Phishing Codebook: A Structured Framework for the Characterization of Phishing Emails
针对现有钓鱼邮件研究对定性特征关注不足的问题，本文提出结构化框架Phishing Codebook，通过迭代定性编码提取描述特征，在503封邮件数据集上验证其在相似邮件识别、用户响应生成等场景的应用价值，并公开相关资源。
2024-08-16 cs.CR
Phishing Techniques in Mobile Devices
移动设备和通信技术的快速演进已经显著地增加了移动终端用户的数量。移动终端已经取代了许多其他设备，并且用于执行从建立电话呼叫到执行关键和敏感任务（如货币支付）的许多任务。由于移动终端大部分时间都伴随着一个人，因此它很可能包括该人的个人和敏感数据。移动设备在日常生活中的使用越来越多，使得移动系统成为攻击的绝佳目标。其中最重要的攻击是网络钓鱼攻击，攻击者试图获得受害者的凭据并冒充他。在本文中，分析了不同类型的网络钓鱼攻击的移动设备。缓解技术-反网络钓鱼技术-也进行了分析。每种技术的评估和其优点和缺点的摘要提供。最后，提供了防范网络钓鱼攻击的重要步骤。这项工作的目的是把网络钓鱼攻击的移动系统在光，并使人们意识到这些攻击，以及如何避免他们
2018-02-13 cs.CR
SOK: A Comprehensive Reexamination of Phishing Research from the Security Perspective
网络钓鱼和鱼叉式网络钓鱼是伪装攻击的典型示例，因为攻击是通过模仿建立信任来成功的。鉴于这些攻击的普遍性，已经从多个层面对这些问题进行了大量研究。我们从安全领域独特需求的角度重新审视了现有的网络钓鱼和鱼叉式网络钓鱼研究，我们称之为安全挑战：实时检测、主动攻击者、数据集质量和基本速率谬误。我们解释这些挑战，然后调查现有的网络钓鱼/鱼叉式网络钓鱼解决方案，在他们的光。这种观点巩固了文献，并阐明了改进现有解决方案的几个机会。我们根据不同攻击向量的检测技术（例如，URL，网站，电子邮件）以及对用户意识的研究。对于检测技术，我们检查数据集的属性，特征提取，使用的检测算法和性能评估指标。这项工作可以帮助指导开发更有效的防御网络钓鱼，鱼叉式网络钓鱼和电子邮件伪装攻击的未来，以及提供一个全面的评估和比较的框架。
2019-11-03 cs.CR
Defending against Phishing Attacks: Taxonomy of Methods, Current Issues and Future Directions
互联网技术在今天如此普及，例如，从在线社交网络到网上银行，它使人们的生活变得更加舒适。由于互联网技术的发展，对系统和网络的安全威胁是无情的发明。其中一个严重的威胁是“网络钓鱼”，攻击者试图使用虚假的电子邮件或网站或两者来窃取用户的凭据。的确，工业界和学术界都在努力开发解决方案来对抗网络钓鱼威胁。因此，组织在网络钓鱼威胁预防中注意最终用户意识非常重要。因此，本文的目的是双重的。首先，我们将详细讨论网络钓鱼攻击的历史和攻击者的动机。然后，我们将提供各种类型的网络钓鱼攻击的分类。其次，我们将提供文献中提出的各种解决方案的分类，以保护用户免受网络钓鱼的基础上，在我们的分类识别的攻击。此外，我们还讨论了物联网（IoT）中网络钓鱼攻击的影响。最后，我们讨论了文献中仍然存在的各种问题和挑战，这些问题和挑战对于打击网络钓鱼威胁非常重要。
2017-05-27 cs.CR
Simple Perturbations Subvert Ethereum Phishing Transactions Detection: An Empirical Analysis
University of Central Florida（中佛罗里达大学）
本文通过实证分析揭示随机森林、决策树和K近邻等模型在以太坊钓鱼交易检测中对简单单特征对抗攻击的脆弱性，并评估对抗训练与增强特征选择等缓解策略对提升模型鲁棒性的效果。
2024-08-06 cs.CR cs.LG
Clouding the Mirror: Stealthy Prompt Injection Attacks Targeting LLM-based Phishing Detection
