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
Security Visualization for peer-to-peer resource sharing applications
信息系统的安全性取决于其最薄弱的环节。这种系统的流行元素包括硬件、软件、网络和人。目前的计算机安全问题的方法通常排除在他们的研究，即使它是这些系统的一个组成部分的人。为了填补这一空白，本文讨论了计算机安全中与人相关的关键问题，并提出了一种通过将人紧密地集成到整个系统中来提高此类系统安全性的方法。整合是通过可视化来实现的，以提供视觉反馈，并捕捉人们对他们的行为和结果的意识。这样可以提高系统的可用性，缩短用户的学习曲线，从而使用户更安全地使用计算机系统。
2009-12-11 cs.CR cs.HC cs.NI
Enhancing Cyber Threat Hunting -- A Visual Approach with the Forensic Visualization Toolkit
本文提出取证可视化工具包（FVT），通过高级可视化增强网络威胁狩猎，提升安全分析师的态势感知与威胁响应能力，并已在欧盟项目中应用。
2025-09-11 cs.CR
Systematic Literature Review on Cyber Situational Awareness Visualizations
网络威胁的动态越来越复杂，使组织比以往任何时候都更难深入了解其网络安全状况。因此，组织依靠网络态势感知（CSA）来支持他们更好地了解网络事件的威胁和相关影响。由于网络安全数据的异质性和复杂性，通常具有多维属性，因此需要复杂的可视化技术来实现CSA。然而，以前没有尝试系统地回顾和分析CSA可视化的科学文献。在本文中，我们系统地选择和审查54出版物，讨论可视化支持CSA。我们从这些论文中提取数据，以确定关键利益相关者，信息类型，数据源和可视化技术。此外，我们分析了可视化支持的CSA水平，同时检查了可视化的成熟度，挑战和与CSA可视化相关的实践，以准备在组织环境中全面分析CSA的当前状态。我们的研究结果揭示了CSA可视化的某些差距。例如，最大的关注点是运营级别的员工，而针对其他类型的利益相关者（例如管理者、高层决策者和非专家用户）的可视化明显缺乏。大多数论文都关注威胁信息可视化，很少有论文将影响信息、响应计划和团队内共享的信息可视化。基于突出CSA可视化中的重要问题的结果，我们推荐了未来研究方向的列表。
2022-05-24 cs.CR
HyperSec: Visual Analytics for blockchain security monitoring
如今，大型组织正在采用许可区块链进行业务关键操作。因此，它们容易受到恶意行为者的攻击。研究人员已经发现并列举了一些可能威胁区块链数据的可用性、完整性和机密性的攻击。然而，目前仍然很难发现这些攻击。我们认为，安全专家需要适当的可视化来帮助他们检测对区块链网络的攻击。为了实现这一目标，我们开发了HyperSec，这是一种可视化分析监控工具，可以提供相关信息，以检测对Hyperledger Fabric的持续攻击。为了进行评估，我们将HyperSec原型连接到Hyperledger Fabric测试网络。结果表明，安全专家可以使用HyperSec的可视化来检测对Fabric的常见攻击。
2021-03-26 cs.CR
Hierarchical Multi-Modal Threat Intelligence Fusion Without Aligned Data: A Practical Framework for Real-World Security Operations
针对安全工具孤立导致数据不对齐的问题，提出HM-TIF框架，利用分层交叉注意力与时间相关性协议融合多模态数据，在多个数据集上实现88.7%准确率并降低32%误报率，无需对齐数据即可部署。
2025-10-10 cs.CR
KAN-LSTM: Benchmarking Kolmogorov-Arnold Networks for Cyber Security Threat Detection in IoT Networks
University of New South Wales Canberra (UNSW Canberra)（新南威尔士大学堪培拉分校）
本文提出KAN-LSTM模型，结合空间与时间编码，利用KAN的自适应激活函数在物联网网络中实现更高效的网络安全威胁检测，通过实验验证了KAN-LSTM和KAN在传统深度学习模型上的优越性。
2026-03-30 cs.CR
Benchmarking datasets for Anomaly-based Network Intrusion Detection: KDD CUP 99 alternatives
Amazon（亚马逊）；New York University（纽约大学）；Infosys（印孚瑟斯）；Samsung（三星）；Veermata Jijabai Technological Institute（韦尔马塔·吉贾拜理工学院）
