Byzantine-Robust Federated Learning Framework with Post-Quantum Secure Aggregation for Real-Time Threat Intelligence Sharing in Critical IoT Infrastructure
本文提出一种结合后量子安全聚合的联邦学习框架，用于关键物联网基础设施中实时威胁情报共享，通过自适应加权聚合和基于格的加密协议，有效防御拜占庭攻击和量子威胁。
2026-01-03 cs.CR cs.LG
Privacy Threats Analysis to Secure Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Ant Group（蚂蚁集团）
联邦学习是一种机器学习技术，它可以在多个分散的参与方之间训练模型。它以保护隐私而闻名，因为数据永远不会离开计算设备，最近的方法通过隐藏加密传输的消息来进一步增强其隐私性。然而，我们发现，尽管做出了努力，联邦学习仍然存在隐私威胁，因为它具有跨各方的交互性。本文分析了工业级安全计算联邦学习框架中的隐私威胁，揭示了此类威胁广泛存在于线性回归、逻辑回归和决策树等典型机器学习模型中。对于线性和逻辑回归，我们通过理论分析表明，攻击者可以在很少的信息下反转受害者的整个私人输入。对于决策树模型，我们发动攻击来推断受害者的私有输入的范围。所有攻击都在流行的联邦学习框架和真实世界的数据集上进行评估。
2021-06-24 cs.AI cs.CR cs.LG
Survey on Federated Learning Threats: concepts, taxonomy on attacks and defences, experimental study and challenges
Andalusian Research Institute in Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究院）；University of Granada（格拉纳达大学）
联邦学习是一种机器学习范式，它作为人工智能中隐私保护需求的解决方案而出现。作为机器学习，联邦学习受到对抗攻击的威胁，这些攻击针对学习模型的完整性和数据的隐私，通过分布式方法来处理局部和全局学习。联邦学习中数据的不可访问性加剧了这一弱点，这使得对抗攻击的保护更加困难，并证明需要进一步研究防御方法，使联邦学习成为保护数据隐私的真正解决方案。在本文中，我们对联邦学习的威胁，以及相应的对策，攻击与防御进行了广泛的审查。本调查提供了对抗性攻击的分类和防御方法的分类，描述了联邦学习的这种脆弱性的一般情况以及如何克服它。同样，我们阐述了根据对抗攻击的类别选择最适当的防御方法的指导方针。此外，我们进行了广泛的实验研究，从中我们得出进一步的结论，攻击和防御的行为和准则，选择最适当的防御方法，根据类别的对抗攻击。这项研究完成后，导致冥想的经验教训和挑战。
2022-01-20 cs.AI cs.CR cs.LG
Reputation-Based Federated Learning Defense to Mitigate Threats in EEG Signal Classification
Deakin University（迪肯大学）；Khalifa University（哈利法大学）
本文提出基于声誉的联邦学习防御框架，通过协作训练保护隐私并识别受损参与者，有效减轻EEG信号分类中的数据投毒攻击威胁。
2023-10-22 cs.CR cs.LG eess.SP
A Survey of Privacy Threats and Defense in Vertical Federated Learning: From Model Life Cycle Perspective
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Zhejiang University（浙江大学）；AntGroup（蚂蚁集团）；Ulsan National Institute of Science and Technology（蔚山国立科学技术院）；The University of Hong Kong（香港大学）
本文首次全面综述纵向联邦学习中的隐私攻击与防御，从模型生命周期视角分类并讨论挑战与未来方向，为研究和实践提供指导。
2024-02-06 cs.AI cs.CR cs.LG
Processing Tweets for Cybersecurity Threat Awareness
LASIGE, Faculdade de Ciências, Universidade de Lisboa（LASIGE，里斯本大学科学学院）
