Expanding Cybersecurity Knowledge Through an Indigenous Lens: A First Look
非殖民化和土著教育是加拿大学术界目前最重要的内容。在过去的几十年里,我们在分享信息的方式上发生了一些重大变化。特别是,我们已经进入了一个电子共享内容的时代,在加拿大,人们越来越期望这种内容既具有文化意义,又具有相关性。在本文中,我们讨论了一个正在进行的社区参与倡议与第一民族社区在马尼托巴省西部地区。该举措涉及以网络安全为主题的知识共享活动,面向公众。这个初步研究我们的教育项目的重点是概念分析和规划阶段。我们正在开发一个“网络安全101”迷你课程,将在针对不同群体的几个一小时长的研讨会上实施(这些公共研讨会可能包括广泛的参与者,从技术反对到技术精通)。学习评估工具已内置的的车间计划。我们已经创建了信息和宣传小册子,海报,课程计划和反馈问卷,我们认为这些问卷与此主题相关并与个人联系,有助于弥合土著社区的无障碍,同时努力建立积极的互惠关系。我们的方法是从社区需要和优先事项的角度来处理这个问题。因此,正在根据每个社区的具体情况开展活动。
2021-03-30 cs.CR cs.CY
The Hitchhiker's Guide to Facebook Web Tracking with Invisible Pixels and Click IDs
在过去的几年里,广告公司已经使用各种跟踪方法来持续跟踪网络上的用户。此类跟踪方法通常包括第一方和第三方cookie、cookie同步以及各种指纹识别机制。Facebook最近推出了一种新的标记机制,该机制在指向其他网站的外发链接上附加一个一次性标记作为URL参数(FBCLID)。虽然这样的标签似乎没有足够的信息来持续跟踪用户,但我们证明,尽管其短暂的性质,当与FB Pixel结合时,它可以帮助持续监视用户在i)不同网站上的浏览行为,ii)每个网站上的不同操作,iii)时间,即,无论是在过去还是在未来。我们将这种对用户的在线监控称为FB网络跟踪。我们发现FB Pixel以惊人的细节跟踪网站上的广泛用户活动,特别是在GDPR下被归类为敏感类别的网站上。此外,我们还展示了FBCLID标签如何用于匹配,从而去匿名化,FB Pixel跟踪的在线用户在遥远的过去(甚至在这些用户拥有FB帐户之前)进行的活动。事实上,通过将此标签与具有滚动到期日期的cookie相结合,FB还可以跟踪用户未来的浏览活动。我们的实验结果表明,在10k个最受欢迎的网站中,有23%采用了这项技术,并且可以为网络上的活动跟踪做出贡献。此外,我们的纵向研究表明,这种类型的用户活动跟踪可以追溯到2015年。简单地说,如果用户今天第一次创建FB帐户,在某些情况下,FB可以将他们匿名收集的过去的网络浏览活动与他们新创建的FB个人资…
2023-03-28 cs.CR
A Global Cybersecurity Standardization Framework for Healthcare Informatics
National Sun Yat-sen University(国立中山大学);Thumbay Institute for AI in Healthcare(通贝医疗人工智能研究院);Gulf Medical University(海湾医科大学);University of Derby(德比大学)
针对医疗数字化下PHI保护法规不完善的问题,本研究结合德尔菲法、DBSCAN与TOPSIS构建医疗网络安全标准化框架,划分5类安全活动并排序,为医疗领域隐私安全落地提供参考。
2024-10-06 cs.CR cs.LG
MimicSat: A Reconfigurable Cyber-Physical Testbed For Small Satellite Systems and Cybersecurity Research
The University of Texas at San Antonio(圣安东尼奥德克萨斯大学)
MimicSat是一个可重构的网络物理测试平台,用于研究卫星子系统行为变化对任务结果的影响,支持软件与硬件执行环境,并应用于网络安全、系统工程和弹性研究。
2026-09-24 cs.CR
Next Generation of Phishing Attacks using AI powered Browsers
针对AI驱动浏览器带来的新型钓鱼威胁,本文提出集成Random Forest的实时浏览器扩展,实现高准确率钓鱼网站与零日威胁检测。
2024-06-18 cs.CR
On the Use of Latency Graphs for the Construction of Tor Circuits