机器学习在基于异常的网络入侵检测系统（A-NIDS）中的应用越来越受到关注。对这一领域的研究经常使用KDD~CUP~99数据集作为基准。一些研究质疑它的可用性，而构建一个当代的NIDS，由于倾斜的响应分布，非平稳性，并未能将现代攻击。在本文中，我们比较的性能KDD-99的替代品时，使用文献中常见的分类模型训练：神经网络，支持向量机，决策树，随机森林，朴素贝叶斯和K均值。应用SMOTE过采样技术和随机欠采样技术，我们创建了一个平衡版本的NSL-KDD，并证明了KDD-99和NSL-KDD中倾斜的目标类会阻碍分类器对少数类（U2 R和R2 L）的有效性，从而导致可能的安全风险。我们探索UNSW-NB 15，一个现代的KDD-99的替代品，具有更大的均匀性的模式分布。我们在SMOTE过采样之前和之后对该数据集进行基准测试，以观察对少数性能的影响。我们的研究结果表明，在二进制情况下，在UNSW-NB 15上训练的分类器与在NSL-KDD和KDD-99上训练的分类器的加权F1分数相匹配或更好，因此提倡UNSW-NB 15作为这些数据集的现代替代品。
2018-11-13 cs.AI cs.CR cs.LG
VisPoison: An Effective Backdoor Attack Framework for Tabular Data Visualization Models
The Hong Kong Polytechnic University（香港理工大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；PetroChina Digital Intelligence Research Institute Co., Ltd.（中国石油数字智能研究院有限公司）；WeBank（微众银行）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；The Hong Kong University of Science and Technology（香港科技大学）
VisPoison提出了一种针对表格数据可视化模型的后门攻击框架，通过数据污染模拟三种攻击类型，揭示了模型的安全漏洞。
2026-03-10 cs.CR
A Novel Dimension Reduction Scheme for Intrusion Detection Systems in IoT Environments
物联网给计算机网络的安全解决方案带来了新的挑战。入侵检测系统（IDS）是迄今为止最有效的安全工具之一，但异构的协议和“物”产生的大量数据以及主机资源的有限性，使得现有的一些IDS方案显得力不从心。为了使入侵检测系统能够在物联网环境中工作，本文提出了一种新的分布式降维方案，解决了资源有限的挑战。设计了一种新的自动编码器，它学习生成一个潜在空间。然后，受约束的主机/探测器使用生成的权重通过单个操作降低维度。压缩后的数据被传输到中央IDS服务器以验证流量类型。该方案的目的是通过压缩数据来降低传输数据所需的带宽，并减少主机中压缩任务的开销。在三个著名的网络流量数据集（UNSW-NB 15、TON\_IoT20和NSL-KDD）上对该方案进行了评估，结果表明，该方案可以获得一个三维的潜在空间（压缩约90%），而不会显著降低IDS的检测精度.
2020-07-12 cs.CR
Security in Process: Visually Supported Triage Analysis in Industrial Process Data
操作技术网络，即用于监视和控制物理/工业过程的硬件和软件，长期以来一直被认为不受网络攻击的影响。最近这些网络中攻击的增加证明了这一假设是错误的。若干技术限制导致使用可用传感器数据来检测对工业过程的攻击的方法。这种设置从根本上不同于IT网络流量中的异常检测，并且需要适应OT网络数据中的常见周期性行为的新的可视化方法。我们提出了一个量身定制的可视化系统，利用从工业过程的测量的固有功能，以充分的能力，提供对数据的洞察力，并支持外行和专家的分流分析。在交互式系统中实现了螺旋图与异常检测结果的新颖组合。我们的系统的能力证明了使用传感器和执行器的数据，从现实世界的水处理过程中引入的攻击。示例性的分析策略。最后，我们评估我们的系统的有效性和可用性，并进行专家评估。
2021-07-23 cs.CR
Adversarial-Playground: A Visualization Suite Showing How Adversarial Examples Fool Deep Learning
University of Virginia（弗吉尼亚大学）
最近的研究表明，攻击者可以迫使深度学习模型对所谓的"对抗性示例"进行错误分类：通过对像素值进行不知不觉的修改而形成的恶意生成的图像。随着人们对安全应用中的深度学习越来越感兴趣，安全专家和机器学习用户必须认识到学习系统可能受到的攻击。由于深度学习的复杂性，理解深度模型如何被对抗性示例愚弄是一个挑战。因此，我们提出了一个基于Web的可视化工具，对抗游乐场，以证明常见的对抗方法对卷积神经网络（CNN）系统的有效性。Adversarial-Playground具有教育性、模块化和互动性。(1)它使非专家能够直观地比较示例，并理解为什么对抗性示例可以欺骗基于CNN的图像分类器。(2)它可以帮助安全专家探索深度学习作为软件模块的更多漏洞。(3)由于图像分类的特征空间很大（生成对抗性示例通常很慢，并且可视化图像成本很高），因此在该领域构建交互式可视化是一项挑战。通过多种新颖的设计选择，我们的工具可以对用户请求提供快速准确的响应。根据经验，我们发现我们的客户端-服务器划分策略减少了响应时间，平均每个样本1.5秒。我们的另一项创新是JSMA规避算法的一个更快的变体，根据经验，它的执行速度是JSMA的两倍，但仍保持了相当的规避率。项目源代码和实验数据可在www.example.com获得