NTT Security Holdings Corporation & NTT, Inc.（NTT安全控股公司及日本电信电话株式会社）；Tokyo Metropolitan University（东京都立大学）
本文首次全面评估了针对基于大语言模型的钓鱼检测的提示注入攻击，提出InjectDefuser防御框架以降低攻击成功率。
2026-10-06 cs.CR
Cognitive Triaging of Phishing Attacks
在本文中，我们采用定量测量的认知漏洞触发钓鱼电子邮件来预测攻击的成功程度。为了实现这一目标，我们依赖于认知心理学文献，并开发了一种基于机器学习和计量经济学的自动化和完全定量的方法，以构建一个分流机制，围绕网络钓鱼电子邮件的认知功能，我们展示了我们的方法依赖于欧洲一家大型金融机构的反网络钓鱼部门的数据。我们的评估表明，经验表明，响应团队可以建立一个有效的网络钓鱼成功分类机制，以有效地优先考虑补救工作（例如，域名删除），首先对那些更有可能从潜在受害者那里收集高响应率的攻击采取行动。
2019-05-29 cs.CR
Phishing Webpage Detection: Unveiling the Threat Landscape and Investigating Detection Techniques
本综述系统分类了基于URL、内容与视觉的钓鱼网页检测技术，指出现有研究空白并提出潜在解决方案，以应对攻击者不断演变的规避策略。
2025-09-10 cs.CR
SoK: Human-Centered Phishing Susceptibility
网络钓鱼被认为是对组织和个人的严重威胁。虽然在阻止网络钓鱼攻击方面取得了重大的技术进步，但人们仍然是网络钓鱼电子邮件到达其电子邮件客户端后的最后一道防线。关于这个主题的大多数现有文献都集中在与网络钓鱼相关的技术方面。然而，导致人类容易受到网络钓鱼攻击的因素仍然没有得到很好的理解。为了填补这一空白，我们回顾了现有的文献，我们提出了一个三阶段的网络钓鱼易感性模型（PSM），用于解释人类如何参与网络钓鱼检测和预防，我们系统地研究了网络钓鱼易感性变量在文献中的研究，并使用我们的模型对它们进行分类。该模型揭示了需要解决的几个研究差距，以提高用户的检测性能。我们还提出了一个实际的影响评估的价值，研究网络钓鱼的易感性变量，和证据标准的质量。这些可以作为未来研究的指导方针，以改善实验设计，结果质量，并增加结果的可靠性和普遍性。
2022-02-16 cs.CR cs.CY cs.HC
Jailbreaking Generative AI: Empowering Novices to Conduct Phishing Attacks
本文研究了新手利用越狱和逆反心理绕过ChatGPT-4o Mini安全防护以实施复杂钓鱼攻击的易操作性，强调了加强AI时代网络安全措施与用户意识的迫切需求。
2025-03-03 cs.CR
All About Phishing: Exploring User Research through a Systematic Literature Review
网络钓鱼是一种众所周知的网络安全攻击，近年来迅速增加。由于敏感数据泄露、随后的财务和生产力损失以及社会和个人不便，它给企业、政府机构和所有用户带来了合法的风险。通常，这些攻击使用社会工程技术来欺骗最终用户，这表明以用户为中心的研究对帮助防止未来攻击的重要性。通过对发表在ACM数字图书馆上的同行评议学术论文进行系统的文献回顾，我们提供了一个详细的概述，网络钓鱼的研究，重点是用户。尽管早在2004年就发表了关于网络钓鱼的文章，但我们发现，在关于网络钓鱼的论文总数（N = 367）中，只有13.9%（N = 51）通过采用用户研究方法（如访谈，调查和实验室研究）关注用户。即使在这一小部分论文中，我们也注意到对报告有关方法和参与者的重要信息（例如，参与者的数量和性质），以及一些研究中的关键招聘偏见。
2019-08-16 cs.CR cs.CY cs.HC
PhishOut: Effective Phishing Detection Using Selected Features