使用基于匿名的基础设施和匿名器是减轻互联网上隐私问题的合理解决方案。Tor(洋葱路由器的缩写)是一种流行的低延迟匿名系统,可以作为终端用户应用程序安装在各种操作系统上,通过一系列匿名代理电路重定向流量。这些电路的构造决定了Tor匿名系统的延迟和匿名程度。虽然一些电路构造策略会导致延迟,但这些延迟对于Web浏览等活动来说是可以容忍的,但它们会使系统容易受到链接攻击。我们在本文中评估了三个经典的策略构建Tor电路,就其去匿名化的风险和延迟性能。然后,我们开发了一种新的电路选择算法,大大降低了链接攻击的成功概率,同时保持良好的性能。最后,我们在PlanetLab上对真实世界的Tor部署进行了实验。我们的实验结果证实了我们的策略的有效性和Web浏览的性能增加。
2012-08-18 cs.CR
A Method Based on Deep Learning for the Detection and Characterization of Cybersecurity Incidents in Internet of Things Devices
鉴于物联网网络的日益增长及其在人类活动的关键方面的存在,连接到这些网络的设备的安全性变得至关重要。机器学习方法作为计算机网络中的安全解决方案的使能者正变得突出,这是由于其处理流量信息以检测可能代表针对基础设施的攻击的异常模式的能力。在本文中,我们建议利用卷积和递归神经网络,这两个工件已成功地用于上下文,如图像处理的模式识别,用于开发一个安全解决方案,用于物联网的背景下。我们的研究结果表明,当使用最先进的数据集进行评估时,这种方法在攻击的二进制分类(即正常流量与攻击流量)中的准确率约为99%,在多类分类(识别不同类型的攻击)准确率为96%。这些结果优于文献中的建议,显示了为物联网基础设施开发安全解决方案的前景。
2022-03-01 cs.CR cs.NI
Lessons Learned Developing and Extending a Visual Analytics Solution for Investigative Analysis of Scamming Activities
网络安全分析师在大型通信数据集上工作,通过仔细检查数千封电子邮件对话来进行调查分析,以找到潜在的诈骗活动和网络骗子网络。传统上,专家使用电子邮件客户端,数据库系统和文本编辑器来执行此调查。随着技术的发展,通过使用最先进的数据可视化技术来更有效地汇总数据的精心制作的工具已经出现。Beagle[1]就是这样一个工具,它使用不同的面板可视化大型通信数据,以便检查员有更好的机会找到诈骗网络。本文是关于我们实施和改进Jay Koven等人[1]所做工作的报告。我们已经提出并通过实现演示了一些可视化,我们认为这些可视化将有助于更有效地对电子邮件数据进行分组和分析。最后,我们还介绍了一个案例研究,展示了我们的工具在现实世界中的潜在用途。
2020-02-08 cs.CR cs.HC
Artificial Intelligence in Cybersecurity: Building Resilient Cyber Diplomacy Frameworks
本文研究如何将自动化与人工智能战略性地整合进美国网络外交,以提升决策效率、预测分析和实时响应能力,同时强调人类监督与治理框架以应对伦理和安全风险。
2024-11-17 cs.AI cs.CR cs.CY
AVDA: Autonomous Vibe Detection Authoring for Cybersecurity
Microsoft(微软)
本文提出AVDA框架,通过整合组织上下文自动化检测作者化,提升检测质量与效率,实验显示Agentic方法在相似度上比基线方法提升19%。
2026-03-30 cs.CR cs.SE
Real-time monitoring as a supplementary security component of vigilantism in modern network environments
网络警戒主义的现象自动归因于如何实时跟踪对手的异常和模糊活动。毋庸置疑,在当今动态、虚拟化和复杂的网络环境中,网络管理员、分析师以及工程师实时的【形】对流量以及其他网络事件进行网络警戒已经变得不可或缺。原因是要了解组织网络环境在任何给定时间的确切安全状况。这是因为现代网络环境不仅为组织提供了新的机遇,而且还带来了一系列新的复杂的网络安全挑战,这些挑战需要每天解决。在现代网络环境中,联网设备的规模、范围、复杂性和数量不断增长,这使得即使是最有经验的网络管理员也很难独立地提供监督或诊断复杂网络问题所需的知识广度和深度。此外,随着当今世界网络安全威胁的不断增加,许多组织被迫改变其计划,制定和实施网络安全战略的方式,以加强其应对网络安全事件的能力。因此,本文研究了实时监控(RTM)作为现代网络环境中警戒的补充安全组件的相关性,特别是在网络安全事件发生时进行适当的规划,准备和缓解。此外,本文还探讨了一些关键问题和挑战,在我们的现代网络环境中实施RTM的安全警戒。
2020-12-07 cs.CR
SMEs' Confidentiality Concerns for Security Information Sharing