接收及时且相关的安全信息对于维持IT基础设施的高安全级别至关重要。这些信息可以从用户、安全组织和研究人员每天发布的开源情报中提取。特别是，Twitter已成为获取包括网络安全在内的许多主题前沿信息的信息中心。这项工作提出了SYNAPSE，一个基于Twitter的流媒体威胁监视器，生成一个不断更新的总结的威胁景观相关的监测基础设施。其推文处理管道由过滤、特征提取、二进制分类、创新的聚类策略和妥协指标（IoC）的生成组成。一项定量评估，考虑了来自80个账户超过8个月的所有推文（超过195.000条推文），表明我们的方法及时并成功地找到了大多数与示例IT基础设施相关的安全相关推文（真阳性率在90%以上），错误地选择少量推文作为相关推文（假阳性率低于10%），并每天将结果汇总到非常少的IoC。对SYNAPSE生成的IoC的定性评估证明了它们的相关性（基于CVSS评分和补丁或漏洞的可用性）和及时性（基于NVD的威胁披露日期）。
2019-04-03 cs.CR cs.LG
Siren -- Advancing Cybersecurity through Deception and Adaptive Analysis
Vellore Institute of Technology（韦洛尔理工学院）
Siren通过融合欺骗、机器学习和主动分析，利用蜜罐与动态模型实时诱捕并学习潜在威胁，将传统防御转为主动安全系统。
2025-04-24 cs.CR cs.LG
The New Frontier of Cybersecurity: Emerging Threats and Innovations
BITS Pilani（比尔拉理工学院）；Sardar Patel Institute of Technology（萨达尔·帕特尔理工学院）
本研究采用定性方法分析了恶意软件、社会工程等网络安全威胁及其影响，揭示了高级持续性威胁等新兴风险，并提出包含强安全措施、员工培训及定期审计的多层次防御策略。
2023-11-05 cs.AI cs.CR cs.CY
From Threat Reports to Continuous Threat Intelligence: A Comparison of Attack Technique Extraction Methods from Textual Artifacts
North Carolina State University（北卡罗来纳州立大学）
网络威胁形势在不断演变。因此，持续监控和共享威胁情报已成为组织的优先事项。网络安全供应商发布的威胁报告包含以非结构化文本格式编写的攻击策略、技术和程序（TTP）的详细描述。从这些报告中提取TTP有助于网络安全从业人员和研究人员学习和适应不断变化的攻击，并规划威胁缓解。研究人员在文献中提出了TTP提取方法，然而，并非所有这些提出的方法都相互比较或与基线进行比较。\textit{The goal of this study is to aid cybersecurity researchers and practitioners choose attack technique extraction methods for monitoring and sharing threat intelligence by comparing the underlying methods from the TTP extraction studies in the literature.}在这项工作中，我们确定了十个现有的TTP提取研究的文献，并实施五种方法，从十项研究。我们发现两种方法，基于词频逆文档频率（TFIDF）和潜在语义索引（LSI），优于其他三种方法的F1得分分别为84%和83%。我们观察到所有方法的性能在F1分数下降的情况下，类标签呈指数增长。我们还实施和评估过采样策略，以减轻类不平…
2022-10-05 cs.CR cs.LG
Assessment of POS Owners Awareness of Cybersecurity and Insider Threats in POS Kiosks Related Financial Crimes
本文评估了POS机主对POS亭相关金融犯罪中网络安全和内部威胁的认知水平，指出尼日利亚POS运营模式导致用户卡片易被克隆这一非IT类主要威胁。
2023-08-01 cs.CR
Applications of Positive Unlabeled (PU) and Negative Unlabeled (NU) Learning in Cybersecurity
Mississippi State University（密西西比州立大学）
本文针对PU/NU半监督学习在网络安全领域应用不足的问题，梳理了其在入侵检测等多个子领域的应用场景、问题建模与现存挑战，提出未来发展方向，助力新型网络威胁的检测与缓解。
2024-12-09 cs.CR cs.LG
Autonomous AI-based Cybersecurity Framework for Critical Infrastructure: Real-Time Threat Mitigation
School of Computer Science and Technology（计算机科学与技术学院）