网络钓鱼电子邮件是当今许多攻击的第一步。它们带有一个简单的超链接，要求采取行动或现有服务或网站的完整副本。目标通常是欺骗用户自愿放弃他的敏感信息，如登录凭证。已经提出和开发了许多方法和应用程序来捕获和过滤网络钓鱼电子邮件。然而，这个问题仍然缺乏一个完整和全面的解决办法。在本文中，我们应用知识发现的原则，从数据清洗，整合，选择，聚集，数据采掘知识提取。我们研究了基于信息增益的特征有效性，并为文献提供了两个新的特征。我们比较了六种机器学习方法来检测基于少量精心选择的特征的网络钓鱼。我们计算假阳性，假阴性，平均绝对误差，召回率，精度和F-测量，并实现非常低的假阳性和阴性率。朴素贝叶斯的真阳性率最低，而整体神经网络最有希望实现准确的网络钓鱼检测，准确率为99.4%。
2020-04-21 cs.CR
Targeted Attacks: Redefining Spear Phishing and Business Email Compromise
本文针对鱼叉式网络钓鱼与商业电子邮件入侵定义混乱的问题，提出统一的定向攻击概念，系统阐述其检测技术、社会工程方法及基于文本的攻击形式，并对比非定向与定向变体，为安全研究提供清晰框架。
2023-09-25 cs.CR
Phishing in Organizations: Findings from a Large-Scale and Long-Term Study
在本文中，我们提出了我们与合作伙伴公司合作进行的大规模和长期网络钓鱼实验的结果。我们的实验持续了15个月，在此期间，超过14，000名研究参与者（公司员工）在正常工作环境中收到了不同的模拟钓鱼电子邮件。我们还在公司的电子邮件客户端部署了一个报告按钮，允许参与者报告他们收到的可疑电子邮件。我们测量了网络钓鱼电子邮件的点击率、提交凭据等危险操作以及报告的可疑电子邮件。我们的实验结果提供了三种类型的贡献。首先，我们的一些研究结果支持以前的文献与改进的生态有效性。这种结果的一个例子是电子邮件警告的良好效果。其次，我们的一些结果与先前的文献和常见的行业惯例相矛盾。令人惊讶的是，我们发现，在模拟网络钓鱼练习中进行嵌入式培训，正如当今行业中普遍部署的那样，并没有使员工对网络钓鱼更具弹性，而是可能会产生意想不到的副作用，使员工更容易受到网络钓鱼的影响。第三，我们报告新的发现。特别是，我们是第一个证明，使用员工作为一个集体的网络钓鱼检测机制是实用的大型组织。我们的研究结果表明，这种众包可以快速检测新的网络钓鱼活动，组织的运营负荷是可以接受的，员工在很长一段时间内保持活跃。
2021-12-14 cs.CR cs.HC
I can't recognize (yet): Delayed Rendering to Defeat Visual Phishing Detectors
Sapienza University of Rome（罗马第一大学）；University of Padua（帕多瓦大学）；Reykjavik University（雷克雅未克大学）；University of Liechtenstein（列支敦士登大学）；Örebro University（厄勒布鲁大学）
研究指出现有视觉钓鱼检测器易受延迟渲染攻击影响，通过延迟关键元素渲染可误导检测系统，导致误判，提出浏览器扩展作为缓解方案。
2026-04-30 cs.CR
Phishing Detection through Email Embeddings
Texas Tech University（德克萨斯理工大学）
通过机器学习技术检测网络钓鱼电子邮件的问题已经在文献中被广泛讨论。传统的和最先进的机器学习算法已经证明了构建具有高精度的分类器的可能性。现有的研究通过一般指标来处理网络钓鱼和真正的电子邮件，因此并不完全清楚什么网络钓鱼特征有助于分类器的变化。在本文中，我们制作了一组具有类似指标的网络钓鱼和合法电子邮件，以调查这些线索是否被电子邮件嵌入捕获或忽略，即，向量化然后，我们将精心制作的电子邮件输入机器学习分类器，以了解开发的电子邮件嵌入的性能。我们的研究结果表明，使用这些指标，电子邮件嵌入技术是有效的电子邮件分类为网络钓鱼或合法的。
2020-12-28 cs.CR cs.LG
Ethereum Crypto Wallets under Address Poisoning: How Usable and Secure Are They?
