Using Cyber Terrain in Reinforcement Learning for Penetration Testing
Deloitte Consulting LLC(德勤咨询有限责任公司);National Security Institute, Virginia Tech(弗吉尼亚理工大学国家安全研究所);Deloitte & Touche LLP(德勤会计师事务所)
强化学习(RL)已被应用于渗透测试的攻击图,然而,训练有素的代理人不反映现实,因为攻击图缺乏操作的细微差别,通常在战场的情报准备(IPB),包括(网络)地形的概念。特别是,目前的做法是专门使用通用漏洞评分系统(CVSS)及其组件构建攻击图。我们提出了使用IPB的概念构建攻击图的方法,网络地形分析的障碍,途径的方法,关键地形,观察和火灾领域,覆盖和隐藏。我们展示了我们的方法的例子中,防火墙被视为障碍,并表示在(1)奖励空间和(2)状态动态。我们表明,地形分析可以用来带来现实主义的攻击图RL。
2022-08-04 cs.CR cs.LG cs.NI
Development of a Multi-purpose Fuzzer to Perform Assessment as Input to a Cybersecurity Risk Assessment and Analysis System
本文提出一种面向配置文件驱动软件与信息物理系统的通用模糊测试器,可检测缺陷漏洞并评估设置影响,为网络安全风险评估与分析系统提供建模输入。
2023-06-07 cs.CR cs.SE
A Value Driven Framework for Cybersecurity Innovation in Transportation & Infrastructure
本文提出面向交通与基础设施领域的价值驱动网络安全创新框架,替代传统市场中心方法,重定义创新类别以培养自主创新文化,提供价值评估与想法筛选方法,助力网络安全成为业务核心推动力。
2024-05-12 cs.CR
A systematic literature review on cyber threat hunting
自2016年引入“网络威胁狩猎”一词以来,采取主动防御措施以提高网络安全性的趋势不断上升。这项研究将探讨同行评审的文献对网络威胁狩猎的主题。我们的研究表明,随着机器学习方法的出现,该领域的研究有所增加。关键词:网络威胁,网络安全,威胁狩猎,安全系统,数据驱动,英特尔,分析驱动,TTP
2022-12-10 cs.CR
AVP-Inspect: Coordinated Cyber-Physical Testing for Privacy Analysis of COTS Apple Vision Pro Applications
George Mason University(乔治梅森大学);William & Mary(威廉与玛丽学院)
针对Apple Vision Pro应用隐私分析,提出协同网络-物理测试框架AVP-Inspect,通过自动设备控制、3D UI探索和隐私分类检测,在324个应用中识别出58.0%存在隐私违规。
2026-09-10 cs.CR
EPICTWIN: An Electric Power Digital Twin for Cyber Security Testing, Research and Education
信息物理系统(CPS)依靠先进的通信和控制技术来有效地管理系统中的设备和信息流。然而,由于关键基础设施(CI)从孤立的子系统演变为连接和集成的网络,因此出现了各种潜在的安全挑战。这也是智能电网等CI的情况。智能电网安全研究是在物理试验台上进行的,为用户提供了一个在安全可控的环境中进行网络攻击训练和测试的平台。然而,它在修改物理配置和难以扩展方面具有局限性。为了克服这些缺点,我们建立了一个用于智能电网网络安全研究的物理试验台的数字电源双胞胎。在开发的双胞胎上,用户可以部署真实世界的攻击和对策,以测试和研究其有效性。与物理试验台的不同之处在于,其用户可以轻松地修改其电源系统组件和配置。此外,为了使用和推进研究而复制双胞胎要便宜得多。发达的双相比,在文献中的任何等效系统具有先进的功能。为了说明一个典型的用例,我们提出了一个案例研究,其中网络攻击发起,并讨论其影响。
2021-05-10 cs.CR cs.SY eess.SY
HARMer: Cyber-attacks Automation and Evaluation
随着网络攻击事件的不断增长,重要的是要开发创新和有效的技术来评估和防御网络系统免受网络攻击。其中一个众所周知的技术是执行渗透测试,由一组安全专业人员(即红队)进行。众所周知,渗透测试可以有效地发现现有和新的漏洞,但是,安全评估的质量取决于红队成员的质量以及他们对渗透测试的时间和投入。在本文中,我们提出了一种新的自动化框架,名为“HARMer”的网络攻击生成,以解决与手动攻击执行的红队的挑战。我们提出的新框架,设计和实现是基于一个可扩展的图形安全模型,称为分层攻击表示模型(HARM)。(1)我们提出了自动化框架的要求和关键阶段。(2)我们提出了基于安全度量的攻击规划策略及其算法。(3)我们在一个真实的企业网和Amazon Web Services中进行实验。结果显示了框架的不同阶段如何相互作用,以模拟攻击者的操作。该框架将允许安全管理员以自动化的方式自动评估各种威胁和攻击的影响。
