Automated Password Extraction Attack on Modern Password Managers
为了鼓励用户使用更强大和更安全的密码,现代Web浏览器为用户提供密码管理服务,允许用户将先前输入的密码保存到本地硬盘上。我们提出了Lupin,一个工具,自动提取这些保存的密码,而用户的知识。只要登录表单出现在非HTTPS页面上,Lupin就允许网络对手获取密码。与现有的密码嗅探工具不同,Lupin可以获取用户没有访问的网站的密码。此外,Lupin可以提取嵌入在登录表单中的密码,并使用HTTPS提供的目的地地址。为了确定易受我们攻击的网站数量,我们从Alexa的顶级网站列表中抓取了前45,000个最受欢迎的网站,发现这些网站中至少有28%是易受攻击的。为了进一步证明我们的攻击的可行性,我们使用作者的一台计算机在受控条件下测试了Lupin。Lupin能够在不到35秒的时间内从1,000个网站中提取密码。我们建议技术的Web开发人员保护他们的Web应用程序免受攻击,我们提出了一个安全的密码管理器的替代设计。
2013-09-05 cs.CR
JPRO: Automated Multimodal Jailbreaking via Multi-Agent Collaboration Framework
Tsinghua University(清华大学);Shenzhen University(深圳大学);ByteDance(字节跳动)
本文提出多智能体协作框架JPRO,通过策略驱动种子生成与自适应优化循环实现黑盒自动化VLM越狱,在GPT-4o等模型上攻击成功率超60%,显著优于现有方法。
2025-11-10 cs.CR
SkillAttack: Automated Red Teaming of Agent Skills through Attack Path Refinement
University of Chinese Academy of Sciences(中国科学院大学);People’s Public Security University of China(中国人民公安大学)
本文提出SkillAttack框架,通过对抗性提示动态验证技能漏洞可利用性,实验显示其在对抗性技能和真实场景中均显著优于基线方法,揭示了即使善意技能在实际代理交互中也存在严重安全风险。
2026-04-05 cs.CR
Automated Attacker Synthesis for Distributed Protocols
分布式协议应该对良性故障(例如数据包丢失或延迟)和来自内部或外部对手的攻击(例如消息重放)都具有鲁棒性。在本文中,我们采取了一种形式化的方法来自动合成攻击者,即可能导致协议故障的对抗过程。具体来说,给定一个正式的威胁模型捕获分布式协议模型和网络拓扑结构,以及潜在攻击者的位置,目标和接口(输入和输出),我们自动合成攻击者。我们正式四个攻击者的合成问题-攻击者总是成功与那些有时失败,攻击者永远攻击与那些不-我们提出了算法解决方案,其中两个。我们报告的原型实现称为KORG和它的应用程序TCP作为一个案例研究。我们的实验表明,KORG可以在几秒钟或几分钟内自动生成已知的TCP攻击。
2022-04-12 cs.CR cs.FL
GenXSS: an AI-Driven Framework for Automated Detection of XSS Attacks in WAFs
GenXSS框架利用大语言模型自动生成并验证XSS攻击载荷,同时自动生成WAF防护规则,实验显示其生成的载荷80%可绕过ModSecurity,且仅用15条新规则即可阻断86%的攻击。
2025-04-11 cs.CR
Towards Automated Classification of Attackers' TTPs by combining NLP with ML Techniques
University of Innsbruck(因斯布鲁克大学)
日益复杂和越来越多的威胁行为者以及网络攻击的速度,使得及时识别攻击对组织的安全至关重要。因此,负责安全的人员采用关于新出现的攻击、攻击者的行动过程或危害指标的各种各样的信息源。然而,大量所需的安全信息是以非结构化文本形式提供的,这使得自动和及时提取攻击者的战术、技术和程序(TTP)变得复杂。为了解决这个问题,我们系统地评估和比较不同的自然语言处理(NLP)和机器学习技术用于安全信息抽取的研究。根据我们的调查,我们提出了一个数据处理管道,自动分类非结构化文本根据攻击者的战术和技术来自对手的战术,技术和程序的知识库。
2022-07-18 cs.CL cs.CR
Breaking Customized LLMs for Coding: Automated Red Teaming for Instruction Backdoor Attacks
Nanjing University(南京大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Nanyang Technological University(南洋理工大学)
本文提出ARIA自动红队测试框架,可高效生成针对代码定制化LLM的隐蔽带后门指令,攻击成功率达0.945且规避检测能力强,性能优于现有基线攻击。
2026-08-07 cs.CR
TRAP: Tree-Guided Reinforcement-Augmented Probing for Automated LLM Jailbreaking
Sharif University of Technology(谢里夫理工大学)
本研究提出TRAP框架,通过树结构组织越狱策略并结合强化学习与检索增强技术,在7个对齐LLMs的AdvBench测试中,于6个模型上实现优于同类方法的攻击成功率,为发现LLM越狱漏洞提供了层级策略学习的有效途径。