本文通过模拟地址投毒攻击系统评估53款以太坊加密钱包，发现多数钱包在交易历史获取、钓鱼转账过滤和转账警告方面存在明显安全与可用性缺陷，呼吁开发者社区加强防护。
2025-08-16 cs.CR
An Overview of Phishing Victimization: Human Factors, Training and the Role of Emotions
网络钓鱼是一种网络犯罪形式，也是一种威胁，它使犯罪分子、网络钓鱼者能够欺骗最终用户，从而窃取他们的机密和敏感信息。攻击者通常试图操纵受害者的心理和情绪。网络钓鱼的威胁日益增加，使其研究的价值和许多研究已经进行到这个问题。本文探讨了情感因素，已在以前的研究中报告的网络钓鱼受害显着。此外，我们比较了安全组织和研究人员在网络钓鱼类型和类别以及解决问题的培训方面所强调的内容，并在文献综述中考虑了所有主要的可信和已发表的来源。
2022-09-13 cs.CR cs.CY cs.GL
Mobile Security for the modern CEO: Attacks, Mitigations, and Future Trends
当今世界是数字化、全球化和互联化的，移动设备是商业、政治和公民社会现代通信的核心。然而，网络威胁在我们这个高度互联的世界中是一个无所不在的现实。世界经济论坛（world economic forum）一直将网络威胁列为全球最大的安全风险之一。对移动设备的攻击在数量和规模上每年都在增长，造成严重损害。本文全面概述了现代移动攻击，分为恶意软件、网络钓鱼、通信、供应链、物理和身份验证攻击，包括有关缓解措施和限制的部分。它还提供了安全设计提示，以保护移动设置和一般建议，以防止成功执行传入的攻击。最后一部分重点介绍了未来的技术趋势，以及这些趋势将如何影响和改变未来的移动安全格局。
2022-07-17 cs.CR cs.CY
Short Message Service (SMS) Phishing Attacks and Defenses: A Systematic Review
Tennessee Tech University（田纳西理工大学）；University of Colorado at Colorado Springs（科罗拉多大学斯普林斯分校）
本文系统回顾了短信钓鱼攻击及其防御措施，探讨了用户感知、攻击特征、防御策略及相关数据集四个研究领域，提出未来缓解短信钓鱼攻击的新方向。
2026-04-13 cs.CR
Can Large Language Models Automate Phishing Warning Explanations? A Controlled Experiment on Effectiveness and User Perception
本文研究了大型语言模型在生成钓鱼警告解释中的有效性，发现其能提供与专家编写的解释相当的保护效果，且具有可扩展性和适应性。
2025-12-15 cs.CR cs.HC
Phishing URL Detection Through Top-level Domain Analysis: A Descriptive Approach
Edinburgh Napier University（爱丁堡龙比亚大学）
网络钓鱼被认为是最流行的网络攻击之一，因为它具有巨大的灵活性和惊人的高成功率。即使有足够的培训和高度的态势感知能力，用户仍然很难持续了解他们正在访问的网站的URL。传统的检测方法依赖于阻止列表和内容分析，这两种方法都需要耗时的人工验证。因此，已经尝试集中于这种URL的预测过滤。本研究旨在开发一种机器学习模型来检测可在Splunk平台内使用的欺诈性URL。受文献中类似方法的启发，我们使用文献中发现的恶意和良性数据集以及我们创建的一个数据集来训练SVM和随机森林算法。我们用精确度和召回率评估了算法的性能，在随机森林的情况下达到了85%的精确度和87%的召回率，而SVM仅使用描述性特征就达到了90%的精确度和88%的召回率。
2020-05-13 cs.CR cs.CY cs.LG
Lateral Phishing With Large Language Models: A Large Organization Comparative Study
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本研究针对大型组织开展实验，对比LLM生成与人类编写的横向钓鱼邮件效果，发现前者与通信专业人员编写的邮件有效性相当，揭示LLMs加剧钓鱼威胁，为防御提供参考。
2025-04-15 cs.CL cs.CR
Detecting Quishing Attacks with Machine Learning Techniques Through QR Code Analysis
Electrical and Computer Engineering Department, American University of Beirut, Beirut, Lebanon（巴勒斯坦贝鲁特美国大学电气与计算机工程系）；Electrical and Computer Engineering Department, Lebanese American University, Byblos, Lebanon（黎巴嫩美国大学电气与计算机工程系）