中小企业被认为是欧盟经济的重要组成部分,但极易受到网络攻击。中小企业有着与大公司不同的具体特点,并影响其采用良好的网络安全实践。为了减轻中小企业的网络安全采用问题,并提高他们对网络威胁的认识,我们设计了一个自定进度的安全评估和能力改进方法,CYSEC。CYSEC是一种安全意识和培训方法,利用自我报告问卷来收集公司关于网络安全意识,实践和漏洞的信息,以生成自动化的咨询建议。然而,对网络安全信息的保密性担忧影响了公司分享信息的意愿。安全信息共享降低了事故风险,并提高了用户在安全意识计划中的自我效能。本文介绍了半结构化访谈的结果与七个首席信息安全官员的中小企业,以评估在线同意沟通的信息共享的动机的影响。根据自决理论对结果进行了分析。研究结果表明,在线同意与多个选项,以表明一个合适的协议水平提高了信息共享的动机。这使许多中小企业能够参与安全信息共享活动,并支持安全专家更好地了解常见漏洞。最终出版物可通过https://doi.org/10.1007/978-3-030-57404-8_22在Springer获得
2021-07-22 cs.CR cs.CY
Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques
本研究结合增强粒子群优化(EPSO)改进网络入侵检测,通过多数据集对比多类模型,发现经EPSO微调的决策树性能最优,提出了高精度高可靠的NIDS框架,为网络安全入侵检测提供新方案。
2024-08-14 cs.CR
Innovations in Cardless Artificial Intelligence Banking: A Comprehensive Framework for Cyber Secure and Fraud Mitigation using Machine Learning Algorithms
Computer Engineering, University of Central Florida, Orlando, Florida, USA
本文提出了一种全面的框架,利用机器学习算法增强无卡人工智能银行系统的网络安全和欺诈防范能力,通过AI驱动的数据加密生成虚拟卡,减少信息泄露风险。
2026-05-21 cs.AI cs.CR cs.LG
Towards Model-based Run-time Cybersecurity: On Control-Flow Anomaly Detection, Attack Identification, and Hardware Monitoring
Faculty of Computer Science and Mathematics, OTH Regensburg(雷根斯堡应用技术大学计算机科学与数学学院);Institute for Software Engineering and Programming Languages, Universität zu Lübeck(吕贝克大学软件工程与程序设计语言研究所);Accemic Technologies GmbH(Accemic科技有限公司)
本文提出结合软件与硬件监控的基于模型的方法,以提升控制流异常检测与攻击树识别的鲁棒性,解决攻击者通过伪装控制流逃避检测的问题,在认证服务示例中验证了该方案可提高诊断精度。
2026-08-13 cs.AI cs.CR
Smart Grid: Cyber Attacks, Critical Defense Approaches, and Digital Twin
本文综述智能电网面临的网络攻击、关键防御方法及数字孪生技术,旨在打破领域知识壁垒,为基于数字孪生的智能电网安全设计提供指导。
2025-07-07 cs.CR cs.NI
Malware triage for early identification of Advanced Persistent Threat activities
Research Center of Cyber Intelligence and Information Security (CIS)(网络情报与信息安全研究中心(CIS));Sapienza University of Rome(罗马第一大学)
在过去十年中,出现了一类新的网络威胁。这种新的网络安全对手以“高级持续性威胁”(APT)的名称而闻名,并被称为在过去几年中由于针对金融和政治,新闻头条,大使馆,关键基础设施,电视节目等的多种危险和有效的攻击而“处于中心位置”的不同组织。需要一种用于恶意软件样本分析的半自动方法。在我们之前的工作中,我们介绍了一个半自动恶意软件分析架构的“恶意软件分类”步骤。这一步有责任尽快分析新的传入样本,并立即发送那些值得更深入分析的样本,在网络空间中每天交付的所有恶意软件中,那些真正值得分析师进一步检查的样本。我们的论文重点是恶意软件开发的APT,我们建立我们的知识库,用于分流,从公开的报告中获得的已知APT。为了尽可能快地进行分类,我们只依赖于静态恶意软件特征,这些特征可以以可忽略的延迟提取,并使用机器学习技术进行识别。在这项工作中,我们从多类分类转移到一组一类分类器,这简化了训练并允许更高的模块化。实验结果表明,该框架具有很高的性能,达到了100%的精度和95%以上的准确率