2026-10-14 cs.CR
Spinner: Automated Dynamic Command Subsystem Perturbation
注入攻击一直是Web应用程序的主要威胁。尽管在阻止注入攻击方面做出了重大努力,但是由于利用现有保护技术的设计和实现缺陷的复杂攻击,针对注入攻击的保护仍然具有挑战性。在本文中,我们开发了Spinner,一个系统,提供一般的保护,防止输入注入攻击,包括OS/shell命令,SQL和XXE注入。Spinner并没有专注于检测恶意输入,而是不断地随机化底层子系统,以便注入的输入(例如,命令或SQL查询)将不被执行,因此被阻止。我们重新审视了以前的基于随机化的技术的设计和实现选择,并开发了一个更强大和实用的保护,以抵御各种复杂的输入注入攻击。为了处理复杂的现实世界的应用程序,我们开发了一个双向的分析,结合向前和向后的静态分析技术,以确定预期的命令或SQL查询,以确保正确执行的随机化目标程序。我们为shell命令处理器和两个不同的数据库引擎(MySQL和SQLite)以及包括C/C++、PHP、JavaScript和Lua在内的多种程序设计语言实现了Spinner。我们对42个实际应用程序(包括27个易受攻击的应用程序)的评估结果表明,它有效地防止了各种输入注入攻击,运行时开销较低(约5%)。
2021-09-16 cs.CR
Assessing Automated Prompt Injection Attacks in Agentic Environments
ETH Zurich(苏黎世联邦理工学院)
研究在智能体环境中,黑盒优化方法(TAP)比梯度方法(GCG)更有效,且攻击效果依赖于攻击者模型,任务通用攻击可迁移但跨模型迁移受限。
2026-06-09 cs.AI cs.CR
QueryCheetah: Fast Automated Discovery of Attribute Inference Attacks Against Query-Based Systems
Imperial College London(帝国理工学院);EPFL(洛桑联邦理工学院)
本文提出QueryCheetah方法,用于快速自动化发现针对基于查询系统的属性推断攻击,在发现更强攻击的同时比现有最先进方法快18倍,并支持全面隐私风险评估及发现绕过临时防御的攻击。
2024-09-03 cs.AI cs.CR
Automated email Generation for Targeted Attacks using Natural Language
University of Houston(休斯顿大学)
随着越来越多的恶意攻击,成为社会工程攻击牺牲品的个人和组织的数量正在激增。尽管对缓解系统进行了大量研究,但攻击者通过使用复杂的机器学习、自然语言处理技术不断改进其作案手法,意图发动旨在欺骗检测机制和受害者的成功有针对性的攻击。我们提出了一个先进的电子邮件伪装攻击系统,使用自然语言生成(NLG)技术。使用合法以及各种恶意内容的涌入,所提出的深度学习系统生成具有恶意内容的\textit{fake}电子邮件,根据攻击者的意图进行定制。该系统利用递归神经网络(RNN)进行自动文本生成。我们还专注于所生成的电子邮件在击败统计检测器的性能,并比较和分析使用建议的基线的电子邮件。
2019-08-19 cs.CL 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
Automated Poisoning Attacks and Defenses in Malware Detection Systems: An Adversarial Machine Learning Approach
移动恶意软件的演变对智能手机安全构成了严重威胁。如今,复杂的攻击者可以通过污染训练数据来最大限度地破坏机器学习分类器,从而使最新的基于机器学习的恶意软件检测工具(如Drebin,DroidAPIMiner和MaMaDroid)无效。在本文中,我们探讨了构建精心制作的恶意软件样本的可行性;研究了机器学习分类器如何在三种不同的威胁模型下被误导;然后得出结论,将精心制作的数据注入训练数据会显着降低检测准确性。为了解决这个问题,我们提出了KuafuDet,这是一种两阶段的学习增强方法,通过对抗性检测来学习移动恶意软件。KuafuDet包括从训练集中选择和提取特征的离线训练阶段,以及利用第一阶段训练的分类器的在线检测阶段。为了进一步解决对抗性环境,这两个阶段通过自适应学习方案交织在一起,其中引入自动伪装检测器来过滤可疑的假阴性并将其反馈到训练阶段。我们最终证明,KuafuDet可以显着减少假阴性,并将检测精度提高至少15%。在超过250,000个移动应用程序上的实验表明,KuafuDet是可扩展的,并且可以作为一个独立的系统非常有效。
2017-10-31 cs.CR
SCNIFFER: Low-Cost, Automated, Efficient Electromagnetic Side-Channel Sniffing
