Tecnicas Avanzadas de Ciberseguridad: Integracion y Evolucion de la Kill Chain en Diversos Escenarios
本文深入分析多种网络安全攻击链模型的优缺点，指出攻击分析需更强适应性，提出攻击树与kill chain结合可有效检测云内部攻击，强调BACCER等高级模型在攻击模式识别中的作用。
2023-06-03 cs.CR cs.NI
Can agents whose sole duty is to keep humans alive be hijacked to kill? Delayed multi-turn derived-action trap attacks in simulated high-stakes environments
DXC Technology（DXC科技公司）
该研究在NASA衍生的BioSim月球栖息地模拟中，测试Claude、GPT、Grok等AI智能体能否被延迟提示注入诱导放弃维持人类生命的职责，发现不同模型对攻击的易感性存在差异，且消息表述方式会影响攻击效力。
2026-10-14 cs.AI cs.CR
Show Me Your Code! Kill Code Poisoning: A Lightweight Method Based on Code Naturalness
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
针对代码投毒攻击，提出轻量级检测方法KillBadCode，基于代码自然性破坏原理，利用n-gram语言模型识别触发标记并净化数据，高效且显著优于现有基线。
2025-02-20 cs.AI cs.CR cs.SE
A Cyber Kill Chain Based Taxonomy of Banking Trojans for Evolutionary Computational Intelligence
银行木马等恶意软件在以金融为动机的网络犯罪分子中很受欢迎。由于用于混淆和规避现有检测和安全解决方案的技术不断发展，银行木马的检测仍然是一项具有挑战性的任务。拥有恶意软件分类可以促进缓解策略的设计，例如基于进化计算智能的策略。具体来说，在本文中，我们提出了一个网络杀死链的银行木马功能的分类。这种基于威胁情报的分类法提供了对网络攻击的逐阶段操作理解，对于安全从业人员和特洛伊木马检测和缓解策略的进化计算智能设计非常有益。建议的分类法通过使用一家英国主要金融机构从2014年12月至2016年1月收集的127个银行木马的真实数据集进行验证。
2018-07-27 cs.CR
Learning the APT Kill Chain: Temporal Reasoning over Provenance Data for Attack Stage Estimation
Technische Universität Chemnitz（开姆尼茨工业大学）
StageFinder通过融合溯源数据和时序学习，实现高精度的APT攻击阶段估计，宏F1分数达0.96，预测稳定性提升31%。
2026-03-08 cs.CR cs.NI
PoDT: A Secure Multi-chains Consensus Scheme Against Diverse Miners Behaviors Attacks in Blockchain Networks
随着跨链技术使不同区块链（以下简称“链”）之间的交互成为可能，多链共识在区块链网络中变得越来越重要。然而，更多的注意力集中在单链共识方案。没有考虑可信矿工参与的多链共识，从而为恶意用户提供了在不同链上发起多样化矿工行为（DMB）攻击的机会。DMB攻击者可以在一些称为掩码链的共识过程中表现出友好性，以提高信任值，而在另一些称为掩码链的链上，他们从事破坏网络的行为。在本文中，我们提出了一个多链共识方案命名为证明的DiscTrust（PoDT），以抵御DMB攻击。引入区分信任的思想（DiscTrust）来评估每个用户对不同链的信任值。设计了一种动态行为预测机制来增强DiscTrust，以防止密集的DMB攻击者通过在加密链上交替创建真块或假块来保持高信任。在此基础上，实现了一轮区块创建时多链可信矿工选择算法。实验结果表明，PoDT方案在多链环境下具有较好的抗DMB攻击能力，且比传统的一致性方案更有效.