2018-10-16 cs.CR cs.LG
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
Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks
Artificial Intelligence Research (AIR) Center(人工智能研究(AIR)中心);University of North Dakota(北达科他大学)
本研究比较随机森林、XGBoost和LightGBM三种集成学习算法,在边缘计算辅助物联网环境中检测僵尸网络攻击,验证其准确性与在资源受限设备上的可行性。
2025-08-03 cs.AI cs.CR
Review on the Feasibility of Adversarial Evasion Attacks and Defenses for Network Intrusion Detection Systems
Université Libre de Bruxelles(布鲁塞尔自由大学);Royal Military Academy(皇家军事学院);Ecole Militaire Polytechnique(军事理工学院)
如今,由于机器学习(ML)算法的突出成就,许多应用都包含了ML算法。然而,计算机视觉领域的许多研究表明,ML可能会被故意制作的实例(称为对抗性示例)所欺骗。这些对抗性的例子利用了ML模型固有的脆弱性。最近的研究在网络安全领域引起了许多关注。越来越多的研究人员正在研究对基于ML算法的安全系统(如入侵检测系统(IDS))进行此类攻击的可行性。这种对抗攻击的可行性将受到各种特定于域的约束的影响。这可能会增加制作对抗性示例的难度。尽管在这一领域已经进行了大量的研究,但其中大部分都集中在表明使用从原始数据中提取的特征来欺骗模型是可能的,但并没有解决实际的一面,即,从理论到实践的逆向转化。为此,我们建议通过各种重要的文件进行审查,以提供全面的分析。我们的分析强调了一些在审查文件中没有解决的挑战。
2023-03-13 cs.AI cs.CR
A comprehensive survey of cybercrimes in India over the last decade
C.V Raman Global University(C.V. 拉曼全球大学)
本文综述了过去十年印度网络犯罪的激增趋势,分析了勒索软件、数据泄露等威胁对关键领域的影响,并探讨了预防策略、安全协议及监管框架以保护数字基础设施。
2025-04-21 cs.AI cs.CR
Unveiling the Digital Fingerprints: Analysis of Internet attacks based on website fingerprints
本文利用网站指纹和多种机器学习算法对 Tor 流量进行去匿名化攻击分析,实验表明 Gradient Boosting Machine 在二分类中准确率达 0.8363,Random Forest 在多分类中准确率达 0.6297。
2024-09-01 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
Development of Multistage Machine Learning Classifier using Decision Trees and Boosting Algorithms over Darknet Network Traffic
Pillai College of Engineering(皮莱工程学院);University of Mumbai(孟买大学)
本研究提出一种结合决策树与AdaBoost、Gradient Boosting等多阶段机器学习分类器,并利用信息增益等特征选择方法,有效解决了Darknet流量数据集中的类别不平衡问题,实现了对暗网活动的准确检测与分类。
2024-07-22 cs.CR cs.LG
When the Few Outweigh the Many: Illicit Content Recognition with Few-Shot Learning
Eindhoven University of Technology(埃因霍温理工大学);Jheronimus Academy of Data Science(杰罗尼姆斯数据科学学院);Tilburg University(蒂尔堡大学);University of Padova(帕多瓦大学)