本文提出了一种基于AI的自主网络安全框架，用于实时检测和缓解关键基础设施中的网络威胁，以提升系统安全性和韧性。
2025-07-10 cs.AI cs.CR cs.ET
Collaborative Approaches to Enhancing Smart Vehicle Cybersecurity by AI-Driven Threat Detection
Cisco（思科公司）；York University（约克大学）
本文探讨通过AI驱动的威胁检测及5G、区块链、量子计算等先进技术集成，以协作方式增强智能车辆网络安全，并强调高效入侵检测系统与安全软硬件栈在未来自动驾驶车辆中的关键作用。
2024-12-31 cs.AI cs.CR
A Review of Quantum Cybersecurity: Threats, Risks and Opportunities
量子计算的前景并不是加速传统计算，而是为某些类别的问题提供指数优势，例如对网络安全具有深远的影响。随着量子计算机的出现和发展，网络空间安全在不久的将来肯定会成为互联网最关键的问题。相反，先进的量子技术有望改变网络安全。本研究旨在综合有关量子网络安全的基础和基础研究，这些研究可以作为基于系统研究的关键网络安全问题的威胁和解决方案。我们对当前最先进的量子计算和网络安全进行了全面、说明性的描述，并提出了迄今为止提出的方法。量子计算网络安全的研究结果表明，量子计算可以用于改善网络安全威胁，同时它对网络安全构成了最意想不到的威胁。这项系统调查的重点和深度不仅为量子和网络安全从业者和研究人员提供了有关该领域当前趋势的综合知识体系，而且还为该领域的进一步研究奠定了基础。
2022-07-07 cs.CR cs.DC
Cybersecurity Information Exchange with Privacy (CYBEX-P) and TAHOE -- A Cyberthreat Language
University of Nevada, Reno（内华达大学里诺分校）
网络安全信息共享（CIS）旨在更有效地保护组织免受高级网络攻击。然而，完全自动化的CIS平台并没有被广泛采用。主要挑战是：（1）缺乏强大的网络威胁语言（CTL）和（2）对数据隐私的担忧。这项工作介绍了网络安全信息交换与隐私（CYBEX-P），作为一个CIS框架，以应对这些挑战。CYBEX-P允许组织通过基于属性的隐私控制来共享异构数据。它将数据关联起来，自动生成直观的报告和防御规则。为了实现这样的通用性，我们已经开发了TAHOE -一个基于图形的CTL。TAHOE是一种用于存储、共享和分析威胁数据的结构。它还内在地关联数据。我们进一步开发了一个通用的威胁数据查询语言（TDQL）。在本文中，我们提出了CYBEX-P的系统架构，然后讨论了它的可扩展性和隐私功能，以及CYBEX-P提供基础设施即服务（IaaS）的用例。我们进一步引入TAHOE和TDQL作为现有CTL的更好的替代品，并制定了ThreatRank -一种检测新恶意事件的算法，
2021-06-03 cs.CR cs.LG
Integrating Cybersecurity Frameworks into IT Security: A Comprehensive Analysis of Threat Mitigation Strategies and Adaptive Technologies
本文探讨了NIST、零信任和ISO/IEC 27001等网络安全框架及AI与ML技术在金融等行业的应用，并提供了应对实施挑战的切实方案，倡导构建与组织目标一致的风险适宜型防御体系。
2025-02-02 cs.CR
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
SEvenLLM: Benchmarking, Eliciting, and Enhancing Abilities of Large Language Models in Cyber Threat Intelligence
本文提出SEvenLLM框架，通过构建双语指令语料库和包含27个任务的多任务学习流水线，提升大型语言模型在网络安全威胁情报中的事件分析与响应能力，实验证明其能有效增强复杂威胁分析。
2024-06-03 cs.CR
Intelligence-based Cybersecurity Awareness Training- an Exploratory Project
网络安全培训应适应不断变化的网络威胁形势，具有成本效益，并与其他企业管理组件集成良好。不幸的是，很少有网络安全培训平台能够满足这些要求。本文提出了一种新型的网络安全培训模式，主要目标有三个：（i）培训应通过新出现的相关威胁发起，并首先交付给最脆弱的成员（ii）过程必须敏捷（iii）培训结果必须能够提供可操作的情报。本文首次建立了一个类型系统（本体和相关关系），将网络安全意识培训领域与网络威胁情报领域联系起来。在IBM Watson Knowledge Studio平台的支持下，发现所提出的方法是实用的和可扩展的。主要贡献，如类型系统的导出，100份威胁报告和127个网络安全评估结果的手动注释语料库，用于预注释的词典等都已公开。