2021-11-02 cs.CR
Speed Kills: Exploring Confused Deputy Attacks Through Edge AI Accelerators
Purdue University（普渡大学）
本文研究了通过边缘AI加速器（AIA）进行的困惑代理攻击（CDAs）问题，提出了一种基于大语言模型（LLM）的框架DeputyHunt，通过动态和静态分析提取相关信息，并发现六种主流AIA均存在CDAs的可行性，影响超过128个系统芯片（SOCs）和1亿台设备。
2026-10-08 cs.CR
What Doesn't Kill You Makes You Robust(er): How to Adversarially Train against Data Poisoning
University of Siegen（锡根大学）；University of Maryland（马里兰大学）
数据投毒是一种威胁模型，其中恶意行为者篡改训练数据以在推理时操纵结果。针对这种威胁模型提出了各种防御措施，但每一种都至少有以下缺陷之一：它们很容易被自适应攻击克服，它们严重降低测试性能，或者它们不能推广到不同的数据投毒威胁模型。对抗性训练及其变体目前被认为是唯一一种针对（推理时间）对抗攻击的经验性强的防御方法。在这项工作中，我们扩展了对抗性训练框架，以防御（训练时间）数据投毒，包括有针对性的和后门攻击。我们的方法通过在训练过程中创建毒药并将其注入训练批次来使网络对此类攻击的影响脱敏。我们证明了这种防御可以承受自适应攻击，推广到不同的威胁模型，并且比以前的防御（如DP-SGD或（逃避）对抗训练）具有更好的性能权衡。
2022-02-17 cs.CR cs.CV cs.LG
Policy-Value Guided MDP-MCTS Framework for Cyber Kill-Chain Inference
本文提出一种结合Transformer语义先验与AlphaZero风格MCTS的框架，用于自动推断网络杀伤链，提升入侵路径的语义准确性和操作连贯性。
2025-12-17 cs.CR
Entangled Threats: A Unified Kill Chain Model for Quantum Machine Learning Security
Fraunhofer Institute for Applied and Integrated Security (AISEC)（弗劳恩霍夫应用与集成安全研究所）；d-fine GmbH（d-fine公司）；Alpine Quantum Technologies (AQT) GmbH（阿尔卑斯量子技术公司）；Federal Office for Information Security (BSI)（联邦信息安全办公室）
针对量子机器学习（QML）威胁被孤立分析的问题，提出受MITRE ATLAS启发的量子感知杀伤链框架，系统映射多阶段攻击向量及其相互依赖关系，为QML的威胁建模和深度安全设计奠定基础。
2025-07-11 cs.CR cs.LG quant-ph
Kill Two Birds with One Stone! Trajectory enabled Unified Online Detection of Adversarial Examples and Backdoor Attacks
Nanjing University of Science and Technology（南京理工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Wollongong（沃林戈大学）；The University of Western Australia（西澳大学）
UniGuard是首个统一在线检测框架，通过将模型传播轨迹视为时间序列信号并利用LSTM和频谱变换放大差异，同时检测对抗样本和后门攻击，在多模态和任务中表现优于现有SOTA方法。
2025-06-28 cs.AI cs.CR
So, I climbed to the top of the pyramid of pain -- now what?
本文提出 Human Layer Kill Chain 框架，将人类心理与行为纳入网络威胁分析，并结合 Cyber Kill Chain 构建 Sociotechnical Kill Plane，以全面审视攻击者 TTPs，提升组织对 AI 时代网络威胁的识别与响应能力。
2025-05-30 cs.CR cs.CY
The Promptware Kill Chain: How Prompt Injections Gradually Evolved Into a Multistep Malware Delivery Mechanism
Department of Software and Information Systems Engineering, Ben-Gurion University of the Negev（本·古里安大学软件与信息系统工程系）；School of Electrical and Computer Engineering, Tel Aviv University（特拉维夫大学电气与计算机工程学院）；Harvard Kennedy School, Harvard University, and Munk School, University of Toronto（哈佛大学哈佛肯尼迪学校及多伦多大学穆克学校）