2020-07-17 cs.CR
Recommendations for Model-Driven Paradigms for Integrated Approaches to Cyber Defense
北大西洋公约组织(NATO)探索小组会议,“网络防御综合方法的模型驱动范例”,由NATO科学技术组织(STO)信息系统和技术(IST)小组组织,并在2016年期间进行了会议和电子交流。本报告描述了团队工作的进展和结果。网络战和信息保障领域的许多防御活动基本上依赖于临时技术。网络界认识到,全面、系统、基于原则的建模和仿真更有可能为防御性网络行动提供长期、持久、可重复使用的方法。模型驱动范式的前提是建立和验证对任务受评估的组织、任务本身以及支持任务的网络脆弱系统进行建模的机制。无论如何,这都是一个复杂的社会技术系统(系统的),这类问题的详细程度从主机和网络事件到系统功能再到企业功能。解决这类问题的难度是中等到高等,可以部分借鉴系统工程(SE)的进步。这种基于模型的方法和分析可用于探索多种替代缓解和变通战略,并选择最佳缓解行动方案。此外,应用于网络作战的模型驱动范式可能会使网络防御的传统学科受益,如安全、漏洞分析、入侵防御、入侵检测、分析、取证、归因和恢复。
2017-03-09 cs.CR
Data-Driven Intelligence can Revolutionize Today's Cybersecurity World: A Position Paper
本文提出数据驱动智能借助AI和机器学习可变革网络安全,通过自动化、实时检测和预测分析提升效率并辅助人类决策。
2023-08-09 cs.CR
Learning-Guided Network Fuzzing for Testing Cyber-Physical System Defences
网络物理系统(CPS)面临的攻击威胁,特别是当它们在公共基础设施自动化中发挥关键作用时,促使人们研究各种攻击防御机制。然而,评估其有效性具有挑战性,因为测试它们的现实攻击并不总是可用的。在本文中,我们提出了智能模糊,一个自动化的,机器学习指导技术,系统地发现"测试套件"的CPS网络攻击,而不需要任何知识的系统的控制程序或物理过程。我们的方法使用预测机器学习模型和元启发式搜索算法来指导致动器的模糊化,从而将CPS驱动到不同的不安全物理状态。我们通过在两个现实世界的CPS测试平台(一个净水厂和一个配水系统)上实施智能模糊测试来证明智能模糊测试的有效性,发现攻击将它们驱动到27个不同的不安全状态,包括水流、压力和水箱水位,其中6个没有被既定的攻击基准所覆盖。最后,我们使用我们的方法来测试水处理厂的基于不变的防御系统的有效性,发现两个攻击没有被其物理不变检查检测到,突出了在某些条件下可能被利用的潜在弱点。
2019-09-12 cs.CR
AI-Driven Post-Quantum Cryptography for Cyber-Resilient V2X Communication in Transportation Cyber-Physical Systems
the University of Alabama(阿拉巴马大学)
针对量子计算对交通信息物理系统(TCPS)中V2X通信的威胁,本文提出利用人工智能(AI)增强后量子密码学(PQC),通过优化算法选择与资源分配,实现网络弹性通信,确保系统安全与性能。
2025-10-09 cs.CR
Bridging the Smart City Cybersecurity Data Gap Through AI-Driven Synthetic Dataset Generation
Dakota State University(达科他州立大学)
提出AI合成数据生成框架,利用生成模型产生高保真网络安全数据集,解决真实数据稀缺问题,支持智慧城市安全工具开发与评估。
2026-06-11 cs.CR
Data Driven Approaches to Cybersecurity Governance for Board Decision-Making -- A Systematic Review
本文系统综述了支持董事会网络安全治理决策的现有风险测量工具、指标与模型,归纳出七个概念主题,指出当前缺乏董事会可理解语言形式的决策支持信息,并提出后续可深入研究的理论与模型建议。
2023-11-29 cs.CR
Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats
针对AI驱动的5G/6G关键网络易受网络物理攻击引发级联故障的问题,提出整合AI异常检测、自适应路由与冗余机制的容错韧性框架,经NS-3仿真验证,其在故障恢复、传输稳定性和服务中断减少上均优于基线方法。
2025-10-22 cs.CR
Toward an Intent-Based and Ontology-Driven Autonomic Security Response in Security Orchestration Automation and Response
本文提出一种基于MITRE-D3FEND本体的统一安全意图定义及两层集成方法,将基于意图的网络防御与自主网络防御结合,实现具备上下文感知的分层自动化安全响应,并在下一代SOAR平台中验证了其有效性。
2025-07-16 cs.CR