2018-12-11 cs.CR
Efficient Collective Action for Tackling Time-Critical Cybersecurity Threats
漏洞发现、网络攻击的建立和传播之间的延迟缩短给网络安全专业人员带来了巨大的压力。为此，安全研究人员越来越多地采取集体行动，以减少描述和驯服突出威胁所需的时间。在这里，我们调查了开源威胁情报共享平台MISP的加入和贡献动态如何影响共同完成威胁描述所需的时间。我们发现，性能，定义为快速表征威胁事件的能力，受到（i）自身的复杂性（负面），（ii）集体行动（正面），（iii）学习，信息集成和模块化（正面）的影响。我们的研究结果表明，如何以模块化的方式大规模组织集体行动，以克服大量时间紧迫的任务，如网络安全威胁。
2022-10-09 cs.CR physics.soc-ph
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
CyNER: A Python Library for Cybersecurity Named Entity Recognition
Rochester Institute of Technology（罗切斯特理工学院）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
开放网络威胁情报（OpenCTI）信息以非结构化格式从互联网上的异构来源提供。我们提出CyNER，一个开源的Python库，用于网络安全命名实体识别（NER）。CyNER结合了用于提取网络安全相关实体的基于transformer的模型，用于提取不同危害指标的算法，以及用于通用实体类型的公开可用的NER模型。我们提供在用户可以随时使用的不同语料库上训练的模型。在先前的研究- MALOnt2.0（Christian等人，2021）和MALOnt（Rastogi等人，2020），并一起从威胁情报语料库中提取广泛的恶意软件攻击细节。用户可以结合多种不同方法的预测来满足他们的需求。图书馆是公开的。
2022-04-08 cs.CR cs.LG
Cybersecurity of COSPAS-SARSAT and EPIRB: threat and attacker models, exploits, future research
COSPAS-SARSAT是一个以“卫星辅助跟踪”系统（SARSAT）为基础的“搜索和救援”（SAR）任务国际方案。它旨在提供准确、及时和可靠的遇险警报和位置数据，以帮助参与国的搜救当局协助遇险人员和船只。有两种类型的卫星星座为COSPAS-SARSAT服务，即低地球轨道搜索和救援（LEOSAR）和地球静止轨道搜索和救援（GEOSAR）。尽管COSPAS-SARSAT几乎在全球部署，而且至关重要，但不幸的是，我们发现COSPAS-SARSAT协议和标准406 MHz传输缺乏网络安全的基本手段。在本文中，我们研究COSPAS-SARSAT天基/星基系统的网络安全问题。特别是，我们实际上，成功地实现和演示了第一次（据我们所知）COSPAS-SARSAT 406 MHz协议的攻击，即重放，欺骗和协议模糊EPIRB协议。我们还确定了一组核心研究挑战，阻止在该领域进行更有效的网络安全研究，并概述了主要的网络安全弱点和可能的缓解措施，以提高系统的网络安全水平。
2023-02-16 cs.CR
Exploring the Integration of Differential Privacy in Cybersecurity Analytics: Balancing Data Utility and Privacy in Threat Intelligence
University of Chadli Bendjedid, Faculty of Sciences & Technology（查德利·本杰迪德大学，科学与技术学院）
本文探讨了差分隐私在网络安全分析中的应用，通过平衡数据效用与隐私保护，提升威胁情报的安全共享能力。
2026-01-01 cs.CR
Cybersecurity Threat Hunting and Vulnerability Analysis Using a Neo4j Graph Database of Open Source Intelligence
New Mexico Cybersecurity Center of Excellence, New Mexico Tech（新墨西哥网络安全卓越中心，新墨西哥理工学院）；Sandia National Laboratories（桑迪亚国家实验室）
构建基于开源情报文本共享连接的Neo4j图数据库，通过关联IOC、CVE和MITRE ATT&CK技术ID等，实现威胁狩猎、恶意软件家族聚类和漏洞分析，并展示四个具体连接示例。
2026-06-12 cs.CR