本文提出提示武器杀链模型，揭示提示注入演变为多步骤恶意软件攻击机制的过程，并提出针对各阶段的防御策略。
2026-02-10 cs.AI cs.CR
Architectures for Detecting Interleaved Multi-stage Network Attacks Using Hidden Markov Models
随着网络威胁的不断增加，开发高可靠性网络系统的需求变得越来越重要。本文的目的是解决建模和检测复杂的网络攻击，如多重交织攻击的挑战。我们提出了交错的概念，并研究如何交错多个攻击可以欺骗入侵检测系统。使用一个重要的统计机器学习（ML）技术，隐马尔可夫模型（HMM），我们开发了两个架构，考虑到隐形性质的交织攻击，可以检测和跟踪这些攻击的进展。这些架构部署了已知攻击的HMM模板数据库，并表现出不同的性能和复杂性。对于性能评估，在存在多个多阶段攻击场景的情况下，提出了各种度量，包括（1）攻击风险概率，（2）检测出错率，以及（3）正确检测的阶段的数量。广泛的仿真实验被用来证明所提出的架构的有效性。
2019-10-30 cs.CR
Intrusion Detection and identification System Design and Performance Evaluation for Industrial SCADA Networks
在本文中，我们提出了一个研究，提出了一个三阶段的分类器模型，采用机器学习算法开发的入侵检测和识别系统的数十种不同类型的攻击对工业SCADA网络。根据使用天然气管道SCADA网络的实验室原型生成的数据对机器学习分类器进行训练和测试。该数据集由三个攻击组和七个不同的攻击类别或类别组成。同一数据集还提供了与这七种攻击类别相关的35种不同类型的子攻击的签名。该研究需要设计三阶段的机器学习分类器作为误用入侵检测系统，以检测和识别35个攻击子类中的每一个。分类器的第一阶段决定记录是否与正常操作或攻击签名相关联。如果发现该记录属于攻击特征，则在第二阶段中，将其分类为七种攻击类别之一。基于由来自第二级分类器的输出确定的所识别的攻击类别，为第三级子攻击分类提供攻击记录，其中采用七个不同的分类器。来自第三阶段分类器的输出标识记录所属的子攻击类型。仿真结果表明，设计探索专业化领域或执行多个阶段与单阶段设计的分类是有前途的问题，有几十个类。与文献中的研究比较也表明，多级分类器的性能明显更好。
2020-12-17 cs.CR
An Effective Attack Scenario Construction Model based on Attack Steps and Stages Identification
网络入侵检测系统（NIDS）是一种检测入侵者攻击的网络安全技术。然而，它产生了大量的低级别警报，这使得分析困难，特别是构建攻击场景。通过警报关联（AC）构建攻击场景（ASC）对于揭示攻击策略的步骤和阶段非常重要，这些步骤和阶段需要启动以使攻击成功。在大多数现有的作品，警报相关的分类的基础上的因果关系的警报。然而，这些作品的缺点是由于原始警报的渗透而导致的错误和不完整的相关性的识别。为了解决这个问题，这项工作提出了一个有效的ASC模型来发现警报之间的完整关系。该模型使用DARPA 2000和ISCX 2012两种数据集进行了成功的实验。该模型的完整性和可靠性的测量，以评估整体的相关性的有效性。
2021-10-16 cs.CR
Kill-Chain Canaries: Stage-Level Tracking of Prompt Injection Across Attack Surfaces and Five Production LLMs
Massachusetts Institute of Technology（麻省理工学院）；University of Chicago（芝加哥大学）
研究通过跟踪加密令牌四个阶段，揭示提示注入是管道-架构问题，发现写节点位置是最高安全决策，所有防御因通道不匹配失效，且隐形白字体PDF负载可匹配或超越可见文本ASR。
2026-10-01 cs.AI cs.CR cs.LG
Cryptographic ransomware encryption detection: Survey
本综述提出一种描述现代加密勒索软件攻击的网络杀伤链，聚焦加密阶段，总结API/系统调用、I/O监控和文件系统活动监控三种检测方法，并指出学术研究与商业应用间的差距。
2023-06-21 cs.CR
RAPTOR: Advanced Persistent Threat Detection in Industrial IoT via Attack Stage Correlation
本文提出RAPTOR系统，利用ICS/OT环境的TTP和易采集的流量与IDS警报关联APT攻击阶段并生成行动图，实验表明其检测精度高、误报漏报低。
2023-09-26 cs.CR