电磁(EM)侧信道分析(SCA)是一种重要的工具,可以破解安全的加密引擎,特别是在资源受限的物联网设备上。目前,为了在嵌入式IoT设备上执行EM SCA,整个芯片被手动扫描,并且在芯片上的每个点处执行MTD(最小泄露痕迹)分析,以揭示加密算法的秘密密钥。然而,用于EM泄漏定位、跟踪采集和攻击的自动化端到端框架一直缺失。这项工作提出了SCNIFFER:一个低成本的,自动化的EM侧通道泄漏嗅探平台,以执行有效的端到端的侧信道攻击。使用泄漏测量,如TVLA或SNR,我们提出了一种贪婪的梯度搜索启发式算法,该算法在O(N)次迭代内收敛到芯片上最高EM泄漏点之一(维度:N x N),然后在该点执行相关EM分析(CEMA)。与穷举MTD分析相比,这将CEMA攻击时间减少了~N倍,与随机选择攻击位置相比,减少了> 20倍。我们演示了SCNIFFER使用低成本定制的3-D扫描仪与H场探头(< $500) compared to >$ 50,000商业EM扫描仪,和各种微控制器作为受攻击的设备。SCNIFFER框架针对在8位Atmega微控制器和32位ARM微控制器上运行的几种加密算法(AES-128、DES、RSA)进行评估,以找到高泄漏点,然后在该点执行CEMA。
2020-02-29 cs.CR
PCaaD: Towards Automated Determination and Exploitation of Industrial Processes
在过去的十年中,可编程逻辑控制器(PLC)越来越多地成为攻击者的目标,以获得对支持关键服务的工业过程的控制。这种有针对性的攻击通常需要系统特定属性的详细知识,包括硬件配置,采用的协议和PLC控制逻辑,即过程理解。学术界和实践者的共识表明,单独从PLC获得的隐形过程理解,进行有针对性的攻击,是不切实际的。相比之下,我们断言,目前的PLC编程实践打开了大门,一个新的脆弱性类的基础上控制逻辑结构。为了支持这一点,我们提出了过程理解的距离(PCaaD)的概念,作为一种新的方法和自动化的方法,用于PLC库功能的系统不可知开发,导致有针对性的操作数据的渗出,控制逻辑行为的操纵,并通过未使用的内存建立隐蔽的命令和控制通道。我们验证PCaaD广泛使用的PLC,通过识别实际的攻击。
2021-02-19 cs.CR
An Automated Attack Investigation Approach Leveraging Threat-Knowledge-Augmented Large Language Models
提出一种结合杀伤链对齐威胁知识库的LLM攻击调查框架,通过阶段感知知识检索与因果推理重建多阶段攻击并生成报告,在15个场景中显著优于ATLAS。
2025-09-01 cs.CR
Automated generation of attack trees with optimal shape and labelling
针对攻击树自动生成的合理性与清晰性需求,提出结合系统模型与代数因式分解关联的算法,在保证正确性的同时优化树的形状与标注,为首款具备该特性的生成框架。
2024-07-10 cs.CR cs.FL
StructuralSleight: Automated Jailbreak Attacks on Large Language Models Utilizing Uncommon Text-Organization Structures
Xidian University(西安电子科技大学);University of Southampton(南安普顿大学)
针对LLM越狱研究忽视提示结构的问题,本文提出StructuralSleight,利用12种UTOS模板、6种混淆方法和三级攻击策略实现自动化越狱,在GPT-4o上成功率达94.62%。
2025-02-18 cs.CL cs.CR
An Automated Framework for Extracting Reachable Attack Chains from Cyber Threat Intelligence Reports
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies(广东新型安全情报技术重点实验室);School of Computer Science and Technology(计算机科学与技术学院);Harbin Institute of Technology(哈尔滨工业大学);New Network Research Department(新网络研究部);Peng Cheng Laboratory(鹏城实验室);Great Bay University(大湾区大学)
该研究针对CTI报告非结构化无法用于自动化攻击路径推理的问题,提出将攻击步骤建模为含条件和行为的单元,经多阶段管道结合大语言模型提取并规范化,编译成规则推理,在数据集上有更好表现,能有效提取可达攻击链。
2026-07-23 cs.AI cs.CR
Fully Automated Selfish Mining Analysis in Efficient Proof Systems Blockchains
针对采用权益证明或空间证明的类比特币最长链区块链,论文将最优自私挖矿建模为 MDP,并提出可给出 ε-紧收益下界和对应策略的全自动形式化分析方法。
2024-05-07 cs.CR
Prompt Optimization and Evaluation for LLM Automated Red Teaming
Fuel iX Applied Research(Fuel iX应用研究);North Carolina State University(北卡罗来纳州立大学);University of Minnesota(明尼苏达大学);TELUS Digital(TELUS数字);Learn Prompting
针对大语言模型应用漏洞识别需求,本文提出将攻击成功率应用于单次攻击的提示优化方法,通过重复攻击衡量可发现性,助力更稳健的红队攻击生成器评估与优化。
2025-07-29 cs.CL cs.CR
AutoCAT: Reinforcement Learning for Automated Exploration of Cache-Timing Attacks