本文提出通过分析二维码结构和像素模式直接检测Quishing攻击，使用多种机器学习模型训练，XGBoost模型在AUC上达到0.9106，证明了以二维码为中心的检测可行性。
2026-04-18 cs.AI cs.CR
A Survey on the Principles of Persuasion as a Social Engineering Strategy in Phishing
本综述系统回顾了劝说原则在钓鱼攻击中作为社会工程策略的应用，指出鱼叉式钓鱼因可针对目标定制信息而尤为有效，并强调当前研究在理解该策略影响方面仍存在显著空白。
2024-12-24 cs.CR cs.CY cs.HC
PhishClone: Measuring the Efficacy of Cloning Evasion Attacks
UNSW（新南威尔士大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61研究所）
基于Web的网络钓鱼占数据泄露的90%以上，大多数Web浏览器和安全供应商依赖机器学习（ML）模型作为缓解措施。尽管如此，在反钓鱼聚合器（如PhishTank和VirusTotal）上定期发布的链接可以轻松绕过现有的检测器。现有技术表明，带有轻微突变的自动网站克隆正在吸引攻击者。这在当前文献中的曝光有限，并导致次优的基于ML的对策。本文的工作进行了第一次实证研究，汇编和评估各种国家的最先进的克隆技术在广泛流传。我们收集了13，394个样本，发现了8，566个确认的网络钓鱼页面，这些页面使用7种不同的克隆机制针对4个热门网站。这些样本是在一个受控平台内复制的，该平台已删除恶意代码，并采取了预防措施，以防止意外访问。然后，我们将我们的网站报告给VirusTotal和其他平台，并定期对结果进行7天的投票，以确定每种克隆技术的有效性。结果表明，没有安全供应商检测到我们的克隆，证明迫切需要更有效的检测器。最后，我们提出了4项建议，以帮助Web开发人员和基于ML的防御，以减轻克隆攻击的风险。
2022-09-04 cs.CR cs.LG
Cyri: A Conversational AI-based Assistant for Supporting the Human User in Detecting and Responding to Phishing Attacks
Sapienza University of Rome（罗马智慧大学）；Link Campus University of Rome（罗马 LINK 校园大学）
本研究提出Cyri——一款基于大型语言模型的对话式助手，通过本地处理网络钓鱼邮件语义特征（如紧急性）、支持多模态交互与按需检测，有效提升用户识别网络钓鱼的能力并保障数据隐私。
2025-02-09 cs.AI cs.CR cs.HC
Mitigation Techniques for Cyber Attacks: A Systematic Mapping Study
该系统性图谱研究梳理了近期网络攻击及相关经济损失，分析50余篇重要文献后发现现有研究多聚焦恶意软件等少数常见攻击，提出网络攻击要素分类法，并指出研究空白以指明未来方向。
2023-08-25 cs.CR
Profiler: Profile-Based Model to Detect Phishing Emails
University of New South Wales（新南威尔士大学）；Cybersecurity CRC（网络安全合作研究中心）；CSIRO’s Data61（联邦科学与工业研究组织Data61研究所）
随着时间的推移，电子邮件网络钓鱼变得越来越普遍，越来越复杂。为了应对这种增长，已经开发了许多用于检测网络钓鱼电子邮件的机器学习（ML）算法。然而，由于这些算法训练的电子邮件数据集有限，它们不善于识别各种攻击，因此遭受概念漂移;攻击者可以在其电子邮件或网站的统计特征中引入小的变化，以成功地绕过检测。随着时间的推移，文献报道的准确性与算法在现实世界中的实际有效性之间存在差距。这体现在频繁的假阳性和假阴性分类中。为此，我们提出了一个多维的电子邮件风险评估，以减少攻击者适应他们的电子邮件，避免检测的可行性。这种电子邮件网络钓鱼检测的水平方法可以分析传入电子邮件的主要特征。我们开发了一个风险评估框架，其中包括三个模型，分析电子邮件的（1）威胁级别，（2）认知操纵，（3）电子邮件类型，我们结合返回最终的风险评估分数。分析器不需要大数据集来进行有效的训练，并且其对各种电子邮件特征的分析减少了概念漂移的影响。我们的Profiler可以与ML方法结合使用，以减少其错误分类，或者在训练阶段作为大型电子邮件数据集的标签。我们使用最先进的ML算法对来自澳大利亚一家大型研究机构的9000封合法电子邮件和900封网络钓鱼电子邮件的数据集进行分析，评估Profiler对机器学习集成的功效。我们的研究结果表明，Profiler减轻了概念漂移的影响，并提供了比ML集成方法少30%的假阳性和25%的假阴性电子邮件分类…
2022-08-18 cs.CR cs.LG
CredLeakBench: Evaluating Credential Leakage and Recovery in LLM Agents
University of Central Florida（中佛罗里达大学）