On Holistic Multi-Step Cyberattack Detection via a Graph-based Correlation Approach
虽然通过信息和通信技术实现的配电网数字化带来了许多好处，但也增加了电网对严重网络攻击的脆弱性。与传统系统不同，对许多工业控制系统（如电网）的攻击通常发生在多个阶段，攻击者一次采取多个步骤来实现其目标。需要具有态势感知的检测机制来检测作为连贯攻击活动的一部分的精心策划的攻击步骤。为了提供检测和预防此类攻击的基础，本文讨论了多阶段网络攻击的检测与基于图的网络情报数据库和警报相关方法的帮助。具体来说，我们提出了一种方法来检测多阶段的攻击，利用异构数据形成一个知识库，并采用基于模型的相关方法生成的警报，以确定多阶段的网络攻击序列发生在网络中。我们调查所提出的方法的检测质量，通过使用一个面向未来的电网试点的多阶段网络攻击活动的案例研究。
2022-11-20 cs.CR
SQOUT: A Risk-Based Threat Analysis Framework for Quantum Communication Systems
QuDef B.V.（QuDef公司）；KTH Royal Institute of Technology（皇家理工学院）
提出一种基于杀伤链的威胁模型和ISO/IEC 27005兼容的风险评分方法，通过SQOUT平台分析光子数分裂和探测器致盲攻击，生成量子特定威胁场景的治理级风险评级。
2026-06-23 cs.CR quant-ph
FuseChain: Runtime Evidence Reconstruction for Software Supply-Chain Attacks
School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院）
提出FuseChain框架，通过统一时间轴上的异构时序图融合多源遥测数据，学习异常中心表示并利用轻量解码器重建攻击阶段，在七种供应链攻击场景下将阶段召回率从0.369提升至0.881。
2026-06-16 cs.CR
Variations on Kak's Three Stage Quantum Cryptography Protocol
本文介绍了Kak的三阶段量子密钥分配协议的一个变体，它允许防御中间人攻击。此外，我们引入了一个新的协议，它也提供了类似的抵抗这种攻击。
2007-06-19 cs.CR
Towards Practical Fabrication Stage Attacks Using Interrupt-Resilient Hardware Trojans
本文提出中断弹性硬件木马（IRT），通过解决CPU非确定性上下文切换导致的触发竞态问题，在28nm RISC-V微架构上以仅20皮秒的平均延迟开销实现高可靠性的制造阶段攻击，并开源设计以推动微处理器木马研究。
2024-05-02 cs.CR
A Formal Approach to Exploiting Multi-Stage Attacks based on File-System Vulnerabilities of Web Applications (Extended Version)
Web应用程序需要访问文件系统以执行许多不同的任务。因此，在分析Web应用程序的安全性时，安全分析人员应该考虑文件系统操作对整个应用程序安全性的影响。此外，分析应考虑文件系统漏洞如何与其他漏洞相互作用，导致攻击者侵入Web应用程序。在本文中，我们首先提出了一个文件系统漏洞的分类，然后，基于这种分类，我们提出了一个正式的方法，允许一个利用文件系统漏洞。我们给出了Web应用程序、数据库和文件系统的形式化表示，并展示了如何推理文件系统漏洞。我们还展示了如何结合文件系统漏洞和SQL注入漏洞来识别复杂的多阶段攻击。我们已经开发了一个自动工具，实现了我们的方法，我们通过讨论几个真实世界的案例研究，这是见证了我们的工具可以生成，并利用，复杂的攻击，据我们所知，没有其他国家的最先进的工具的Web应用程序的安全可以找到它的效率。
2017-05-10 cs.CR
Towards Practical Deployment-Stage Backdoor Attack on Deep Neural Networks
Princeton University（普林斯顿大学）；Zhejiang University（浙江大学）；Tencent（腾讯）
AI安全社区的一个主要目标是安全可靠地为现实世界的应用程序生成和部署深度学习模型。为此，近年来广泛探索了在生产阶段（或训练阶段）对深度神经网络（DNN）的基于数据投毒的后门攻击以及相应的防御。具有讽刺意味的是，部署阶段的后门攻击通常发生在非专业用户的设备上，因此可以说在现实世界的场景中更具威胁性，但社区的关注要少得多。我们将这种不平衡的警惕性归因于现有部署阶段后门攻击算法的实用性较弱以及现实世界攻击演示的不足。为了填补这一空白，在这项工作中，我们研究了DNN部署阶段后门攻击的现实威胁。我们的研究基于一种常用的部署阶段攻击范式-对抗性权重攻击，其中对手选择性地修改模型权重以将后门嵌入部署的DNN中。为了接近现实的实用性，我们提出了第一个灰盒和物理可实现的权重后门注入攻击算法，即子网替换攻击（SRA），它只需要受害者模型的架构信息，可以支持物理触发器在现实世界中。广泛的实验模拟和系统级的真实世界的攻击演示进行。我们的研究结果不仅表明了所提出的攻击算法的有效性和实用性，而且还揭示了一种新型计算机病毒的实际风险，这种病毒可能会广泛传播并悄悄地将后门注入用户设备中的DNN模型。通过我们的研究，我们呼吁更多的关注DNN在部署阶段的脆弱性。