本文研究利用孪生神经网络的单样本和少样本学习方法,从暗网图像中识别非法活动,在10类数据集上20-Shot实验达到90.9%准确率,为暗网自动化执法提供了低成本且有前景的替代方案。
2023-11-28 cs.AI cs.CR cs.CV
APT-LLM: Embedding-Based Anomaly Detection of Cyber Advanced Persistent Threats Using Large Language Models
针对高级持续性威胁(APTs)检测难的问题,提出APT-LLM框架,结合BERT等大语言模型与自动编码器架构,在极端不平衡数据集上显著提升检测性能,优于传统方法。
2025-02-13 cs.CR
Cyber Threat Hunting: Non-Parametric Mining of Attack Patterns from Cyber Threat Intelligence for Precise Threats Attribution
International Islamic University(伊斯兰国际大学);National University of Computer and Emerging Sciences (NUCES)(国立计算机与新兴科学大学);Seoul National University(首尔大学)
针对现有网络威胁归因方法精确度低、误报率高的问题,提出基于机器学习的非参数挖掘方法与可视化交互工具CAPE,从威胁情报中提取攻击模式数据集并训练算法,实现精确的威胁行为者归因。
2025-09-15 cs.CR
I Spy with My Little Eye: Analysis and Detection of Spying Browser Extensions
已经进行了几项研究,以了解第三方用户在网络上的跟踪。然而,网络追踪器只能在发布者嵌入的网站上追踪用户,从而获得用户在线足迹的碎片视图。在这项工作中,我们调查了一种不同形式的用户跟踪,其中浏览器扩展被重新利用来捕获用户的完整在线活动,并将收集到的敏感信息传达给第三方域。我们进行了一项实证研究间谍浏览器扩展程序的Chrome网上商店。首先,我们对这些扩展的间谍行为进行了深入分析。我们观察到这些扩展程序窃取了各种敏感的用户信息,例如完整的浏览历史记录(例如,web遍历序列)、在线社交网络(OSN)访问令牌、IP地址和用户地理位置。其次,我们调查的潜力,自动检测间谍扩展应用机器学习计划。我们表明,使用递归神经网络(RNN),浏览器API调用序列可以是一个强大的功能,优于手工制作的功能(用于恶意扩展的先前工作)来检测间谍扩展。我们的基于RNN的检测方案在检测间谍扩展时实现了高精度(90.02%)和召回率(93.31%)。
2018-05-03 cs.CR
HIDBench: Benchmarking Large Language Models for Host-Based Intrusion Detection
University of California, Irvine(加州大学洛杉矶分校);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出HIDBench基准测试,用于评估大型语言模型在支持基于主机的入侵检测系统(HIDS)中的能力,揭示了LLM在复杂系统日志数据中的性能差异和敏感性。
2026-05-20 cs.CR cs.LG
Cryptomining Makes Noise: a Machine Learning Approach for Cryptojacking Detection
一种新的网络安全攻击,即对手恶意地在不知情的用户的设备上运行加密挖掘软件,正在文献和野外出现。这种被称为加密劫持的攻击已被证明是非常有效的,因为在目标设备中运行加密客户端非常简单。最近提出了几种对策,具有不同的功能和性能,但都具有基于主机的体系结构的特点。这种旨在保护个人用户的解决方案不适合有效地保护公司网络,特别是针对内部人员。在本文中,我们提出了一种基于网络的方法来检测和识别加密客户端的活动,仅依赖于网络流量,即使加密。首先,我们详细分析了三种主要加密货币比特币、门罗币和字节币产生的真实网络痕迹,同时考虑了正常流量和VPN形成的流量。然后,我们提出了Crypto-Aegis,这是一个基于机器学习(ML)的框架,建立在我们的调查结果之上,旨在检测与加密货币相关的活动,例如,矿池挖矿、单人挖矿和活跃全节点。我们的解决方案在ROC上实现了惊人的0.96 F1分数和0.99 AUC,同时还具有一些其他属性,例如设备和基础设施独立性。鉴于所解决的威胁的程度和新颖性,我们认为,我们的方法,其出色的结果支持,铺平了道路,在这一领域的进一步研究。
2020-01-28 cs.CR cs.NI
Insider Detection using Deep Autoencoder and Variational Autoencoder Neural Networks