现代微处理器中积极的性能优化可能导致安全漏洞。例如,处理器缓存中基于时间的攻击可以窃取密钥或破坏随机化。到目前为止,查找缓存定时漏洞主要由人类专家执行,这是低效和费力的。鉴于未报告的漏洞会使系统处于风险之中,因此需要能够探索漏洞的自动工具。在本文中,我们提出了AutoCAT,一个自动化的探索框架,使用强化学习(RL)发现缓存定时通道攻击序列。具体来说,AutoCAT将缓存定时通道攻击公式化为攻击程序和持有秘密的受害者程序之间的猜测游戏。因此,这个猜谜游戏可以通过现代深度RL技术来解决。AutoCAT可以在不了解设计细节的情况下,在不同的攻击和受害程序配置下,探索各种缓存配置中的攻击。AutoCAT还可以查找绕过某些检测和防御机制的攻击。特别是,AutoCAT发现了StealthyStreamline,这是一种新的攻击,能够绕过基于性能计数器的检测,信息泄漏率比基于真实处理器的最先进的LRU攻击高出71%。AutoCAT是第一个使用RL来制作微架构定时通道攻击序列的同类产品,可以加速安全微处理器设计的缓存定时通道探索。
2023-02-04 cs.AR cs.CR
How to Generate Security Cameras: Towards Defence Generation for Socio-Technical Systems
最近,安全研究人员开始研究从社会技术系统模型自动生成攻击树。自动化风险分析趋势的下一步显然是自动选择安全控制来处理检测到的威胁。然而,现有的社会技术模型过于抽象,无法代表从业者和标准推荐的所有安全控制。在本文中,我们提出了一个攻击-防御模型,由一组攻击-防御束,生成和维护的社会技术模型。攻击-防御捆绑包可用于直接从模型合成攻击-防御树,以提供基本的攻击-防御分析,但它们也可用于选择和维护模型本身无法处理的安全控制。
2015-09-02 cs.CR
Analyzing Defensive Misdirection Against Model-Guided Automated Attacks on Agentic AI Systems
Application & Threat Intelligence Research Center(应用与威胁情报研究中心)
本文通过概率模型分析智能体AI系统的攻击-防御场景,提出“检测-误导”策略(如CMPE)以替代传统“检测-拦截”方法,通过产生误导性响应降低攻击者成功率,并在基准测试中将攻击成功率上限降低两个数量级。
2026-10-02 cs.AI cs.CR
Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning
Department of Computer Science, University of Sheffield(谢菲尔德大学计算机系)
研究利用深度强化学习对数字孪生进行隐身磨损攻击,通过操纵控制信号加速特定关节磨损并躲避检测。测试多种算法发现SAC性能最佳,在工业环境中用UR10e机器人手臂评估,证明攻击有效,强调了该攻击对数字孪生环境的风险及防御需求。
2026-07-14 cs.CR
Automated CFI Policy Assessment with Reckon
保护程序免受控制流劫持攻击已经成为防御者和攻击者之间的军备竞赛。虽然某些防御,例如,\textit{Control Flow Integrity}(CFI)通过静态和动态分析来限制间接控制流传输的目标,攻击者可以在程序中搜索属于合法目标集的可用小工具,从而绕过防御。有几种工具可以帮助攻击者开发漏洞,帮助分析师加强防御。然而,这些工具未能充分(1)对部署的防御进行建模,(2)以面对面的方式进行比较,以及(3)使用程序语义信息来帮助制定攻击和对策。控制流完整性(CFI)已被证明是一个有前途的防御控制流劫持和吨的努力,已经作出了各种方式在过去的十年来改善CFI。然而,对现有的CFI防御缺乏系统的评估。在本文中,我们提出了Reckon,静态源代码分析工具,用于评估最先进的静态CFI防御,首先精确建模,然后在一个统一的框架中进行评估。Reckon帮助确定不同CFI防御提供的安全级别,并在应用CFI防御后找到可用的代码小工具,从而为成功利用漏洞和更强大的防御迈出重要一步。我们已经使用Reckon评估了八个最先进的静态CFI防御在现实世界的程序,如谷歌的Chrome和Apache的Httpd。Reckon提供了对剩余攻击面的精确测量,并相应地对CFI策略进行排名。它还成功地为构建代码重用攻击和消除剩余的攻击面铺平了道路,通过在最严格的CFI防御之一下公开调用目标。
2018-12-20 cs.CR
An Automated, End-to-End Framework for Modeling Attacks From Vulnerability Descriptions
Ben-Gurion University of the Negev(内盖夫本-古里安大学);NEC Corporation(日本电气株式会社)
攻击图是用于自动化风险评估过程的主要技术之一。为了得到相关的攻击图,关于已知攻击技术的最新信息应该被表示为交互规则。设计和创建新的交互规则不是一项简单的任务,目前由安全专家手动执行。然而,由于新的安全漏洞和攻击技术的数量持续快速增长,因此需要使用新的攻击技术频繁更新攻击图工具的规则集,以确保交互规则集始终是最新的。我们提出了一种新的,端到端的,自动化的框架,从文本描述的安全漏洞建模新的攻击技术。给定一个安全漏洞的描述,该框架首先提取相关的攻击实体所需的攻击模型,完成缺失的信息的漏洞,并得出一个新的交互规则,模型的攻击,这个新的规则是集成在MulVAL攻击图工具。所提出的框架实现了一个新的管道,包括一个专用的网络安全语言模型训练的NVD存储库,用于攻击实体提取的递归神经网络模型,用于完成缺失的信息,和一个新的逻辑回归模型机器学习为基础的方法自动建模的攻击MulVAL的交互规则。我们评估了每个算法的性能,以及完整的框架,并证明了其有效性。