2022-05-26 cs.CR cs.CV
Simulation of Multi-Stage Attack and Defense Mechanisms in Smart Grids
针对智能电网安全数据不足问题，本文构建模块化仿真环境，利用攻击树和博弈论建模多阶段攻防并生成真实数据，以训练和评估入侵检测与决策支持模型。
2024-12-09 cs.CR
PRISM: A Hierarchical Intrusion Detection Architecture for Large-Scale Cyber Networks
网络规模的增加和网络攻击的复杂性的提高给入侵检测带来了一些挑战。主要的挑战是需要通过处理当今网络产生的大量流量来实时检测复杂的多阶段攻击。在本文中，我们提出了PRISM，层次化的入侵检测体系结构，使用一种新的攻击者行为模型为基础的采样技术，以尽量减少实时流量处理开销。PRISM具有独特的多层体系结构，可分布式监控网络流量，以提供处理效率和设计模块化。PRISM采用基于隐马尔可夫模型的预测机制来识别多阶段攻击，并确定攻击进展以进行主动响应。此外，PRISM引入了一个流管理程序，纠正了从分布式警报报告系统收集时的警报重新排序问题。为了评估PRISM的性能，已经提出了多个度量，并在多阶段攻击数据集上进行了各种实验。结果显示，与标准的集中式IDS相比，处理开销提高了7.5倍，而没有损失预测准确性，同时证明了快速预测不同攻击阶段的能力。
2022-11-20 cs.CR
An Empirical Case Study of Prompt Engineering Strategies for Bypassing Multi-Layer Agent Security Defenses
本文通过OpenClaw攻防挑战开展实证研究，分析提示工程策略对多层智能体安全防御的绕过效果，发现指令安全性与攻击准确率存在权衡，多层防御可大幅限制提示工程的作用。
2026-10-14 cs.CR
LAAF: Logic-layer Automated Attack Framework A Systematic Red-Teaming Methodology for LPCI Vulnerabilities in Agentic Large Language Model Systems
Qorvex Consulting（Qorvex咨询公司）；RockCyber；University of Prince Mugrin（穆格林亲王大学）；Skylink Antenna（Skylink天线公司）
LAAF是首个结合特定技术分类和分阶段种子升级的自动化红队框架，通过49种技术分类生成大量独特负载，并通过持久化阶段突破器实现分阶段负载变异，有效提升阶段突破效率。
2026-03-18 cs.CR
AI-based Attacker Models for Enhancing Multi-Stage Cyberattack Simulations in Smart Grids Using Co-Simulation Environments
针对智能电网网络攻击研究中数据有限或私密的问题，提出采用自主智能体执行模块化攻击的联合仿真框架以生成可复现数据，并对比虚拟与物理攻击影响、探索大语言模型自动化攻击生成，可加速原型设计并节省资源。
2024-12-05 cs.CR
A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning
针对CAN总线车载网络易受攻击的问题，提出结合ANN与LSTM自编码器的多阶段轻量入侵检测系统，基于分层联邦学习部署，在已知和新型攻击检测上均取得优异性能且误报率极低。
2024-08-15 cs.CR
MAAC: Novel Alert Correlation Method To Detect Multi-step Attack
随着攻击方法的不断改进，出现了越来越多的分布式、复杂的、有针对性的攻击，攻击者采用组合攻击方法来达到攻击目的。高级网络攻击包括多个阶段，以实现最终目标。传统的入侵检测系统，如端点安全管理工具、防火墙和其他监控工具，在攻击过程中会生成大量警报。这些警报包括攻击线索，以及许多与攻击无关的误报。安全分析师需要分析大量的警报，从中找到有用的线索，并重构攻击场景。然而，大多数传统的安全监控工具无法将来自不同来源的警报关联起来，因此许多多步骤攻击仍然完全没有被注意到，需要安全分析师进行手动分析，就像大海捞针一样。我们提出了MAAC，一个多步攻击警报关联系统，它减少了重复警报，并结合基于警报语义和攻击阶段的多步攻击路径。对真实数据集的评估结果表明，MAAC能够有效地减少90%的警报，并从大量警报中发现攻击路径.