A Bayesian Network-Driven Zero Trust Model for Cyber Risk Quantification in Small-Medium Businesses
Old Dominion University(老道明大学);Alexandria University(亚历山大大学);Virginia Modelling, Simulation, and Analysis Simulation Center (VMASC)(弗吉尼亚建模、仿真与分析模拟中心)
本文提出基于贝叶斯网络的零信任模型,用于评估中小型企业实施零信任架构的可行性及风险缓解潜力。
2026-01-10 cs.CR
BioEnvSense: A Human-Centred Security Framework for Preventing Behaviour-Driven Cyber Incidents
Western Sydney University(西悉尼大学)
BioEnvSense提出一种结合CNN-LSTM模型的以人为本安全框架,通过分析生物和环境数据来检测并降低由人类行为引发的网络安全风险。
2026-02-23 cs.CR cs.CY cs.HC
Market-Analysis-Driven Methodology for Assessing Charging Station Cybersecurity
Technische Hochschule Ingolstadt(因戈尔施塔特应用技术大学)
本文提出了一种可扩展的外推方法,通过市场分析确定运营商-制造商对,有针对性地选择充电站进行实地测试,然后将结果外推到所有共享相同组合的充电站,以评估全国范围内的充电站网络安全。
2026-05-21 cs.CR
LLMs Killed the Script Kiddie: How Agents Supported by Large Language Models Change the Landscape of Network Threat Testing
Massachusetts Institute of Technology(麻省理工学院);Charles Stark Draper Laboratory(查尔斯·斯塔克·德雷珀实验室)
本文探索大型语言模型在自动化网络威胁战役中的潜力,提出计划-行动-报告循环和提示链设计,评估其知识并讨论伦理影响,展示有前景但令人担忧的应用。
2023-10-10 cs.CR cs.LG
Automating the Generation of Cyber Range Virtual Scenarios with VSDL
网络靶场是用于培训安全专家和测试攻击和防御工具和程序的环境。通常,网络靶场模拟一个或多个关键基础设施,攻击(红色)和防御(蓝色)团队必须分别妥协和保护。基础设施可以物理组装,但更方便的是依赖于基础设施即服务(IaaS)范式。虽然一些现代技术支持IaaS,但感兴趣的场景的设计和部署大多是手动操作。因此,通常的做法是让网络范围托管几个(有时只有一个)合并的场景。然而,重复使用相同的场景可能会大大降低培训和测试会话的有效性。在本文中,我们提出了一个框架,自动定义和部署任意复杂的网络范围的情况。该框架依赖于虚拟场景描述语言(VSDL),即,一种特定于领域的语言,用于定义所需基础设施的高级功能,同时隐藏低级细节。VSDL的语义是根据虚拟基础设施必须满足的约束给出的。然后将这些约束提交给SMT求解器,以检查规范的可满足性。如果可以满足,规范将生成一个模型,该模型将自动转换为一组部署脚本,并提交给IaaS提供商。
2023-01-30 cs.CR
Cyber-Physical Security Vulnerabilities Identification and Classification in Smart Manufacturing -- A Defense-in-Depth Driven Framework and Taxonomy
本文针对智能制造中传统漏洞定义忽视物理与人员维度的问题,提出基于漏洞与防御二元性的制造专用纵深防御模型,并据此建立首个智能制造网络物理漏洞分类法,为系统与过程层面的漏洞治理提供结构化框架。
2025-06-04 cs.CR
Simulation-Based Cyber Data Collection Efficacy
基于以前在蜜网和模拟方面的研究,我们提出了一个为期两年半的研究,使用代表性的模拟来收集网络安全数据。与传统的蜜罐或蜜网不同,我们的实验利用一个全面的运营网络来模拟一个小型的商业环境。模拟使用默认的安全配置来保护网络,测试假设给定标准安全基线,联网到公共互联网的设备必然会被黑客攻击。鉴于网络活动适合其上下文,结果支持的结论是,没有演员能够闯入,尽管只有默认的安全设置。
2019-05-22 cs.CR
Critical Infrastructure Security: Penetration Testing and Exploit Development Perspectives
本文综述关键基础设施安全,探讨渗透测试与漏洞利用开发的方法及挑战,指出二者是识别弱点、缓解威胁、提升系统弹性的关键,呼吁将其纳入常规安全协议并加强公私合作。
2024-07-24 cs.CR
A data-driven analysis of UK cyber defence