CredLeakBench通过全面基准测试评估LLM代理在钓鱼和身份验证场景中的凭证泄露风险，发现所有模型均易受攻击，且现有防御措施在减少泄露时损害真实任务性能，强调需兼顾安全与效用。
2026-10-08 cs.AI cs.CR
The Emperor is Now Clothed: A Secure Governance Framework for Web User Authentication through Password Managers
针对现有密码管理器与Web应用交互方案的功能缺陷与安全漏洞，提出基于浏览器的Berytus治理框架，通过双API协调二者交互，可有效缓解多类网络攻击，支持多种认证模式并已在Firefox中实现验证。
2024-07-12 cs.CR
Categorizing Service Worker Attacks and Mitigations
本文系统分析了Service Worker的已知攻击向量与新滥用路径，将其分类并评估浏览器缓解情况，提出新的监控策略并在Chromium中验证，证明严格策略对合法应用影响小。
2021-11-13 cs.CR
Generate "Normal", Edit Poisoned: Branding Injection via Hint Embedding in Image Editing
University of Waterloo（滑铁卢大学）
研究发现图像编辑流程中存在安全漏洞，通过隐含提示注入品牌信息可实现隐蔽攻击，提出针对两种攻击场景的缓解方案。
2026-05-11 cs.CR
Insider Threats Mitigation: Role of Penetration Testing
本文通过系统性文献综述，利用扎根理论方法全面评估渗透测试在发现、缓解内部威胁及跨行业应用中的作用，旨在帮助企业制定更全面有效的安全策略。
2024-07-24 cs.CR
Less is More: Robust and Novel Features for Malicious Domain Detection
恶意域名越来越常见，并构成严重的网络安全威胁。具体而言，许多类型的当前网络攻击使用URL进行攻击通信（例如，C\&C、网络钓鱼和鱼叉式网络钓鱼）。尽管在检测这些攻击方面不断取得进展，但许多令人担忧的问题仍然存在，例如防御机制的弱点。由于机器学习已经成为恶意软件检测的最突出的方法之一，提出了一种鲁棒的特征选择机制，导致恶意域检测模型，抵抗逃避攻击。基于经验数据，该机制表现出高性能。本文的主要贡献有两个：第一，它提供了一个强大的特征选择在文献中广泛使用的功能的基础上进行分析。请注意，即使特征集的维度空间减少了一半（从9个特征减少到4个特征），分类器的性能仍然得到了提高（模型的F1分数从92.92%增加到95.81%）。其次，它引入了对对手的操纵具有鲁棒性的新功能。基于对不同特征集和常用分类模型的广泛评估，本文表明，基于鲁棒特征的模型可以抵抗恶意干扰，同时可用于对非操纵数据进行分类。
2020-06-02 cs.CR
Cyber Attack Mitigation Framework for Denial of Service (DoS) Attacks in Fog Computing
本文提出一种针对雾计算中DDoS攻击的自动化网络威胁缓解框架，采用设备、雾和云多层安全方法，结合防火墙规则、统计和行为分析及深度包检查技术，实现从检测到缓解的全面网络保护。
2025-09-15 cs.CR
Evaluating LLM-based Personal Information Extraction and Countermeasures
The Pennsylvania State University（宾夕法尼亚州立大学）；Duke University（杜克大学）
研究评估了基于大语言模型的个人信息提取技术及防御策略，通过系统测量研究对比了多种方法的性能，发现大语言模型在提取个人信息上表现优异，但通过提示注入可有效防御其攻击。
2026-04-07 cs.CR
Invitation Is All You Need! Promptware Attacks Against LLM-Powered Assistants in Production Are Practical and Dangerous
本文提出 TARA 框架评估针对 Gemini 助手的定向 Promptware 攻击，通过邮件、日历邀请等间接提示注入展示 14 种攻击场景，揭示其数字与物理危害及横向移动能力，并证明部署缓解措施可显著降低风险。
2025-08-16 cs.CR
Multi-SpacePhish: Extending the Evasion-space of Adversarial Attacks against Phishing Website Detectors using Machine Learning
University of Padua（帕多瓦大学）；University of Liechtenstein（列支敦士登大学）；Delft University of Technology（代尔夫特理工大学）
本文针对钓鱼网站检测的ML模型，形式化逃逸空间并提出低成本现实威胁模型，首次统计验证多种逃逸攻击，并探索多空间联合扰动导致检测率显著下降。