Detecting Cybersecurity Threats by Integrating Explainable AI with SHAP Interpretability and Strategic Data Sampling
Dept. of Digital Network and Information Security Management（数字网络与信息安全管理系）
本研究通过整合可解释AI与SHAP可解释性及战略数据采样，提升网络安全威胁检测的透明度和效率
2026-02-22 cs.AI cs.CR cs.LG
Exploring Challenges and Opportunities in Cybersecurity Risk and Threat Communications Related To The Medical Internet Of Things (MIoT)
随着设备互连和无处不在的计算继续在医疗保健中激增，医疗物联网（MIoT），也被称为医疗物联网（IoMT）或医疗物联网（IoHT），肯定会在全球数十亿人的健康和福祉中发挥重要作用。当涉及到与物联网相关的各种网络安全风险和威胁时，重点一直是技术挑战和技术解决方案。然而，特别是在医疗保健领域，还存在另一个重大且潜在的严峻挑战。这是一项挑战，即如何向依赖这些互联医疗技术来改善甚至维持生命的患者彻底准确地传达网络安全风险和威胁的性质和程度。本案例研究旨在评估网络安全风险的范围和深度以及向极其脆弱的患者群体提供的威胁通信，并与美国各地的心脏医疗器械专家进行了半结构化访谈。这项研究为医疗保健网络安全领域提供了科学数据，并协助学者和从业人员推进MIoT患者通信领域的教育和研究。
2019-08-02 cs.CR cs.CY
Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings
Fondazione Bruno Kessler（布鲁诺·克塞勒基金会）；University of Trento（特伦托大学）
本研究系统比较多种联邦学习算法在非独立同分布和不平衡数据下对DDoS攻击的网络入侵检测性能，为实际部署提供选择依据。
2026-11-06 cs.CR
An Adversarial Risk Analysis Framework for Cybersecurity
网络威胁影响着所有类型的组织。风险分析是网络安全的重要方法，因为它允许组织处理可能影响他们的网络威胁，优先考虑其资产的防御，并决定应该实施什么样的安全控制。许多风险分析方法存在于网络安全模型、合规框架和国际标准中。然而，其中大多数采用风险矩阵，其缺点可能导致次优的资源分配。我们提出了一个全面的网络安全风险分析框架，涵盖了对抗性和非故意威胁的存在，并将保险作为安全组合的一部分。一个案例研究说明了拟议的框架，作为模板，更复杂的情况下。
2019-03-18 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
Automated CVE Analysis for Threat Prioritization and Impact Prediction
Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina - Charlotte（北卡罗来纳大学夏洛特分校）
针对CVE分析中人工评估效率低、易出错的问题，提出CVEDrill模型，自动估计CVSS向量并分类至CWE层级，实现精准威胁缓解与优先级排序，超越现有工具。
2023-09-06 cs.CR cs.LG
SecureBERT 2.0: Advanced Language Model for Cybersecurity Intelligence
Cisco AI San Jose（思科AI圣何塞）
SecureBERT 2.0通过改进的长上下文建模和分层编码，提升网络安全领域威胁情报的语义搜索、分析和漏洞检测能力。
2025-10-10 cs.AI cs.CR cs.LG
Deep Reinforcement Learning for Cybersecurity Threat Detection and Protection: A Review
Microsoft R&D（微软研发中心）；BITS Pilani（博拉理工学院皮拉尼校区）
网络安全威胁形势最近变得过于复杂。威胁行为者以非常协调的方式利用网络和端点安全中的弱点来实施复杂的攻击，这些攻击可能会使整个网络和网络中的许多关键主机瘫痪。越来越先进的深度和基于机器学习的解决方案已被用于威胁检测和保护。这些技术的应用在科学文献中得到了很好的综述。深度强化学习在为早期需要高级人类认知的领域开发基于人工智能的解决方案方面表现出了巨大的潜力。深度强化学习下的不同技术和算法在从游戏到工业过程的应用中显示出巨大的前景，据称可以增强具有通用AI功能的系统。这些算法最近也被用于网络安全，特别是在威胁检测和端点保护方面，这些算法显示出最先进的结果。与监督机器和深度学习不同，深度强化学习的使用方式更加多样化，并在威胁防御领域为许多创新应用提供支持。然而，没有对这些独特的应用和成就进行任何全面审查。因此，在本文中，我们打算填补这一空白，并全面回顾深度强化学习在网络安全威胁检测和保护中的不同应用。