我们的研究解决了这样一个问题:英国的网络威胁状况如何?在解决这个问题时,我们专注于可检测的,已知的,因此可能可预防的网络威胁,特别是那些可以通过其所展示的恶意扫描活动类型识别的网络威胁。我们选择这种方法有两个原因。首先,正如本文所证明的那样,影响英国公民生活和商业活动的绝大多数网络威胁都是可识别的,可预防的威胁。因此,通过改善公民在预防、检测和应对网络威胁方面的支持方式,有可能更好地改善英国的网络防御。要做到这一点,就需要有一个为决策者提供信息的证据基础。其次,建立已知威胁空间的可量化证据库-也就是说可检测,可识别,因此可能可预防的网络威胁-以确定这些信息是否在试图检测更多新网络威胁时也可能有用。这项研究分析了2020年12月1日至2021年11月30日期间在英国境内收集的恶意互联网扫描活动。这些数据是通过一个自定义的自动化系统收集的,该系统收集和处理来自Greynoise的数据,通过Shodan丰富了这些数据,并将其与国家统计局的数据以及英国地名和地理位置的所有权数据进行交叉引用。
2023-03-13 cs.CR cs.CY
SCART: Simulation of Cyber Attacks for Real-Time
University of Haifa(海法大学);Technion Institute of Technology(以色列理工学院)
本文提出 SCART 仿真框架与数据集,将可靠性事件及单/多传感器网络攻击注入实时系统仿真,以安全、可扩展地评估攻击影响、防御机制并支撑机器学习训练验证。
2025-10-04 cs.CR
Autonomous Threat Hunting: A Future Paradigm for AI-Driven Threat Intelligence
本文综述了自主威胁狩猎作为AI驱动威胁情报关键范式的演进与意义,探讨AI与传统方法的融合、概念框架、挑战及案例研究,强调其对网络安全未来的重大影响。
2023-12-30 cs.CR
Red Teaming with Artificial Intelligence-Driven Cyberattacks: A Scoping Review
Institute of Information Technology Jamk University of Applied Sciences(Jamk应用科学大学信息技术学院)
本文通过范围综述梳理AI驱动的网络攻击方法,识别红队可用的AI模型与目标,指出AI攻击威胁上升,并强调基于AI的红队技术可提供新的应对途径。
2025-03-25 cs.CR cs.LG
AI-Driven Cybersecurity Testbed for Nuclear Infrastructure: Comprehensive Evaluation Using METL Operational Data
Argonne National Laboratory(阿贡国家实验室)
本研究利用METL操作数据,评估了四种AI方法在核设施网络安全中的检测性能,发现变化点检测效果最佳,为关键基础设施的网络安全提供了基准和架构。
2025-12-01 cs.CR
Guided Reasoning in LLM-Driven Penetration Testing Using Structured Attack Trees
Department of Electrical and Computer Engineering, Rochester Institute of Technology(罗切斯特理工学院电子与计算机工程系);Institute for Informatics and Applied Technology, Gonzaga University(贡萨加大学信息学与应用技术研究所)
针对现有LLM渗透测试智能体自引导推理易产生幻觉、执行无效动作的问题,本文提出融合MITRE ATT&CK任务树的引导式推理流水线,可显著提升多模型下渗透测试的子任务完成率与执行效率。
2025-11-18 cs.CR cs.LG
TinyML-Driven Cybersecurity for Autonomous Spacecraft: Latency-Accuracy Analysis for SPARTA RF and Cyber Threat Detection
Virginia Tech(弗吉尼亚理工学院);Hampton University(哈姆普顿大学)
针对自主航天器,基于SPARTA攻击模型分析TinyML兼容经典模型(随机森林、逻辑回归、SVM、MLP)在检测多种网络射频威胁时的延迟-精度权衡,发现逻辑回归在微秒级推理下仅比随机森林精度低1%,适合作为机载自主基线。
2026-06-04 cs.AI cs.CR stat.ML
A Threat-Intelligence Driven Methodology to Incorporate Uncertainty in Cyber Risk Analysis and Enhance Decision Making
本文提出威胁情报驱动的安全评估与决策方法论,利用因果图替代攻击树并纳入已知未知、未知未知及多层级TTP,以降低网络风险分析中的不确定性。
2023-06-26 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