2020-08-10 cs.CR cs.LG
SCNet: A Neural Network for Automated Side-Channel Attack
Shandong Computer Science Center(山东省计算中心);Nanyang Technological University(南洋理工大学);Shandong University(山东大学);Tsinghua University(清华大学);Open Security Research Company(开放安全研究公司)
侧信道攻击是基于所获得的关于计算机系统的实现的信息而不是算法中的弱点的攻击方法。侧信道攻击可以利用关于系统特性的信息,例如功耗、电磁泄漏和声音,来危害系统。许多研究工作都是针对这一领域的。不过,这种攻击需要很强的技巧,只有高手才能有效地进行。在这里,我们提出了SCNet,它自动执行侧信道攻击。并结合侧通道领域知识和不同的深度学习模型设计了该网络,以提高性能,更好地解释结果。结果表明,我们的模型取得了良好的性能与较少的参数。该模型为计算机系统的鲁棒性自动测试提供了一种有效的工具。
2020-08-02 cs.CR cs.LG
Automated Crowdturfing Attacks and Defenses in Online Review Systems
恶意众包论坛作为在线传播错误信息的来源越来越受到关注,但受到雇用和管理人类工人的成本的限制。在本文中,我们确定了一类新的攻击,这些攻击利用深度学习语言模型(递归神经网络或RNN)来自动生成产品和服务的虚假在线评论。这些攻击不仅成本低,因此更具可扩展性,而且它们可以控制内容输出的速率,以消除使众包活动易于检测的签名突发性。使用Yelp评论作为一个示例平台,我们展示了如何两个阶段的审查生成和定制攻击可以产生评论,是无法区分的国家的最先进的统计检测器。我们进行了一项基于调查的用户研究,以显示这些评论不仅可以逃避人类检测,而且在用户的“有用性”指标上得分很高。最后,我们通过利用RNN训练和生成周期引入的有损转换来开发针对这些攻击的新型自动防御。我们考虑对策对我们的机制,表明他们产生没有吸引力的成本效益权衡攻击者,他们可以进一步削减由在线服务提供商施加的简单约束。
2017-09-08 cs.CR cs.SI
Detecting Cross-Site Scripting Vulnerabilities through Automated Unit Testing
防止跨站脚本(XSS)攻击的最佳实践是应用编码器来清理不受信任的数据。为了平衡安全性和功能性,应该应用编码器来匹配网页上下文,例如HTML主体、JavaScript和样式表。一个常见的编程错误是使用错误的编码器来清理不受信任的数据,使应用程序容易受到攻击。我们提出了一个安全的单元测试方法来检测XSS漏洞所造成的不受信任的数据的不正确编码。XSS漏洞的单元测试是在每个网页中自动构建的,然后由单元测试执行框架进行评估。一个基于语法的攻击生成器用于自动生成测试输入。我们评估我们的方法在一个大型的开源医疗记录应用程序,证明我们可以检测到许多0天的XSS漏洞,误报率非常低,基于语法的攻击生成器具有更好的测试覆盖率比行业最佳实践。
2018-04-02 cs.CR
Osiris: Automated Discovery of Microarchitectural Side Channels
在过去的几年里,在CPU上发现了一系列的侧通道。这些侧信道已被用于强大的攻击,例如,在加密实现上,或作为瞬态执行攻击(如Spectre或Meltdown)的构建块。然而,在许多情况下,发现侧通道仍然是一个繁琐的手动过程。在本文中,我们提出了Osiris,一个基于模糊的框架,自动发现微架构侧通道。基于CPU ISA的机器可读规范,Osiris生成并行序列三元组,并自动测试它们是否形成基于时序的侧通道。此外,Osiris评估了它们作为瞬时执行攻击中的侧通道的可用性,即,像幽灵党这样的攻击的微架构编码。总的来说,我们在Intel和AMD CPU上发现了四个新颖的基于时序的侧通道。基于这些侧通道,我们展示了三个案例研究中的剥削。我们表明,我们的微架构KASLR打破使用非临时负载,FlushConflict,甚至在新的英特尔冰湖和彗星湖微架构。我们提出了一个跨核跨虚拟机隐蔽通道,不依赖于内存子系统,传输高达1 kbit/s。我们在AWS云上演示了这个通道,表明它是隐身和抗噪的。最后,我们演示了Stream+ Quad,这是一种用于瞬时执行攻击的隐蔽通道,平均允许在瞬时窗口内泄漏7.83字节,改进了最多仅泄漏3字节的最新攻击。
2021-06-07 cs.CR
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
Automated Attack Planning
渗透测试是一种通过生成和执行可能的攻击来评估网络安全的方法。这样做自动允许定期和系统的测试。一个关键问题是如何自动生成攻击。解决这个问题的一个自然方法是作为一个攻击规划问题。在这篇论文中,我们关注的是定期自动渗透测试的具体情况,并在这个意义上使用术语“攻击计划”。研究了以下三个研究方向。首先,我们介绍了一个概念模型的计算机网络攻击,基于渗透测试的实践分析。我们研究如何这种攻击模型可以表示在PDDL语言。然后,我们描述了一个实现,集成了一个经典的计划与渗透测试工具。这使我们能够自动生成真实世界渗透测试场景的攻击路径,并通过执行这些攻击来验证它们。其次,我们提出了高效的概率规划算法,专门为这个问题而设计,实现工业规模的运行时性能(能够解决数百个主机和漏洞的情况)。这些算法考虑了动作的成功概率及其预期成本(例如,在执行时间或生成的网络流量方面)。最后,我们采取了不同的方向:而不是试图提高开发的解决方案的效率,我们专注于改进攻击者的模型。我们模型的攻击规划问题的部分可观测马尔可夫决策过程(POMDP)。这是渗透测试在一个良好的研究形式主义的基础。POMDPs允许将信息收集建模为问题的一个组成部分,从而首次提供了一种智能地将扫描操作与实际利用相结合的方法。
