了ML程序的攻击面，我们表明，恶意输入利用实现错误，使严格更强大的攻击比经典的对抗性机器学习技术。我们提出了一种半自动化的技术，称为转向模糊，探索这个攻击面，并发现可利用的错误，在机器学习程序，以证明这种威胁的严重性。作为我们工作的结果，我们负责任地披露了五个漏洞，建立了三个新的CVE-ID，并阐明了许多机器学习系统中常见的不安全做法。最后，我们概述了几个研究方向，以进一步了解和减轻这种威胁。
2017-01-17 cs.CR cs.LG
Learning Failure-Inducing Models for Testing Software-Defined Networks
University of Luxembourg（卢森堡大学）；Lero centre, University of Limerick（利默里克大学莱罗中心）；University of Ottawa（渥太华大学）
本文提出机器学习引导的模糊测试方法FuzzSDN，同时生成诱发SDN故障的测试数据并学习故障条件模型，实验表明其故障发现能力和模型精确率、召回率均显著优于现有方法。
2024-01-08 cs.CR cs.LG cs.NI
BETA: Automated Black-box Exploration for Timing Attacks in Processors
BETA 是一个黑盒模糊测试框架，通过约束变异方向和指令分类覆盖率反馈，高效发现 Intel 与 AMD 处理器中的微架构时序漏洞，检测速度较现有方法至少提升 3 倍。
2024-10-22 cs.AR cs.CR
Behavioral Residualization for Unsupervised Intrusion Detection in Automotive CAN Networks
针对汽车CAN网络现有入侵检测方法在攻击者复用合法仲裁ID时失效的问题，提出每ID行为残差化表示，经多检测器和数据集验证，可有效提升无监督入侵检测性能，但存在新颖ID泛洪和跨ID模糊测试的局限性。
2026-11-04 cs.CR cs.LG
Automated Attack Synthesis by Extracting Finite State Machines from Protocol Specification Documents
Purdue University（普渡大学）；Northeastern University（东北大学）
自动攻击发现技术（如攻击者合成或基于模型的模糊）提供了确保网络协议正确安全运行的强大方法。这些技术通常需要协议的形式化表示，通常采用有限状态机（FSM）的形式。不幸的是，许多协议仅用英文描述，即使是将简单的网络协议实现为FSM也很耗时，并且容易出现微妙的逻辑错误。从文档中自动提取协议FSM可以显著促进这些技术的使用，并导致更健壮和更安全的协议实现。在这项工作中，我们专注于攻击者的合成作为一个代表性的技术协议的安全性，并在RFC作为一个代表性的格式协议散文描述。与其他依赖于基于规则的方法或直接使用现成的NLP工具的作品不同，我们提出了一种数据驱动的方法来从RFC文档中提取FSM。具体而言，我们使用的混合方法包括三个关键步骤：（1）大规模的词表示学习的技术语言，（2）集中的零样本学习的协议文本映射到一个协议无关的信息语言，（3）基于规则的映射从协议无关的信息到一个特定的协议FSM。我们展示了我们的FSM提取的通用性，通过使用RFC为六个不同的协议：BGPv4，DCCP，LTP，PPTP，SCTP和TCP。我们演示了如何自动提取的FSM从RFC可以应用到合成的攻击，TCP和DCCP的案例研究。我们的方法表明，它是可能的自动攻击者合成协议使用文本规范，如RFC。
2022-02-18 cs.CL cs.CR cs.FL
Applying Pre-trained Multilingual BERT in Embeddings for Improved Malicious Prompt Injection Attacks Detection
University of West Florida（西佛罗里达大学）；Tuskegee University（塔斯基吉大学）；University of Calabria（卡拉布里亚大学）
本研究应用预训练多语言BERT嵌入改进恶意提示注入攻击检测，通过对比多种机器学习分类器，逻辑回归达到96.55%准确率，超越现有方法。
2024-09-20 cs.CL cs.CR
MIDS: Detecting Stealthy Masquerade and Tampering Attacks on CAN Bus via Bidirectional Mamba
Institute of Information Engineering, Chinese Academy of Sciences（信息工程研究所，中国科学院）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Zhongguancun Laboratory（中关村实验室）
针对CAN总线缺乏加密认证易受攻击的问题，提出MIDS双流框架，利用双向状态空间模型并行处理标识符和载荷，在特斯拉Model 3数据集上F1达96.94%，优于基线8个百分点以上。
2026-06-18 cs.AI cs.CR
A Comprehensive Guide to CAN IDS Data & Introduction of the ROAD Dataset