Dynamic Cyber Ranges
Alias Robotics;University of Naples Federico II(那不勒斯费德里科二世大学);CYBER RANGES(网络靶场)
本文提出动态网络攻防范围,通过LLM驱动的防御代理提升网络安全评估效果,减少攻击成功率,展现其在不同配置下的防护能力。
2026-04-27 cs.CR
Medical Cyber-Physical Systems Development: A Forensics-Driven Approach
技术和医疗行业的综合部分促成了对医疗网络物理系统(MCPS)的兴趣日益增加。虽然这些系统为患者和专业人员提供了好处,但它们也为恶意行为者(例如,金融和/或犯罪动机的行为者)引入了新的攻击载体。涉及MCPS的成功违规可能会影响患者数据和系统可用性。MCPS的复杂性和操作要求使数字调查复杂化。将这些信息与MCPS产生和/或访问的潜在大量信息相结合,不仅会引发关于如何破坏这些系统的讨论,而且更重要的是,如何调查这些系统。本文建议将取证原则和概念纳入MCPS的设计和开发,以加强组织的调查态势。该框架为今后的研究奠定了基础,在改进具体的解决方案MCPS调查。
2017-08-17 cs.CR
Principled Data-Driven Decision Support for Cyber-Forensic Investigations
University of Houston(休斯顿大学);University of Greenwich(格林威治大学);Pennsylvania State University(宾夕法尼亚州立大学)
在网络安全事件发生后,必须及时发现威胁行为者如何破坏安全,以评估事件的影响,并制定和部署可以防止进一步攻击的对策。为此,防御者可以发起网络取证调查,发现威胁行为者在事件中使用的技术。这种调查的一个根本性挑战是确定调查特定技术的优先次序,因为调查每一种技术都需要时间和精力,但法医分析师在调查之前无法知道实际使用了哪些技术。为了确保及时发现,必须提供决策支持,以帮助法医分析师进行这种优先级排序。最近的一项研究表明,基于先前事件数据集的数据驱动决策支持可以提供最先进的优先级排序。然而,这种数据驱动的方法,称为DISCLOSE,是基于启发式的,它只利用了可用信息的一个子集,并没有近似的最佳决策。为了改进这种启发式,我们引入了一种原则性的方法,用于网络取证调查的数据驱动决策支持。我们制定的决策支持问题,使用马尔可夫决策过程,其状态代表的状态的法医调查。为了解决决策问题,我们提出了一个基于蒙特卡罗树搜索的方法,它依赖于一个k-NN回归在以前的事件来估计状态转移概率。我们在多个版本的MITRE ATT&CK数据集上评估了我们提出的方法,MITRE ATT&CK数据集是基于现实世界网络事件的对抗技术和战术的知识库,并证明我们的方法在每次努力发现的技术方面优于DISCLOSE。
2023-03-03 cs.AI cs.CR
Poster: SpiderSim: Multi-Agent Driven Theoretical Cybersecurity Simulation for Industrial Digitalization
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
针对工业数字化安全验证中场景构建受限的问题,本文提出开源平台 SpiderSim,通过统一建模、多智能体自动生成和模块化原子能力实现轻量、高效且覆盖广泛的网络安全仿真。
2025-02-19 cs.AI cs.CR
An Advanced Cyber-Physical System Security Testbed for Substation Automation
本研究设计并开发了一个面向变电站自动化的CPS安全测试平台,可评估实时动态,演示基于IEC 61850的SV和GOOSE协议网络攻击,并评估检测与缓解策略的部署时间框架。
2025-05-29 cs.CR cs.SY eess.SY
Logic-Driven Cybersecurity: A Novel Framework for System Log Anomaly Detection using Answer Set Programming
Oklahoma Christian University(俄克拉荷马基督教大学);University of Central Oklahoma(中奥克拉荷马大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出一种基于答案集编程的日志异常检测框架,利用逻辑推理能力提升系统日志分析的准确性与可解释性。
2025-12-04 cs.CR cs.LO
CyberNFTs: Conceptualizing a decentralized and reward-driven intrusion detection system with ML
University of Prishtina(普里什蒂纳大学);University of Oslo(奥斯陆大学)
本文提出一种结合区块链、cyberNFT奖励、机器学习及发布/订阅架构的去中心化协作入侵检测系统概念模型,并通过概念验证和分析比较方法探讨其优势与局限。
2024-08-31 cs.AI cs.CR cs.LG