2023-10-12 cs.CR cs.LG cs.NI
Vulnerabilities of smart contracts and mitigation schemes: A Comprehensive Survey
本文通过文献综述与实验测试相结合的方式，系统梳理智能合约常见漏洞及缓解方案，特别关注NFT碎片化带来的新风险，并对社区主流工具进行实测评估，最终给出安全智能合约开发综合指南。
2024-04-08 cs.CR
A Comprehensive Survey of Unmanned Aerial Systems' Risks and Mitigation Strategies
本综述梳理无人机系统各部署阶段的网络安全漏洞、发生概率、攻击影响与缓解策略，分析两类适用的缓解策略并总结经验，介绍相关安全标准，同时指出待研究的关键空白，为领域未来研究提供参考。
2025-06-12 cs.CR
A Survey of Side-Channel Attacks in Context of Cache -- Taxonomies, Analysis and Mitigation
本文综述缓存侧信道攻击，系统梳理攻击分类、利用技术、微架构差异、现有文献及软硬件缓解策略，以揭示威胁并支撑防御设计。
2023-12-18 cs.CR
GhostMinion: A Strictness-Ordered Cache System for Spectre Mitigation
自20世纪90年代初以来无处不在的无序投机技术仍然是一个根本的安全缺陷。通过Spectre和Meltdown等攻击，攻击者可以欺骗受害者，在一个完全正确的程序中，通过错误推测的执行效果泄露其秘密，以一种对程序员的模型完全不可见的方式。这对应用程序沙箱和进程间通信有严重的影响。设计有效的缓解措施，保持乱序执行的性能，一直是一个挑战。文献中的推测隐藏技术已被证明不能全面关闭这些通道，从而使对手能够重新设计攻击。强有力的、精确的保证是必要的，但同时缓解措施必须达到高性能才能被采用。我们提出了一个新的约束系统，它展示了我们如何全面消除瞬态侧信道攻击，同时仍然允许复杂的推测和推测指令之间的数据转发。然后，我们提出了GhostMinion，一个缓存修改，使用各种新技术，旨在提供仅2.5%的开销的快速顺序。
2021-09-09 cs.AR cs.CR
Backdoor Learning for NLP: Recent Advances, Challenges, and Future Research Directions
虽然后门学习是自然语言处理领域的一个活跃的研究课题，但文献中缺乏对后门攻击和防御进行系统分类和总结的研究。为了弥补这一差距，我们通过系统地总结文献，提出了一个全面和统一的研究自然语言处理后门学习。我们首先提出并激励后门学习对于构建强大的NLP系统的重要性。接下来，我们将全面介绍后门攻击技术、其应用、对后门攻击的防御以及消除后门攻击的各种缓解技术。然后，我们对评估指标、基准数据集、威胁模型以及与NLP中后门学习相关的挑战进行了详细的回顾和分析。最终，我们的工作旨在结晶和上下文的现有文献的景观在后门学习的文本域，并激励在该领域的进一步研究。为此，我们确定了文献中令人不安的差距，并为开放的挑战和未来的研究方向提供了见解和想法。最后，我们提供了一个GitHub存储库，其中包含一个后门学习论文列表，该列表将在https://github.com/marwanomar1/Backdoor-Learning-for-NLP上不断更新。
2023-02-14 cs.CR
Exploring LLMs for Malware Detection: Review, Framework Design, and Countermeasure Approaches
针对LLMs被用于生成传播恶意软件的网络安全挑战，本文综述了LLMs在恶意软件检测中的五类应用，提出了性能评估指标、风险缓解框架，并验证了策略有效性，给出了未来研究方向。
2024-09-11 cs.CR
Model-agnostic clean-label backdoor mitigation in cybersecurity environments
Northeastern University（东北大学）；MIT Lincoln Laboratory（MIT林肯实验室）；Peraton Labs（Peraton实验室）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
本文针对网络安全分类任务中的干净标签后门攻击，提出基于密度聚类和迭代评分隔离可疑簇的模型无关防御方法，并在网络流与恶意软件分类上验证其有效性。
2025-05-05 cs.CR cs.LG
Real-Time Rejection and Mitigation of Time Synchronization Attacks on the Global Positioning System
University of Texas at San Antonio（圣安东尼奥德克萨斯大学）
本文提出TSARM技术，用于实时检测和缓解GPS上的时间同步攻击，通过估计接收机时钟偏差和漂移并纠正，提升时间恢复性能，优于现有方法。