2022-06-06 cs.AI cs.CR
AI-Driven Cybersecurity Threats: A Survey of Emerging Risks and Defensive Strategies
Bharat Institute of Engineering and Technology（印度海得拉尔邦坦达瓦纳技术工程学院）；Vellore Institute of Technology（印度维洛雷技术学院）
本文调研了人工智能在网络安全中的新兴威胁与防御策略，分析了深度伪造、对抗性AI攻击等风险，并提出混合检测和基准框架等研究方向。
2026-01-06 cs.AI cs.CR
Space Cybersecurity Norms
本文探讨了太空系统环境的演变、网络威胁与脆弱性、应对威胁的替代方法及规范意义，以及制定和强化太空网络安全规范的途径。
2023-06-12 cs.CR
Systemization of Knowledge (SoK)- Cross Impact of Transfer Learning in Cybersecurity: Offensive, Defensive and Threat Intelligence Perspectives
本文全面综述了迁移学习在网络安全攻击、防御和威胁情报等领域的应用，强调其在提升检测准确率与隐私保护等方面的作用，并提出了未来研究路线图。
2023-09-12 cs.CR
Taxonomy for Cybersecurity Threat Attributes and Countermeasures in Smart Manufacturing Systems
University of Massachusetts Dartmouth（麻省大学达特茅斯分校）；Western New England University（新英格兰西部大学）；University of South Carolina（南卡罗来纳大学）；The University of Arizona（亚利桑那大学）
本文提出智能制造系统网络安全威胁的综合分类体系，涵盖威胁行为者、攻击方法与影响，以及对策分类，通过案例展示攻击链及防护措施设计。
2026-04-01 cs.CR
AI Security Threats against Pervasive Robotic Systems: A Course for Next Generation Cybersecurity Workforce
Mississippi State University（密西西比州立大学）
机器人技术、自动化和相关的人工智能（AI）系统已经变得普遍，带来了与安全性、准确性和信任相关的担忧。随着人们越来越依赖与人类密切接触的物理机器人，这些系统的安全性变得越来越重要，以防止可能导致隐私侵犯、关键操作破坏和身体伤害的网络攻击。目前缺乏专业人员谁可以捍卫这种系统要求开发和整合这样的课程。本课程描述包括关于“针对普适机器人系统的AI安全威胁”的七个独立和自适应模块的详细信息。主题包括：1）介绍，攻击的例子和动机; 2）-机器人AI攻击表面和渗透测试; 3）-输入传感器的攻击模式和安全策略; 4）-训练攻击和相关的安全策略; 5）-推理攻击和相关的安全策略; 6）-执行器攻击和相关的安全策略;和7）-人工智能，机器人和网络安全的伦理。
2023-02-15 cs.AI cs.CR cs.LG
A Review of Cybersecurity Incidents in the Water Sector
本研究对水务部门披露的、记录在案的和恶意的网络安全事件进行了严格审查，以告知针对网络安全威胁的保障工作。该审查是在工业控制系统架构，攻击防御模型和安全解决方案的技术背景下提出的。通过搜索策略选择并分析了15起事件，其中包括从联邦调查报告到科学论文的各种公共信息源。对于每一个单独的事件，情况，反应，补救措施和经验教训进行了汇编和描述。本次审查的结果表明，水部门面临的网络威胁的频率、多样性和复杂性都有所增加。虽然发现了新的威胁，如勒索软件或加密劫持，但类似的漏洞和威胁，如内部威胁的复发也很明显，强调需要一种适应性，合作性和全面的方法来进行水网络防御。
2020-07-25 cs.CR
A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
针对海事网络安全研究不足的问题，研究通过对21名高级海员的调查与访谈，揭示了培训不足、工具缺乏等系统性问题，并提出威胁分类与改进建议以增强系统弹性。
2025-07-14 cs.CR
ICAR, a categorical framework to connect vulnerability, threat and asset managements
本文提出ICAR，一个基于范畴论的统一数学框架，用于整合NIST与MITRE网络安全本体，构建知识图谱以识别信息系统攻击与弱点结构，并定义十个查询辅助风险评估与防御组织。