2013-07-30 cs.AI cs.CR
Bridging the Gap: Automated Analysis of Sancus
针对形式化安全验证与实际攻击间存在的模型-实现差距问题,提出一种针对Sancus嵌入式安全架构的自动化分析方法,通过交互提取真实系统行为模型并分析,可发现攻击或给出安全概率保证,已实现并验证了其有效性。
2024-04-15 cs.CR
Automated jailbreak attack targeting multiple defense strategies
East China Normal University(东华大学);Shanghai Innovation Institute(上海创新研究院);University of Southampton(南安普顿大学);Shanghai Jiao Tong University(上海交通大学);Software Engineering Institute, East China Normal University(东华大学软件工程研究院)
提出UNIATTACK框架,从防御视角提取攻击特征并优化,实现跨模型和类别的单次黑盒攻击,显著提升成功率并降低开销。
2026-06-16 cs.AI cs.CR
Forgeable Confirmation in Automated Computer Security Testing: Deterministic Rules versus AI Judges
OmiCore Inc.(OmiCore公司);Graduate School of Engineering, Kyushu University(九州大学研究生院)
本研究证明在AI辅助安全测试中,读取攻击者控制数据的确认机制可被伪造,并提出将决定性证据移至不可写通道以将攻击成功率从97%降至0%。
2026-09-22 cs.CR
Steroids for DOPed Applications: A Compiler for Automated Data-Oriented Programming
广泛采用的系统防御措施,如代码、堆栈和堆的随机化,提高了代码重用攻击的门槛。因此,攻击者利用网络浏览器等目标程序中的脚本引擎来准备代码重用链,例如,重新定位小工具地址或执行即时小工具搜索。然而,许多类型的程序不提供攻击者可以使用的这种执行上下文。面向数据编程(DOP)的最新进展探索了一种滥用内存损坏漏洞的正交方法,并证明攻击者可以在不修改应用程序中的代码指针的情况下实现图灵完全计算。到目前为止,构建DOP漏洞需要大量的手工工作。在本文中,我们提出了新的技术来自动生成DOP漏洞的过程。我们实现了一个名为Steroids的编译器,它将我们的高级语言SLANG编译为低级DOP数据结构,从而在运行时间驱动恶意计算。这使攻击者能够以独立于应用程序和可扩展性的方式指定其意图,以最大限度地提高可重用性。我们证明了我们的技术和原型实现的有效性,通过指定四个程序的不同复杂性的SLANG计算Levenshtein距离,遍历指针链窃取私钥,重新定位ROP链,并执行JIT-ROP攻击。Steroids将这些程序中的每一个编译为针对包括GStreamer、Wireshark和ProFTPd在内的五个不同应用程序的低级DOP数据结构,这些应用程序具有截然不同的漏洞和DOP实例。最终,这表明我们的编译器是通用的,可用于32位和64位应用程序,跨错误类工作,并在缺乏脚本引擎的应用程序中无需传统的代码注入或代码重用…
2020-07-05 cs.CR
Automated Dataset Generation System for Collaborative Research of Cyber Threat Analysis
网络攻击的目标越来越复杂,攻击者通过伪装成其他攻击者来隐藏自己的身份。网络威胁情报(CTI)作为一种收集有意义的知识的方式,以更好地了解攻击者的意图,并最终预测未来的攻击,正受到越来越多的关注。基于从实际网络事件中获得的数据进行系统的威胁分析是为实现这一目标而生成情报的有用方法。开发分析技术需要大量和高质量的数据。然而,研究人员可能会因为无法获得数据而感到沮丧,因为组织很少向研究界发布数据。由于数据不可访问性问题,学术研究往往偏向于开发CTI过程步骤的技术,而不是分析和生产。在本文中,我们提出了一个自动化的数据集生成系统,称为CTIMiner。该系统从公开的安全报告和恶意软件存储库中收集威胁数据。数据以结构化格式存储。我们向公众发布了源代码和数据集,其中包括2008年1月至2019年6月发布的612份安全报告中的约640,000条记录。此外,我们提出了一个数据集的统计功能和技术,可以使用它开发。此外,我们演示了一个应用程序的数据集,分析事件的相关性和特点的例子。我们相信我们的数据集将促进威胁分析的合作研究,以生成CTI。
2019-10-06 cs.CR
APThreatHunter: An automated planning-based threat hunting framework
University of St Andrews(圣安德鲁斯大学);NTRA(国家电信监管机构);Adams State University(亚当斯州立大学)
APThreatHunter通过自动规划生成目标假设,提升网络威胁狩猎的自动化水平和效率。