内部攻击是公司、企业和关键基础设施面临的最具挑战性的网络安全问题之一。尽管实施了周边防御,但这种攻击的风险仍然很高。事实上,内部攻击的检测是一项非常复杂的安全任务,对研究界提出了严峻的挑战。在本文中,我们的目标是通过使用深度学习算法Autoencoder和变分自编码器deep来解决这个问题。我们将特别研究应用这些算法自动防御潜在内部威胁的有用性,而无需人工干预。在公共数据集CERT数据集(CERT r4.2)上评估了这两个模型的有效性。此版本的CERT Insider Threat Test数据集包括从1000个模拟用户生成的良性和恶意活动。与其他模型的比较结果表明,变分自编码器神经网络具有更高的检测精度和合理的误报率,提供了最好的整体性能
2021-09-06 cs.AI cs.CR
Combining Threat Intelligence with IoT Scanning to Predict Cyber Attack
Researcher Senior Member, IEEE(IEEE高级研究员)
本文提出一个预测性威胁情报框架,通过系统收集、分析和可视化暗网数据,识别恶意网站并将其与物联网漏洞关联,以增强网络攻击预测建模和政策制定。
2025-06-03 cs.AI cs.CR cs.CY
Towards Cross-Modal Forgery Detection and Localization on Live Surveillance Videos
网络安全漏洞使监控系统容易受到视频伪造攻击,在这种攻击下,真实的实时视频流被篡改,以掩盖监控摄像头下的非法人类活动。传统的视频取证方法可以使用计算昂贵的时空分析来检测和定位每个视频帧中的伪造痕迹,而在实时视频馈送的实时验证方面则不足。目前的工作是将时间序列摄像机和无线信号关联起来,利用事件级时序信息识别回放的监控视频,但无法实现每帧上的细粒度伪造检测和定位。为了填补这一空白,本文提出了安全姿态,一种新的跨模态伪造检测和定位系统,用于使用摄像机点附近的WiFi信号的实时监控视频。我们观察到,共存的摄像头和WiFi信号传达共同的人类语义信息和伪造攻击的视频帧的存在将解耦这样的信息对应。Secure-Pose从同步的多模态信号中提取有效的人体姿态特征,并在每帧中检测和定位帧间和帧内攻击下的伪造痕迹。我们使用商用摄像头和两个英特尔5300显卡实现了安全姿势,并在现实环境中进行了评估。Secure-Pose的检测准确率高达95.1%,可以有效地定位不同伪造攻击下的篡改对象。
2021-01-12 cs.CR
Exploring Answer Set Programming for Provenance Graph-Based Cyber Threat Detection: A Novel Approach
本文提出基于答案集编程(ASP)的溯源图建模方法,用于网络威胁检测,支持攻击路径追踪、数据泄露检测和异常识别,具有可扩展性和可解释性。
2025-01-24 cs.CR cs.PL
Slot: Provenance-Driven APT Detection through Graph Reinforcement Learning
针对高级持续性威胁检测难题,提出基于溯源图与图强化学习的检测方法Slot,通过挖掘系统行为间多层次隐藏关系、动态适应攻击演变并自动构建攻击链,实现了高准确率与鲁棒性。
2025-07-17 cs.CR
Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
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(国家技术与工程高等学院)
本研究提出一种结合LLMs与LSTM的主动网络入侵预测框架,利用微调GPT预测流量、微调BERT评估预测,并由LSTM识别恶意数据包,在CICIoT2023数据集上达到98%准确率,有效提升IoT网络安全。
2024-08-26 cs.AI cs.CR
Hierarchical Cryptographic Signature Mapping for Ransomware Classification: A Structural Decomposition Approach
本文提出一种层级密码签名映射框架,通过结构分解加密工作流,利用熵、密钥交换等特征区分恶意与合法加密,实验证明其高精度和计算效率,优于传统方法,适用于大规模网络安全威胁检测。
2025-08-08 cs.CR
Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework
Department of Business Information Systems, Central Michigan University(中央密歇根大学商业信息系统系);Department of Information Studies, Trine University(特林大学信息学系);Department of Computer Science, Maharishi International University(Maharishi国际大学计算机科学系)
针对美国关键基础设施面临的网络威胁,提出一种结合XGBoost、随机森林等机器学习分类器与可解释AI(XAI)技术的入侵检测与网络风险预测框架,通过CICIDS2017数据集验证模型性能与可靠性。
2026-06-04 cs.AI cs.CR
Detecting Phishing Sites Using ChatGPT
针对LLMs在恶意网络内容检测中应用不足的问题,提出利用LLMs的ChatPhishDetector系统,通过爬虫收集网站信息生成提示词检测钓鱼网站,GPT-4V实验精确率98.7%、召回率99.6%,优于现有方案。
2025-02-14 cs.CR
Forgery Attack Detection in Surveillance Video Streams Using Wi-Fi Channel State Information
Huazhong University of Science and Technology(华中科技大学);Carnegie Mellon University(卡内基梅隆大学);Hong Kong University of Science and Technology(香港科技大学)
网络安全漏洞使监控视频流暴露于伪造攻击,在这种攻击下,真实的视频流被伪造以隐藏未经授权的活动。传统的视频取证方法只能对较长的视频片段进行时空分析来定位伪造痕迹,而不能实时检测伪造痕迹。最近的工作相关的时间序列相机和无线信号检测循环视频,但不能实现细粒度的伪造定位。为了克服这些限制,我们提出了安全姿态,它利用了监控和Wi-Fi基础设施的普遍共存,以实时和细粒度的方式防御视频伪造攻击。我们观察到,共存的摄像头和Wi-Fi信号传达共同的人类语义信息,对视频流的伪造攻击将解耦这种信息对应。特别地,首先从并发的视频和Wi-Fi信道状态信息(CSI)流中提取可检索的人体姿势特征。然后,一个轻量级的检测网络,准确地发现伪造攻击和一个有效的定位算法设计无缝跟踪伪造痕迹的视频流。我们使用一个Logitech摄像头和两个Intel 5300处理器实现了安全姿态,并在不同的环境中进行了评估。Secure-Pose实现了98.7%的高检测准确率,并在回放和篡改攻击下定位异常对象。
2022-01-24 cs.CR cs.CV
On the Evaluation of Sequential Machine Learning for Network Intrusion Detection
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);Rochester Institute of Technology(罗切斯特理工学院);University of Liechtenstein(列支敦士登大学)
深度学习的最新进展重新激发了机器学习在网络入侵检测系统(NIDS)中的研究兴趣。具体来说,注意力已经给予顺序学习模型,由于他们的能力,提取的时间特性的网络流量(NetFlows),并使用它们的NIDS任务。然而,这些顺序模型的应用通常包括直接从其他领域转移和调整方法,而没有深入研究如何利用网络安全场景的具体情况;此外,缺乏对依赖NetFlow数据的顺序模型的全面研究,这比传统的完整数据包捕获具有显着优势。我们在本文中解决这个问题。我们提出了一个详细的方法来提取时间序列的NetFlows表示模式的恶意活动。然后,我们应用这种方法来比较顺序学习模型与传统静态学习模型的有效性。特别是,我们在由两个著名的NIDS数据集代表的不同环境中对“顺序”长短期记忆(LSTM)与“静态”前馈神经网络(FNN)进行了公平的比较:CICIDS 2017和CTU 13。我们的研究结果强调,LSTM在CICIDS 2017中实现了与FNN相当的性能,F1得分超过99.5%;而在CTU 13中获得了更好的性能,F1得分为95.7%,而F1得分为91.5%。因此,本文铺平了道路,未来的应用程序顺序学习模型的NIDS。
2021-06-15 cs.CR cs.LG
Hybrid Topological Data Analysis and LSTM Networks for Enhanced Network Intrusion Detection Using CIC-IDS2017 Dataset
Birla Institute of Technology, Mesra(梅萨拉比尔拉理工学院)
提出结合拓扑数据分析(TDA)与LSTM网络的混合方法,利用CIC-IDS2017数据集实现网络入侵检测,AUC和F1分数均达1.000。
2026-07-01 cs.CR math.DS