Constraints Satisfiability Driven Reinforcement Learning for Autonomous Cyber Defense
University of North Carolina Charlotte(北卡罗来纳大学夏洛特分校);Carnegie Mellon University(卡内基梅隆大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
随着系统复杂性和攻击复杂性的增加,自主网络防御的必要性变得生动的网络和网络物理系统(CPS)。当前最先进的许多现有框架要么依赖于具有不切实际假设的静态模型,要么不能满足系统安全性和保障性要求。在本文中,我们提出了一种新的混合自主智能体架构,旨在优化和验证防御策略的强化学习(RL),将约束验证(使用可满足性模理论(SMT))到代理的决策循环。SMT的引入不仅确保了安全和安全需求的可满足性,而且还提供了持续的反馈,以引导RL决策制定安全有效的行动。这种方法对于因违反安全或安保规定而表现出高风险的CPS来说是非常必要的。我们在模拟CPS环境中对所提出的方法进行了评估,结果表明,该代理可以快速学习最优策略,并在99%的情况下击败各种攻击策略。
2021-04-19 cs.AI cs.CR cs.GT
From Incomplete Architecture to Quantified Risk: Multimodal LLM-Driven Security Assessment for Cyber-Physical Systems
Singapore Management University(新加坡管理大学)
本文提出ASTRAL方法,利用多模态LLM重构和分析网络物理系统架构,通过提示链、少样本学习和架构推理实现安全威胁识别和风险量化评估。
2026-04-07 cs.AI cs.CR
Anticipated Network Surveillance -- An extrapolated study to predict cyber-attacks using Machine Learning and Data Analytics
Amity University(阿米提大学)
本文提出一种基于多数据参数和机器学习的外推方法,通过预处理、训练与测试选择最佳模型,从连续实时数据中提取可能引发攻击的事件类别,实现网络攻击的提前预测。
2023-12-27 cs.CR cs.LG
Cyber Shadows: Neutralizing Security Threats with AI and Targeted Policy Measures
Siemens AG(西门子公司);Oxford Martin School, University of Oxford(牛津大学马丁学院)
本文研究了数字时代网络阴影的系统性威胁,提出结合AI驱动的入侵检测系统与针对性政策干预的多层次防御策略,以消除网络威胁并保障数字生态安全。
2025-01-28 cs.AI cs.CR cs.CY
Towards AI-Driven Human-Machine Co-Teaming for Adaptive and Agile Cyber Security Operation Centers
George Mason University(乔治·马歇尔大学);University of South Florida(佛罗里达州立大学)
针对SOC告警过载、人才短缺与工具割裂问题,本文提出利用LLM驱动的人机协同团队,通过分析师隐性知识传递增强威胁情报、告警分类与事件响应。
2025-05-09 cs.AI cs.CR
Towards a scalable AI-driven framework for data-independent Cyber Threat Intelligence Information Extraction
CY4GATE S.p.A.(CY4GATE股份公司)
针对CTI信息抽取依赖标注数据的痛点,提出首个支持监督与零样本学习的模块化框架0-CTI,可无数据运行且监督模式性能超SOTA,输出对齐STIX标准,适配不同数据场景。
2025-01-08 cs.AI cs.CL cs.CR
Requirements and Recommendations for IoT/IIoT Models to automate Security Assurance through Threat Modelling, Security Analysis and Penetration Testing
未来的工厂需要将其物理机器有效地连接到网络空间中,以应对不断增加的机器数量、更高的性能、更高的生产力水平以及供应链上的集体协作等新兴需求。随着物联网(IoT)的快速发展及其在工业领域的应用,出现了所谓的工业物联网(IIoT)/工业4.0。然而,随着物联网/工业物联网系统的快速增长,网络攻击是一种新兴的威胁,简单的手动安全测试通常无法应对大型物联网/工业物联网网络的规模。在本文中,我们建议提取元数据从常用的图表和模型在一个典型的软件开发过程中,自动化的威胁建模,安全分析和渗透测试的过程中,没有详细的先验安全知识。在这种情况下,我们提出了物联网/工业物联网模型中元数据的要求和建议,这些元数据是安全保证工具的必要输入参数。
2019-06-25 cs.CR