2017-08-01 cs.AI cs.CR cs.LG
Critical Analysis of 5G Networks Traffic Intrusion using PCA, t-SNE and UMAP Visualization and Classifying Attacks
London Metropolitan University（伦敦都市大学）
本文利用5G-NIDD数据集，结合t-SNE、UMAP、PCA可视化、互信息降维和合成少数类记录，比较六种分类器检测5G网络流量异常，其中K近邻分类器取得最佳准确率97.2%。
2024-01-16 cs.AI cs.CR
Data Analytics-enabled Intrusion Detection: Evaluations of ToN_IoT Linux Datasets
随着人工智能（AI）安全应用的广泛应用，需要收集异构和可扩展的数据源，以有效地评估安全应用的性能。本文介绍了新的数据集，命名为ToN物联网数据集，包括分布式数据源收集的物联网（IoT）服务的遥测数据集，Windows和Linux的操作系统数据集，和网络流量的数据集。本文旨在描述一种新的测试床架构，用于从硬盘、内存和进程的审计跟踪中收集Linux数据集。该架构设计在边缘、雾和云三个分布式层中。边缘层包括物联网和网络系统，雾层包括虚拟机和网关，云层包括与其他两层连接的数据分析和可视化工具。这些层通过使用VMware NSX和vCloud NFV平台的软件定义网络（SDN）和网络功能虚拟化（NFV）进行编程控制。Linux ToN物联网数据集将用于训练和验证各种新的联合和分布式AI安全解决方案，如入侵检测，威胁情报，隐私保护和数字取证。采用各种数据分析和机器学习方法来确定数据集在检查特征工程、合法和安全事件的统计以及安全事件的可靠性方面的保真度。这些数据集可以从[1]公开访问。
2020-10-04 cs.CR
ECG-PPS: Privacy Preserving Disease Diagnosis and Monitoring System for Real-Time ECG Signal
本研究开发了名为ECG-PPS的实时心电监测分析系统，结合三导联采集硬件、AES加密与全同态加密技术，实现加密存储、同步可视化及密文统计分析，在保障数据隐私的同时提升健康监测的安全性与效率。
2024-11-02 cs.CR
Multi-Stage Optimized Machine Learning Framework for Network Intrusion Detection
University of Western Ontario（西安大略大学）；University of Sharjah（沙迦大学）
由于个人和组织对互联网的依赖性增加，以及他们对其在线活动的安全和隐私的关注，网络安全受到了极大的关注。已经开发了几种先前的基于机器学习（ML）的网络入侵检测系统（NIDS）来防止恶意在线行为。本文提出了一种新的多级优化ML的NIDS框架，降低了计算复杂性，同时保持其检测性能。研究了过采样技术对模型训练样本量的影响，确定了最小的合适训练样本量。比较了基于信息增益和基于相关性的两种特征选择技术，探讨了它们对检测性能和时间复杂度的影响。此外，不同的ML超参数优化技术进行了研究，以提高NIDS的性能。使用两个最近的入侵检测数据集，CICIDS 2017和UNSW-NB 2015数据集评估了所提出的框架的性能。实验结果表明，该模型显著减少了所需的训练样本量（高达74%）和特征集大小（高达50%）。此外，模型性能通过超参数优化得到增强，两个数据集的检测准确率均超过99%，比最近的文献工作高出1 - 2%的准确率和1 - 2%的误报率。
2020-08-09 cs.CR cs.LG cs.NI
Privacy-preserving Graph Analytics: Secure Generation and Federated Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Arizona State University（亚利桑那州立大学）
直接从国土安全企业的安全相关的应用程序的动机，我们专注于图数据的隐私保护分析，它提供了重要的能力来表示丰富的属性和关系。特别是，我们讨论了两个方向，即隐私保护图生成和联邦图学习，这可以共同实现每个拥有私有图数据的多方之间的协作。对于每一个方向，我们都确定了“速赢”和“难题”。最后，我们展示了一个用户界面，可以促进模型的解释，解释和可视化。我们相信，在这些方向上开发的技术将大大提高国土安全企业应对和减轻各种安全风险的能力。
2022-06-30 cs.CR cs.LG
Combining Exploratory Analysis and Automated Analysis for Anomaly Detection in Real-Time Data Streams
本文通过开发实时监控BGP流量的原型系统，探讨探索性分析与自动化分析的互补性，以检测异常并可视化警报上下文，为安全监控系统开发提供见解。