2021-10-25 cs.CR
AMDS: Attack-Aware Multi-Stage Defense System for Network Intrusion Detection with Two-Stage Adaptive Weight Learning
School of Computing Sciences and Computer Engineering（计算科学与计算机工程学院）；University of Southern Mississippi（密苏里州立大学）
本文提出AMDS系统，通过双阶段自适应加权学习提升网络入侵检测的对抗鲁棒性，实验证明其在准确率和F1分数上均优于现有方法。
2026-03-01 cs.AI cs.CR
Enhancing User Resilience Against AI-Augmented Phishing: A Two-Stage Framework for Detection and Personalized Training
Monmouth University（蒙茅斯大学）
针对AI增强型钓鱼攻击带来的新威胁，研究人员提出两阶段反钓鱼框架CyberGLA，结合EmailKnight检测工具与LLM安全教练，实现技术防御与个性化用户训练，以提升用户抵御此类攻击的能力。
2026-08-25 cs.CR
Forecasting Attacker Actions using Alert-driven Attack Graphs
针对入侵检测系统告警疲劳及现有告警驱动攻击图仅离线运行、无法排序关键路径的问题，本文提出基于rSPDFA和期望最大化的攻击者行为预测方法，实现实时攻击图构建，显著提升预测准确率，助力SOC分析师高效处置攻击。
2024-08-19 cs.CR
CASCADE Against Jailbreaks: Combination Across Stages with Controlled Attack-Defense Evaluation
School of Computing（计算学院）；National University of Singapore（新加坡国立大学）
针对LLM越狱防御在不同流水线阶段部署不清的问题，首次系统研究阶段内与跨阶段的防御组合，在统一威胁模型下标准化评估，发现无单一防御最优，但精选组合可在最小化效用降级下显著提升安全性。
2026-09-21 cs.CL cs.CR
Killing Two Birds with One Stone: Malicious Package Detection in NPM and PyPI using a Single Model of Malicious Behavior Sequence
Fudan University（复旦大学）；Tongji University（同济大学）
本文提出Cerebro模型，通过统一多语言恶意包知识和序列建模技术，有效检测NPM和PyPI中的恶意包，实现高效准确的恶意包识别。
2025-05-02 cs.CR cs.SE
Cutting Medusa's Path -- Tackling Kill-Chains with Quantum Computing
本文提出利用量子计算和漏洞图解决网络安全问题，通过QUBO和量子退火确定补丁优先级以消除所有杀伤链，证明了量子求解时间相比经典算法的指数增长几乎保持恒定。
2022-11-24 cs.CR cs.NI cs.SY
GARAGE: Characterizing the Automation Boundary in LLM-based Attack Graph Generation
School of Cybersecurity, Korea University（高丽大学网络安全学院）；Samsung Electronics（三星电子）；Agency for Defense Development (ADD)（国防发展局）
研究针对现代车辆安全CTI合成难题，提出GARAGE框架，通过RAG技术将碎片化CTI转化为特定领域知识库用于攻击图生成，经实验验证能准确转移安全知识，还可作为TARA支持工具提供性价比分析以指导在各LLM层级部署。
2026-07-21 cs.CR