2025-12-27 cs.CR
Automated Decision-based Adversarial Attacks
深度学习模型容易受到对抗性样本的影响,这些样本可以通过对自然样本施加难以察觉的扰动来欺骗目标分类器。在这项工作中,我们考虑了实际的和具有挑战性的基于决策的黑盒对抗设置,其中攻击者只能通过查询目标模型来获取最终的分类标签,而不能访问模型的细节。在这种背景下,现有的作品往往依赖于几何学,表现出不令人满意的性能。为了更好地理解这些策略的合理性和现有方法的局限性,我们提出了自动发现基于决策的对抗攻击算法。在我们的方法中,我们构建了一个搜索空间,使用基本的数学运算作为积木,并开发了一个随机搜索算法,有效地探索这个空间,通过将几个修剪技术和直观的先验启发程序合成工程。虽然我们在搜索过程中使用了一个小而快速的模型来有效地评估攻击算法,但大量的实验表明,当将所发现的算法转移到CIFAR-10和ImageNet数据集上的更大的正常和防御模型时,它们是简单而高效的。与最先进的基于决策的攻击方法相比,它们始终可以实现相当或更好的性能。
2021-05-09 cs.CR cs.LG
Dirty Road Can Attack: Security of Deep Learning based Automated Lane Centering under Physical-World Attack
UC Irvine(加州大学欧文分校);ByteDance(字节跳动);Northeastern University(东北大学)
自动车道对中(ALC)系统如今非常方便且广泛部署,但也具有高度的安全性和安全性。在这项工作中,我们是第一个系统地研究最先进的基于深度学习的ALC系统在物理世界对抗攻击下的设计操作域中的安全性。我们制定了一个安全关键的攻击目标的问题,和一个新的和特定领域的攻击向量:肮脏的道路补丁。为了系统地生成攻击,我们采用了基于优化的方法,并克服了特定领域的设计挑战,例如由于攻击影响的车辆控制而导致的相机帧相互依赖性,以及车道检测模型缺乏目标函数设计。我们评估我们的攻击生产ALC使用80个场景,从现实世界的驾驶痕迹。结果表明,我们的攻击是非常有效的,超过97.5%的成功率和不到0.903秒的平均成功时间,这是大大低于平均司机的反应时间。这种攻击也被发现(1)对各种现实因素(如照明条件和视角)具有鲁棒性,(2)对不同的模型设计具有通用性,以及(3)从驾驶员的角度来看是隐形的。为了了解安全影响,我们在真实车辆中使用软件在环仿真和攻击跟踪注入进行实验。结果表明,我们的攻击在不同的场景下可以导致100%的碰撞率,包括在使用自动紧急制动等常见安全功能进行测试时。我们还评估和讨论防御。
2021-06-13 cs.CR cs.CV cs.LG
Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks
针对分布式住宅需求响应系统易遭虚假数据注入攻击的问题,本研究提出融合需求响应优化、异常检测与攻击缓解的综合框架,经真实数据集验证可有效提升系统安全弹性。
2023-12-14 cs.CR cs.SY eess.SY
Synthesizing Physical Backdoor Datasets: An Automated Framework Leveraging Deep Generative Models
本文提出一种利用深度生成模型的自动化框架,通过三个模块(建议触发器、生成中毒样本、筛选)合成物理后门数据集,使攻击者能在真实物理世界数据上实现高攻击成功率。
2024-03-15 cs.CR
Diagnose Before You Refine: Multi-Dimensional Judge Feedback for Query-Efficient Jailbreak Attacks
Institute of Science Tokyo(东京科学大学);National Yang Ming Chiao Tung University(国立阳明交通大学);Nanyang Technological University(南洋理工大学)
该研究针对现有越狱攻击缺乏细粒度诊断信息的问题,提出Jev引导策略老虎机框架JSB,在仅10次查询预算下,于10个开源场景中实现89.8%的平均HarmBench攻击成功率,优于现有方法,还验证了其在不同条件下的有效性。
2026-10-14 cs.CR
From Transactions to Exploits: Automated PoC Synthesis for Real-World DeFi Attacks
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学软件新技术国家重点实验室)
TracExp通过轨迹驱动逆向工程和大语言模型代码生成,自动合成可验证的DeFi链上攻击PoC,有效复现93%的现实攻击案例。
2026-01-23 cs.CR cs.SE
Automated Cyber Defence: A Review
Cardiff University(卡迪夫大学)
近年来,网络犯罪分子在一系列网络系统中策划了各种有组织和坚决的网络攻击,对私人和政府机构造成了严重影响。当前基于安全的自动化和编排专注于自动化固定用途和硬编码解决方案,这些解决方案很容易被现代网络攻击超越。自动网络防御的研究将允许通过顺序决策代理自主防御网络系统来开发和实现情报响应。本文通过分为两个子领域的需求分析全面阐述了自动化网络防御的发展,即自动化防御和攻击代理和自主网络操作(ACO)健身房。需求分析允许比较自动化代理,并强调ACO健身房的重要性,为他们的持续发展。的需求分析也被用来批评ACO健身房的总体目标是开发他们在现实世界的网络系统中部署自动化代理。从总体分析中解决了相关的未来挑战,以加速自动网络防御领域的发展。