2026-09-21 cs.CR
AI-Driven Security in Cloud Computing: Enhancing Threat Detection, Automated Response, and Cyber Resilience
Colorado Technical University - Colorado Springs Campus（科罗拉多理工大学科罗拉多斯普林斯校区）
本文研究如何利用人工智能增强云安全，通过预测分析、行为威胁检测和AI驱动加密提升威胁检测与自动响应能力，并指出未来需结合区块链等技术进一步提升可靠性、模块化与伦理合规性。
2025-05-06 cs.AI cs.CR
MalVis: A Large-Scale Image-Based Framework and Dataset for Advancing Android Malware Classification
本研究提出整合熵与N-gram分析的安卓恶意软件可视化框架MalVis及含130余万样本的对应数据集，结合集成学习和欠采样策略，在多类分类任务上实现了高准确率与可解释性，为安全研究提供支撑。
2025-05-17 cs.CR
AI Total: Analyzing Security ML Models with Imperfect Data in Production
Sophos
新的机器学习模型的开发通常是在手动管理的数据集上完成的，这使得它们不适合在操作期间评估模型的性能，其中评估需要在新数据的传入流上自动执行。不幸的是，完全依赖于全自动管道来监控模型性能使得很难理解任何观察到的性能问题是否是由于模型性能、管道问题、新出现的数据分布偏差或上述因素的某种组合。考虑到这一点，我们开发了一个基于Web的可视化系统，允许用户快速收集标题性能数据，同时保持对底层数据管道正常运行的信心。它还使用户能够在出现问题时立即观察问题的根本原因。我们介绍了一种新的方法来分析性能下的数据问题，使用数据覆盖均衡器。我们描述了在机器学习（ML）应用程序中通常跟踪的标准评估指标之上添加的各种修改和附加图、过滤器和下钻，并通过走查一些真实世界的例子，这些例子被证明对反思我们的模型很有价值。
2021-10-13 cs.CR cs.CY cs.LG
A Review of Various Datasets for Machine Learning Algorithm-Based Intrusion Detection System: Advances and Challenges
C V Raman Global University（C·V·拉曼全球大学）
本文系统综述了基于机器学习的入侵检测系统常用数据集及SVM、KNN、RF、XGBOOST等分类方法，分析了各数据集面临的挑战，为后续IDS研究提供参考。
2025-06-03 cs.AI cs.CR cs.LG
An Iterative and Toolchain-Based Approach to Automate Scanning and Mapping Computer Networks
随着当今组织的计算机网络不断发展并变得越来越复杂，发现潜在的漏洞并进行安全审计已成为保护这些网络的关键因素。审计网络的第一步是通过映射网络进行侦察，以全面了解其结构。然而，日益增长的复杂性使得这项任务越来越费力，甚至更多的映射（而不是普通扫描），目前仍然涉及大量的手动工作。因此，本文提出的概念自动扫描和映射未知的和非合作的计算机网络，以找到安全漏洞或验证访问控制。它还有助于进行审计，允许将记录的网络与实际网络进行比较，查找未经授权的网络设备，并通过进行增量扫描来评估访问控制方法。它使用了一种新的方法，通过上下文迭代链接现有扫描工具来增强数据，使用真正的分析模块来评估网络的拓扑结构，而不仅仅是生成扫描设备的列表。它还包含一个可视化模型，提供了一个清晰，清晰的拓扑图和一个特殊的图形进行比较分析。目标是以最少的先验知识提供最大的洞察力。
2017-10-03 cs.CR
Immersed in Reality Secured by Design -- A Comprehensive Analysis of Security Measures in AR/VR Environments
本文全面分析了AR/VR环境面临的数据窃取等网络安全威胁，提出利用增强现实界面实时监控网络活动与安全警报，以提升安全专业人员的威胁识别与决策效率。
2024-01-30 cs.CR cs.IT math.IT
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
FuzzSplore: Visualizing Feedback-Driven Fuzzing Techniques
模糊测试技术是当前针对安全问题的软件测试的发展趋势。它们的巨大有效性吸引了研究人员和黑客的注意，并使他们参与开发许多新技术来改进模糊测试。这些技术的评价和交叉比较几乎是一个开放的问题。在本文中，我们提出了一个人驱动的方法来解决这个问题的基础上信息可视化。我们在AFL++模糊框架FuzzSplore上开发了一个原型，分析师可以使用它来获得有关应用于特定目标的不同模糊配置的有用见解，以便在模糊活动期间选择或调整最佳技术。
2021-02-06 cs.CR cs.SE