Explainable AI for Enhancing IDS Against Advanced Persistent Kill Chain
针对APT多阶段检测中网络流量特征冗余的问题，提出融合SHAP与XGBoost的特征选择和分类模型，仅用12个特征实现轻量级IDS并提升检测性能。
2025-06-09 cs.CR
Preliminary Investigation into Uncertainty-Aware Attack Stage Classification
University of Brescia（布雷西亚大学）；US Army DEVCOM Army Research Lab（美国陆军 DEVCOM 军事研究实验室）；Imperial College London（伦敦帝国理工学院）；Amazon Alexa AI（亚马逊 Alexa 人工智能）
针对传统APT检测未考虑攻击阶段且对分布外输入鲁棒性不足的问题，提出基于证据深度学习的攻击阶段分类方法，可输出阶段预测与不确定性，模拟实验验证了其阶段推断与OOD检测的有效性。
2025-08-01 cs.CR cs.LG
An End-to-End Threat Model for the Quantum-as-a-Service Pipeline
Faculty of Information Technology University of Jyväskylä（于韦斯屈莱大学信息技术学院）
本文针对QaaS流水线缺乏结构化威胁建模的问题，结合STRIDE将其工作流分解为六阶段模型，分析各层级攻击向量，研究未被充分探索的环节并区分出三条高影响跨阶段攻击链。
2026-08-07 cs.CR
Cancerous Backdoor Attack: Gradual Activation via Invisible Tokens and A Stage Controller
Kennesaw State University（肯尼索州立大学）；University of Dhaka（达卡大学）；University of California, Irvine（加州大学尔湾分校）
本研究提出癌变后门攻击，利用不可见令牌与阶段控制器实现LLM推理的逐步破坏，经多数据集评估其性能优于现有基线，且仅靠答案准确率无法检测该攻击。
2026-10-12 cs.AI cs.CL cs.CR
Following Devils' Footprint: Towards Real-time Detection of Price Manipulation Attacks
本文提出SMARTCAT方法，通过分析攻击合约字节码并构建代币流图，在攻击前阶段实时检测DeFi价格操纵攻击，在以太坊和币安智能链上实现91.6%召回率和近100%精确率，并发现616个真实攻击合约。
2025-02-06 cs.CR
Towards event aggregation for reducing the volume of logged events during IKC stages of APT attacks
如今，像高级持续性威胁（APT）这样的有针对性的攻击已经成为许多企业网的主要关注点之一。作为应对这些攻击的常用方法，安全人员在不同的防线（网络、主机和应用程序）部署各种安全和非安全传感器，以跟踪攻击者在其杀伤链期间的行为。然而，这种方法的缺点之一是由异构安全和非安全传感器引起的大量事件，这使得难以分析记录的事件以供稍后处理，即用于及时检测APT攻击的事件相关性。到目前为止，已经发表了一些关于事件聚合的研究论文，以减少记录的低级别事件的数量。然而，大多数的研究工作都提供了一种方法来聚合的单一类型和同质的事件源的事件，即NIDS。此外，他们主要关注的只是事件量减少的程度，而事件聚合过程中丢失的安全信息量也非常重要。在本文中，我们提出了一个三阶段的事件聚合方法，以减少记录的异构事件在APT攻击考虑最低的安全信息丢失率的体积。该方法首先将传感器的低层事件聚类为若干相似的事件组，然后在滤除噪声事件簇后，基于面向属性归纳（AOI）方法对剩余事件簇进行可控归纳，以减少不重要或重复的事件。该方法已在三个公开可用的数据集上进行了评估：SotM 34，Bryant和LANL。实验结果表明，该方法能够有效地进行事件聚合，在保证信息丢失率（ILR）的前提下，事件量减少率可达99.7%.