An AI-Driven VM Threat Prediction Model for Multi-Risks Analysis-Based Cloud Cybersecurity
针对云虚拟化中VM面临的多类安全风险,本文提出MR-TPM,通过量化配置、管理及用户行为风险并利用机器学习分类器预测威胁,实验表明其可将安全威胁降低88.9%。
2023-08-18 cs.CR cs.DC
A Multi-Layer Electronic and Cyber Interference Model for AI-Driven Cruise Missiles: The Case of Khuzestan Province
针对AI驱动的巡航导弹,提出一种结合电子战、网络攻击和欺骗策略的多层干扰模型,通过深度强化学习自适应选择最优配置,显著降低导弹精度和命中率。
2026-05-28 cs.CR
Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
School of Engineering and Technology University of Washington(华盛顿大学塔科马分校工程学院与技术学院);Department of Computer Science North Dakota State University(北达科他州立大学计算机科学系)
研究网络欺诈中心理操纵取证模式,提出含四类35个问题的模式,增加相关指标和字段。经大语言模型驱动注释及与人类注释者验证,揭示欺诈类型操纵特征,发现取证细节差距,指出人工智能辅助及分层注释策略可缩小差距并提供模板。
2026-07-10 cs.CR
HySecTwin: A Knowledge-Driven Digital Twin Framework Augmented with Hybrid Reasoning for Cyber-Physical Systems
Edith Cowan University(伊迪丝科文大学);CSIRO, Data61(澳大利亚联邦科学与工业研究组织数据61)
本文提出HySecTwin,一种基于知识的数字孪生框架,通过混合推理增强物理- cyber 系统中的安全建模能力,核心贡献是通过语义建模和混合推理提升安全评估的可解释性和鲁棒性。
2026-05-20 cs.CR
Approaches to Modeling the Impact of Cyber Attacks on a Mission
一个商业任务的成功在很大程度上取决于支持该任务的通信和信息系统(CIS)。任务影响评估(MIA)旨在帮助将商业或军事行动与网络防御相结合,特别是在弥合作战决策者和网络防御者之间的认知差距方面。近年来,人们对模型驱动的MIA方法越来越感兴趣。这种方法涉及任务、系统和攻击情景模型的构建和模拟,以了解攻击的影响,包括其性质、所涉依赖关系和后果的程度。本文讨论了模型驱动的方法MIA的最新研究的代表性的例子,强调其潜在的价值和严重的剩余挑战的警告。
2017-10-11 cs.CR
BARTPredict: Empowering IoT Security with LLM-Driven Cyber Threat Prediction
Badji Mokhtar-Annaba University(巴吉·穆克塔尔-安纳巴大学);University of La Rochelle(拉罗谢尔大学);National Higher School of Technology and Engineering -Annaba(安纳巴国家技术与工程高等学校)
本文提出BARTPredict框架,结合微调的BART和BERT大语言模型主动预测并识别物联网网络中的恶意流量,在CICIoT2023数据集上取得98%准确率,实现了从被动检测到主动预测的转变。
2025-01-03 cs.AI cs.CR
A Data-Driven Predictive Analysis on Cyber Security Threats with Key Risk Factors
University of Chittagong(吉大港大学);Northwestern Polytechnical University(西北工业大学);Noakhali Science and Technology University(诺阿卡利科技大学);Chittagong University of Engineering & Technology(吉大港工程技术大学);Edith Cowan University(伊迪斯科文大学)
本文针对网络风险预测问题,提出一种基于 Pertinent Features 随机森林的机器学习模型,结合问卷数据增强和 Apriori 关联规则分析,在20个特征下实现95.95%的准确率,有效识别网络攻击受害者及关键风险因素。
2024-03-28 cs.CR cs.LG
Integrative Approaches in Cybersecurity and AI
Illinois Institute of Technology(伊利诺伊理工学院)
本文综述网络安全、AI与数据管理的整合路径,分析协同趋势、挑战与未来方向,指出融合AI自动化、实时威胁检测和高级数据分析可构建更具韧性的安全架构。
2024-08-12 cs.AI cs.CR