2023-06-21 cs.CR math.CT
Evaluating Predictive Models in Cybersecurity: A Comparative Analysis of Machine and Deep Learning Techniques for Threat Detection
本文比较了多种机器学习与深度学习模型在网络安全威胁检测中的表现，发现随机森林和极端随机树在准确率上更具优势，并分析了实际部署中的挑战，为网络安全专业人员选择预测模型提供依据。
2024-07-08 cs.CR
Cybersecurity for Modern Smart Grid against Emerging Threats
本专著系统综述智能电网网络安全问题的来源、威胁分类及缓解方法，梳理最新研究成果与开放挑战，为初学者和研究者提供教程与参考。
2024-04-06 cs.CR
Assessing the influence of cybersecurity threats and risks on the adoption and growth of digital banking: a systematic literature review
该研究通过系统综述2015至2024年间78篇文献，评估网络安全威胁对数字银行安全、采用及合规的影响，发现网络钓鱼和恶意软件为主要威胁，MFA和生物识别等防护措施有效，但第三方金融科技带来新风险，需加强监管。
2025-03-23 cs.CR cs.CY
Reasoning Under Threat: Symbolic and Neural Techniques for Cybersecurity Verification
Sarah Veronica（独立研究者）
本文综述自动推理及神经符号技术在网络安全验证中的应用，梳理逻辑系统、SOTA工具与AI集成，并指出可扩展性等研究空白及未来方向。
2025-05-12 cs.AI cs.CR
Deep Learning for Unsupervised Insider Threat Detection in Structured Cybersecurity Data Streams
Western Washington University（西华盛顿大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
对组织的计算机网络活动的分析是早期检测和减轻内部威胁的关键组成部分，这是许多组织日益关注的问题。原始系统日志是流数据的典型示例，可以快速扩展到超出人类分析师的认知能力。作为人类分析师的前瞻性过滤器，我们提出了一种在线无监督深度学习方法，用于实时的从系统日志中检测异常网络活动。我们的模型将异常分数分解为单个用户行为特征的贡献，以提高可解释性，从而帮助分析师审查潜在的内部威胁案例。使用CERT Insider Threat Dataset v6.2和威胁检测召回作为我们的性能指标，我们的新型深度和循环神经网络模型优于主成分分析，支持向量机和基于隔离森林的异常检测基线。对于我们的最佳模型，在我们的数据集中标记为内部威胁活动的事件的平均异常得分为95.53百分位，这表明我们的方法有可能大大减少分析人员的工作量。
2017-12-15 cs.CR cs.LG cs.NE
Classifier Calibration: with application to threat scores in cybersecurity
University of Victoria（维多利亚大学）；Helwan University（赫勒万大学）
本文探讨了二元分类问题中分类器输出分数的校准问题。校准器是将测试观察的任意分类器分数映射到$[0,1]$上以提供属于两个类别之一的后验概率的估计的函数。校准之所以重要，有两个原因：第一，它提供了一个有意义的分数，即后验概率;第二，它将不同分类器的分数放在同一尺度上，以便进行可比解释。本文提出了三个主要贡献：（1）引入多得分校准，当多个分类器提供一个单一的观察得分。(2)将分类器得分引入校准过程的想法只是分类器的特征，因此建议将分类器得分扩展到更高的维度以提高校准器的性能。(3)进行大规模的模拟研究，大约24，000个实验，其中包括不同的配置，以及对网络安全领域的两个真实数据集进行实验。结果表明，在不同的校准器和不同的配置中，没有赢家。然而，对从业者的一般建议包括以下内容：Platt校准器~ \citep{Platt1999ProbabilisticOutputsForSupport}，一种在小样本量下降低偏倚的逻辑回归版本，在所有实验中具有非常稳定和可接受的性能;我们建议的多分数校准在大多数实验中提供了比单分数校准更好的性能，包括两个真实数据集。此外，扩大分数可以帮助一些实验。
2022-04-27 cs.CR cs.LG
Safeguarding Skies: Airport Cybersecurity in the Digital Age