2021-09-29 cs.CR
Critical Path Prioritization Dashboard for Alert-driven Attack Graphs
本文为基于无监督序列机器学习生成攻击图的SAGE系统，提出一个支持查询与优先级排序的可视化分析仪表板，包含Graph Explorer、Timeline Viewer和Recommender Matrix三个组件，用户研究表明其能有效描绘攻击者策略与进展，但可用性仍需改进。
2023-10-19 cs.CR
Bidirectional RNN-based Few-shot Training for Detecting Multi-stage Attack
Beijing Jiaotong University（北京交通大学）；Deakin University（迪肯大学）
“伪装攻击”作为一种新型的APT攻击方式，已经成为人们关注的焦点。它采用虚拟攻击和真实攻击相结合的多阶段攻击模式。在虚拟攻击的掩护下，真实攻击可以达到攻击者的真实目的，结果往往在不经意间造成巨大的损失。然而，据我们所知，所有以前的作品使用常见的方法，如因果相关或基于案例的检测过时的多阶段攻击。由于“佯攻”概念的多样化和缺乏专业的数据集是“佯攻”检测的难点，很多检测方法都忽略了攻击中的语义关系，因此“佯攻”的检测很少受到关注。针对目前存在的问题，本文探索了一种新的解决方法。在攻击场景中，采用基于属性相似度的模糊聚类方法挖掘多阶段攻击链。然后，我们使用Few-Shot深度学习算法（SMOTE&CNN-SVM）和双向递归神经网络模型（Bi-RNN）来获得“假攻击”链。“佯攻”是通过在正常的因果攻击链中插入真实攻击来模拟，真实攻击的加入破坏了原有攻击链的因果关系。因此，我们使用Bi-RNN编码来获取“佯攻”链的隐藏特征。最后，利用DARPA 2000的LLDoS 1. 0和LLDoS 2. 0以及加拿大网络安全研究所的CICIDS 2017，实现了对“佯攻”的准确检测。
2019-05-09 cs.CR cs.LG stat.ML
TrackShield: An Efficient Runtime Defense Against Availability Attacks on High-Performance Real-Time Multi-Object Tracking
Hofstra University（霍夫斯特拉大学）；Norwegian University of Science and Technology（挪威科技大学）
TrackShield是针对多目标跟踪可用性攻击的轻量型运行时防御，通过资源管控降低延迟，仅小幅牺牲MOTA，保障流水线实时性。
2026-10-13 cs.CR
Know the Normal, Track the Attack: Context-Grounded and Stateful LLM Investigation over System Provenance
Xidian University（西安电子科技大学）
提出ANCHOR系统，结合证据策展与情境感知LLM推理，利用部署和案例情境校准异常并维护攻击状态，在DARPA数据集上提升IoC恢复和攻击阶段归因。
2026-09-30 cs.CR
StealthCup: Realistic, Multi-Stage, Evasion-Focused CTF for Benchmarking IDS
University of Vienna（维也纳大学）
StealthCup通过模拟真实场景下的多阶段攻击，评估IDS在隐蔽入侵检测中的性能，揭示了现有系统在检测隐蔽攻击方面的不足。
2025-11-21 cs.CR
Propagation Model for SSC attacks: Why SBOM (tools) don't tell the whole truth
University of Liechtenstein（列支敦士登大学）
本文针对SBOM工具无法完整呈现软件供应链攻击传播效应的问题，提出四阶段传播模型，实证发现现有SBOM工具仅支持前两个阶段，成果为SSC安全工具研发提供支撑。
2026-09-07 cs.CR
Multi-stage Attack Detection and Prediction Using Graph Neural Networks: An IoT Feasibility Study
CEA, LIST, Communicating Systems Laboratory（法国原子能与可替代能源委员会，LIST，通信系统实验室）；Bristol Research and Innovation Laboratory, Toshiba Europe Ltd.（东芝欧洲有限公司布里斯托尔研究与创新实验室）
本文提出一种受Lockheed Martin网络杀伤链启发的3阶段入侵检测系统，利用图神经网络检测多步骤攻击并预测后续攻击，在ToN IoT数据集上取得平均94%的F1-Score，优于Random-forest基准方法。
2024-04-28 cs.AI cs.CR
Transferable End-to-End Optimization for Indirect Long-Term Memory Poisoning in LLM Agents
School of Cyber Science and Technology, Shandong University（山东大学网络空间安全学院）；State Key Laboratory of Cryptography and Digital Economy Security, Shandong University（山东大学密码与数字经济安全国家重点实验室）；Shandong Key Laboratory of Artificial Intelligence Security, Shandong University（山东大学人工智能安全山东省重点实验室）
针对LLM智能体间接长期记忆投毒的阶段间耦合问题，提出端到端优化方法PipePoison，在多框架、多记忆机制下显著提升攻击利用率，且对未见过的受害者配置和防御措施仍有效。
2026-09-02 cs.CR