Rewiring America（重新布线美国）；Oak Ridge National Laboratory（橡树岭国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文首次系统梳理现有CAN入侵数据集并指出其局限，提出包含3.5小时真实车辆数据、多种隐蔽攻击的ROAD数据集，以促进CAN入侵检测的基准测试与结果可比性。
2024-02-07 cs.CR cs.LG
Cryptanalysis of Quantum Secure Direct Communication Protocol with Mutual Authentication Based on Single Photons and Bell States
最近，Yan等人提出了一种量子安全直接通信（QSDC）协议，其具有使用单光子和Einstein-Podolsky-Rosen（EPR）对的认证（Yan等人，CMC-Computers，Materials \& Continua，63（3），2020）。在这项工作中，我们表明，QSDC协议是不安全的拦截和重发攻击和模仿攻击。窃听者可以通过应用这些攻击获得完整的秘密消息。我们提出了一个修改的协议，它击败了上述攻击以及所有熟悉的攻击。
2020-07-07 cs.CR quant-ph
Better Safe than Sorry: Pre-training CLIP against Targeted Data Poisoning and Backdoor Attacks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出 SAFECLIP，通过单模态对比学习预热、基于高斯混合模型划分安全与风险数据，并在预训练中逐步扩大安全集合，从而在不损害 CLIP 性能的前提下将定向数据投毒和后门攻击成功率降至 0%。
2024-06-10 cs.AI cs.CR cs.CV
ParaFuzz: An Interpretability-Driven Technique for Detecting Poisoned Samples in NLP
Purdue University（普渡大学）
ParaFuzz利用ChatGPT改写和模糊测试寻找最优提示以移除触发器，通过比较改写前后预测稳定性检测NLP后门中毒样本，在多种攻击和数据集上超越STRIP、RAP和ONION等基线方法。
2023-10-27 cs.CL cs.CR
QUIC-Fuzz: An Effective Greybox Fuzzer For The QUIC Protocol
针对QUIC协议模糊测试的诸多挑战，研究团队开发了灰盒变异模糊测试工具QUIC-Fuzz，测试6款主流服务端实现发现10个新漏洞，代码覆盖率较现有最优工具最高提升84%，已开源。
2025-03-25 cs.CR cs.SE
Inferring Sensitive Attributes from Knowledge Graph Embeddings: Attack and Defense Strategies
LIFO, INSA CVL, Univ. Orléans, Inria, France（LIFO，法国里尔大学CVL学院，奥尔良大学，法国国家信息与自动化研究所）
本文研究了基于知识图谱嵌入（KGE）推理的隐私风险，提出了一种通过后处理去污技术减轻这些风险的框架，探讨了在推荐质量与隐私保护之间进行权衡的必要性。
2026-05-19 cs.CR cs.LG
Adversarial Attacks against Neural Networks in Audio Domain: Exploiting Principal Components
Conestoga College（康尼斯托加学院）；Drexel University（德雷塞尔大学）
对抗攻击是与原始输入类似但故意改变的输入。目前广泛使用的语音到文本神经网络容易对对抗攻击进行错误分类。在这项研究中，首先，我们调查的存在有针对性的对抗攻击通过改变波形从普通的声音数据集。我们通过连接主义时间分类损失函数制作对抗波形，并攻击DeepSpeech，这是Mozilla实现的语音到文本的神经网络。我们在制作的所有25种对抗波形上实现了100%的对抗成功率（DeepSpeech分类成功率为零）。其次，我们研究了使用PCA作为防御机制对抗对抗攻击。我们通过将PCA应用于我们创建的这25种攻击来降低维度，并针对DeepSpeech进行测试。我们观察到DeepSpeech的零成功分类，这表明PCA不是音频域中的良好防御机制。最后，我们没有使用PCA作为防御机制，这次我们使用PCA在黑盒设置下以最少的对抗性知识制作对抗性输入。在不了解模型、参数或权重的情况下，我们通过将PCA应用于Common Voice数据集的样本来制作对抗攻击，并在针对DeepSpeech的测试中再次在黑盒设置下实现100%的对抗成功。我们还实验了不同的百分比的组件，需要在攻击过程中的分类结果。在所有情况下，对手都成功了。
2021-01-13 cs.CR cs.LG stat.ML
Multi Layer Protection Against Low Rate DDoS Attacks in Containerized Systems
EPITA；School of Engineering and Computer Science（工程与计算机科学学院）
本文提出一种多层防御策略，通过集成WAF、限流、动态黑名单和零信任原则，有效防御容器化环境中的低速率DDoS攻击。
2026-02-11 cs.CR cs.NI