Rajamangala University of Technology Tawan-ok（大城皇家理工大学）
本文系统分析了机场面临的新兴威胁，结合现实案例和文献，首次将MITRE ATT&CK矩阵应用于机场安全风险评估，提出基于网络安全框架和零信任架构的防护策略，为航空行业应对复杂网络安全挑战提供指导。
2026-04-26 cs.CR
Enhancing cybersecurity defenses: a multicriteria decision-making approach to MITRE ATT&CK mitigation strategy
本文针对日益复杂的网络安全威胁，提出将MITRE ATT&CK框架与多准则决策技术相结合的方法，通过确定并优先排序安全控制措施来制定防御策略，帮助组织提升网络安全态势的稳健性与弹性。
2024-07-27 cs.CR
Surveying the Operational Cybersecurity and Supply Chain Threat Landscape when Developing and Deploying AI Systems
Sandia National Labs（桑迪亚国家实验室）
本文调查了AI系统开发与部署中的运营网络安全和供应链威胁，揭示攻击者转向操纵AI输出的新目标，并强调需构建针对性安全框架以保障AI系统的可靠性与韧性。
2025-08-27 cs.AI cs.CR
Federated Cybersecurity Testbed as a Service (FCTaaS): A framework to federate cybersecurity testbeds
University of Arizona（亚利桑那大学）；University of North Dakota（北达科他大学）
针对技术变革带来的网络安全研究挑战，提出FCTaaS框架，通过VPN连接异构网络安全测试床，支持跨地域协同实验，经案例研究评估，该框架能有效实现跨测试床实验，在资源利用和延迟控制上表现良好。
2026-09-23 cs.CR cs.NI
Evaluating the Cybersecurity Risk of Real World, Machine Learning Production Systems
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；NEC（日本电气股份有限公司）
尽管对机器学习（ML）生产系统的网络攻击可能是有害的，但今天，安全从业人员装备不足，缺乏方法和战术工具，使他们能够分析基于ML的系统的安全风险。在本文中，我们对ML生产系统进行了全面的威胁分析。在此分析中，我们遵循NIST提出的本体论评估企业网的安全风险，并将其应用到基于ML的生产系统。具体来说，我们（1）列举典型ML生产系统的资产，（2）描述威胁模型（即，潜在的对手，他们的能力，以及他们的主要目标），（3）识别ML系统的各种威胁，以及（4）审查大量的攻击，在以前的研究中，可以实现这些威胁。此外，为了量化对抗性机器学习（AML）威胁的风险，我们引入了一种新的评分系统，该系统为不同的AML攻击分配严重性评分。建议的评分系统利用层次分析法（AHP）的排名，与安全专家的协助下，各种属性的攻击。最后，我们开发了MulVAL攻击图生成和分析框架的扩展，以将网络攻击纳入ML生产系统。使用该扩展，安全从业人员可以在包含ML组件的环境中应用攻击图分析方法;因此，为安全从业人员提供了一种方法和实用工具，用于评估针对ML生产系统的网络攻击的影响和量化风险。
2021-10-03 cs.CR cs.LG
Cyber Security Threat Awareness Framework for High School Students in Qatar
网络安全被认为是当今世界任何人的必需品。网络安全标准和最佳实践的意识已经成为强制性的，以保护一个孩子在这个时代。今天的高中生不了解网络安全威胁，因为缺乏父母的参与或缺乏高中的教育材料和课程。这项研究开发了一个框架，解决了高中生缺乏网络安全意识的问题。建议的框架提供了一个流程的步骤，为K12提供有效的认识方法。这是通过创建一个功能操作框架的方法来实现的，该框架包括四个阶段，即威胁和攻击识别、现有意识发现、创建意识方法和意识方法评估。这一产出产生了专门针对k-12年龄段的网络安全意识方法，该方法利用了网络安全表情符号。因此，通过探索这种方法，安全社区可以招募和吸引青少年参与网络安全，提高安全意识的程度。
2022-07-02 cs.CR
AgentCyTE: Leveraging Agentic AI to Generate Cybersecurity Training & Experimentation Scenarios
针对网络安全场景设计依赖人工、LLM无约束生成易失效的问题，提出融合LLM推理与约束网络仿真的AgentCyTE框架，通过智能体反馈循环迭代优化场景，实现可靠可扩展的威胁场景生成。
2025-10-29 cs.CR