2023-03-08 cs.AI cs.CR
Diagnostics for Deep Neural Networks with Automated Copy/Paste Attacks
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
针对深度神经网络可解释监督难的问题,提出全自动发现复制/粘贴对抗攻击的SNAFUE方法,用其对ImageNet分类器红队测试,复现已有攻击并发现数百个新漏洞,全程无需人工参与。
2023-05-05 cs.AI cs.CR cs.LG
MalDetConv: Automated Behaviour-based Malware Detection Framework Based on Natural Language Processing and Deep Learning Techniques
Windows的普及吸引了黑客/网络攻击者的注意,使Windows设备成为近年来恶意软件攻击的主要目标。几种复杂的恶意软件变体和反检测方法已得到显著增强,因此,传统的恶意软件检测技术已变得不那么有效。这项工作提出了MalBehavD-V1,一个新的行为数据集的Windows应用程序编程接口(API)调用提取良性和恶意软件的可执行文件使用的动态分析方法。此外,我们提出了MalDetConV,一个新的自动化的基于行为的框架,用于检测现有的和零日恶意软件攻击。MalDetConv使用基于文本处理的编码器将API调用的特征转换为深度学习模型支持的合适格式。然后,它使用卷积神经网络(CNN)和双向门控递归单元(CNN-BiGRU)自动特征提取器的混合来选择API调用的高级特征,然后将其馈送到完全连接的神经网络模块进行恶意软件分类。MalDetConv还使用了一个可解释的组件,该组件揭示了有助于最终分类结果的功能,有助于安全分析师的决策过程。使用我们的MalBehavD-V1数据集和其他基准数据集评估所提出的框架的性能。检测结果证明了MalDetConv在检测MalBehavD-V1、Allan和John、Brazilian和Ki-D数据集中的不可见恶意软件时,检测准确率分别为96.10%、95.73%、98.18%和99.93%。实验结果表明,MalDetConv在检测Windows设备上的…
2022-09-08 cs.CR
L-AutoDA: Leveraging Large Language Models for Automated Decision-based Adversarial Attacks
City University of Hong Kong(香港城市大学);CityU Shenzhen Research Institute(香港城市大学深圳研究院)
L-AutoDA利用大型语言模型在进化框架中自动设计基于决策的对抗性攻击,在CIFAR-10上显著提升成功率与计算效率。
2024-05-22 cs.AI cs.CR cs.CV
When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions
Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院);Minzu University of China(中央民族大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
本文提出CAESAR框架,通过分解任务为五个角色并协调执行,提高自动化入侵任务的成功率并减少性能波动,尤其在需要多步骤利用组合的任务中表现更佳。
2026-05-09 cs.CR
MonitoringBench: Semi-Automated Red-Teaming for Agent Monitoring
Independent(独立)
本文提出半自动化红队方法,针对代理监控中的攻击检测问题,通过改进攻击生成和测试流程,构建了包含2644条攻击轨迹的MonitoringBench基准,评估监控能力与失败模式。
2026-05-10 cs.AI cs.CR
Towards the Automated Verification of Cyber-Physical Security Protocols: Bounding the Number of Timed Intruders
时间入侵者模型被提出来验证网络物理安全协议(CPSP),修改了传统的Dolev-Yao入侵者以遵守环境的物理限制。由于要学习消息,定时入侵者需要等待消息到达,因此发起攻击可能取决于定时入侵者的位置。很可能出现这样的情况,即在存在大量入侵者的情况下,没有攻击,但在存在少量处于适当位置的入侵者的情况下,存在攻击。因此,CPSP自动化验证的一个主要挑战是确定使用多少定时入侵者以及将它们放置在何处。本文通过证明使用与参与者数量相同的定时入侵者数量就足够了来回答这个问题。我们还报告了一些初步的实验结果,发现在CPSP攻击。
2016-05-27 cs.CR cs.LO
Training Automated Defense Strategies Using Graph-based Cyber Attack Simulations
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出基于 Meta Attack Language 攻击图模拟网络攻防环境,用强化学习训练防御智能体响应警报并执行防御措施,实验表明其优于启发式策略且可跨攻击者策略泛化,但大图性能下降。
2023-04-17 cs.CR cs.LG cs.NI