2018-02-05 cs.CR cs.SY eess.SP
Li-MSD: A lightweight mitigation solution for DAO insider attack in RPL-based IoT
针对基于RPL的低功耗有损物联网中存在的DAO内部攻击会大幅降低网络性能的问题，提出采用黑名单策略的轻量级缓解方案Li-MSD，仿真验证其性能优于现有方案。
2024-09-16 cs.CR cs.NI
Privacy in Social Media: Identification, Mitigation and Applications
社交媒体的日益普及吸引了大量的人每天参加许多活动。这会产生大量丰富的用户生成数据。这些数据为研究人员和服务提供商提供了研究和更好地了解用户行为的机会，并进一步提高个性化服务的质量。发布用户生成的数据有暴露个人隐私的风险。社交媒体中的用户隐私是一个新兴的任务，近年来引起了越来越多的关注。这些作品从两个不同的角度研究了社交媒体中的隐私问题：识别漏洞和减轻隐私风险。最近的研究表明，用户生成的数据对两种一般类型的攻击，身份披露和属性披露的脆弱性。这些隐私问题要求社交媒体数据发布者在发布之前通过对用户生成的数据进行净化来保护用户的隐私。因此，已经提出了各种保护技术来匿名化用户生成的社交媒体数据。有大量的文献从许多角度对社交媒体中的用户隐私进行了研究。在本次调查中，我们回顾了社交媒体中用户隐私的主要成就。特别是，我们审查和比较国家的最先进的算法方面的隐私泄漏攻击和匿名化算法。我们从社交媒体的不同方面概述了隐私风险，并将相关工作分为五组：1）图形数据匿名化和去匿名化，2）作者身份识别，3）个人资料属性泄露，4）用户位置和隐私，以及5）推荐系统和隐私问题。我们还讨论了社会化媒体中用户隐私问题的开放问题和未来的研究方向。
2018-08-07 cs.CR cs.SI
AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation
University of New South Wales（新南威尔士大学）；University of Wollongong（伍伦贡大学）；Nanjing University of Information Science & Technology（南京信息工程大学）；Griffith University（格里菲斯大学）；Nanyang Technological University（南洋理工大学）
本综述针对LLMs用于漏洞评估时产生的AI垃圾内容与幻觉问题，分析其源于专家演绎推理与LLMs自回归生成的差距，提出神经符号验证等缓解方案及CVE-Bench等评估工具，为AI驱动的安全分诊系统提供路线图。
2026-08-27 cs.AI cs.CR
Towards Secure MLOps: Surveying Attacks, Mitigation Strategies, and Research Challenges
The University of Alabama（阿拉巴马大学）；Mississippi State University（密苏里州立大学）
本文系统分析了MLOps生态系统的安全威胁与缓解策略，强调了实施强大安全协议的重要性。
2026-01-27 cs.AI cs.CR
Explainable AI-based Intrusion Detection System for Industry 5.0: An Overview of the Literature, associated Challenges, the existing Solutions, and Potential Research Directions
Hamad bin Khalifa University（哈马德·本·哈利法大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Munster Technological University（芒斯特理工大学）；Toronto Metropolitan University（多伦多都会大学）
本文系统综述了面向工业5.0的基于可解释人工智能的入侵检测系统，分析其挑战、现有方案及对抗性XIDS视角下的可解释性影响，并指出未来研究方向，为高风险工业5.0应用采纳XAI安全方案奠定基础。
2024-07-21 cs.AI cs.CR
Adversarial Defense in Cybersecurity: A Systematic Review of GANs for Threat Detection and Mitigation
本文系统综述2021年至2025年8月基于 GAN 的网络安全对抗防御，提出四维分类法并评估其成效、挑战与未来路线图。
2026-09-30 cs.AI cs.CR
Detection and Mitigation of Byzantine Attacks in Distributed Training
Iowa State University（爱荷华州立大学）
本文针对分布式训练中的拜占庭攻击，提出基于冗余任务分配与对抗行为检测的算法，在强攻击下减少16%-99%扭曲梯度，并在CIFAR-10上取得25%准确率优势。
2023-05-13 cs.CR cs.DC cs.IT
