Artificial Intelligence Ethics Education in Cybersecurity: Challenges and Opportunities: a focus group report
Purdue University（普渡大学）
本文通过网络安全研究生焦点小组，梳理AI伦理教育在工具获取、课程、文档、伦理原则、黑箱心态及系统沟通能力方面的挑战，并提出整合技术训练与伦理监测的改进方向。
2023-11-02 cs.AI cs.CR cs.CY
Systematic Review of Cybersecurity in Banking: Evolution from Pre-Industry 4.0 to Post-Industry 4.0 in Artificial Intelligence, Blockchain, Policies and Practice
The University of Sheffield（谢菲尔德大学）
本综述回顾了银行业网络安全从工业4.0前到工业4.0后的演进，重点评估了人工智能与区块链等技术的应用，并分析了当前面临的高成本、可扩展性及网络犯罪威胁等挑战，提出了未来发展建议。
2025-02-27 cs.AI cs.CE cs.CR
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
A Survey on Explainable Artificial Intelligence for Cybersecurity
Princess Sumaya University for Technology（苏玛雅公主科技大学）；Concordia University（康考迪亚大学）；Polytechnique Montréal（蒙特利尔理工学院）；Khalifa University（哈利法大学）；University of Waterloo（滑铁卢大学）；Lebanese American University（黎巴嫩美国大学）；New York University（纽约大学）
本综述梳理了网络安全领域可解释人工智能（XAI）的研究现状，按网络安全威胁类型分类现有方法，分析了当前XAI方法的挑战与局限，并展望了未来研究方向。
2023-06-11 cs.AI cs.CR cs.NI
Cognitive Cybersecurity for Artificial Intelligence: Guardrail Engineering with CCS-7
Independent Researcher（独立研究者）
针对语言模型规避传统对齐的认知漏洞，提出CCS-7分类法，通过12,180次实验发现TFVA护栏的防护效果高度依赖模型架构，强调部署前需进行架构感知测试。
2025-08-09 cs.AI 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
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
A Review of Digital Twins and their Application in Cybersecurity based on Artificial Intelligence
Universidad de Extremadura（埃斯特雷马杜拉大学）
本综述探讨数字孪生技术及其与人工智能的集成，用于提升各行业数字平台的网络安全，并分析相关风险，为网络安全研究提供路线图。
2023-11-02 cs.AI cs.CR cs.LG
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
Data-Driven Intelligence can Revolutionize Today's Cybersecurity World: A Position Paper
本文提出数据驱动智能借助AI和机器学习可变革网络安全，通过自动化、实时检测和预测分析提升效率并辅助人类决策。
2023-08-09 cs.CR
LLM-Assisted Proactive Threat Intelligence for Automated Reasoning
Arizona State University（亚利桑那州立大学）；National Renewable Energy Laboratory（国家可再生能源实验室）
本研究提出结合GPT-4o与RAG技术，利用Patrowl框架实时检索CVE等威胁情报并在Milvus中存储向量，显著提升了系统对新披露漏洞和高危CVE的检测响应能力。
2025-04-01 cs.AI cs.CR
Robustness and Cybersecurity in the EU Artificial Intelligence Act
University of Tübingen（图宾根大学）；IBM Research Africa（IBM非洲研究中心）；Saarland University（萨尔兰州大学）；CSZ Institute for Artificial Intelligence and Law, University of Tübingen（人工智能与法律研究所，图宾根大学）
本文针对欧盟人工智能法案中高风险人工智能系统和通用人工智能模型相关条款，识别其在稳健性和网络安全方面的法律挑战与缺陷，结合机器学习进展评估实施挑战，为制定相关标准等提供参考，弥合法律与研究差距。
2026-10-14 cs.AI cs.CR cs.CY
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
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
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
Artificial Intelligence for Cybersecurity: Threats, Attacks and Mitigation
National Institute of Technology Silchar（锡尔查尔国家理工学院）；Mizoram University（米佐拉姆大学）
随着数字时代的到来，由于技术的进步，每天的任务都是自动化的。然而，技术还没有为人们提供足够的工具和保障。随着互联网连接全球越来越多的设备，保护连接设备的问题以螺旋式的速度增长。数据盗窃、身份盗窃、欺诈性交易、密码泄露和系统漏洞正在成为日常新闻。最近人工智能的进步使网络攻击的威胁激增。人工智能几乎应用于不同科学和工程的各个领域。人工智能的介入不仅使特定任务自动化，而且还将效率提高了许多倍。因此，很明显，这样一个美味的传播将是非常诱人的网络犯罪分子。因此，传统的网络威胁和攻击现在是“智能”威胁。本文讨论了网络安全和网络威胁，以及防御网络攻击的传统和智能方法。最后，以人工智能在网络安全中的未来的潜在前景结束讨论。
2022-09-27 cs.AI cs.CR cs.CY
Artificial intelligence and cybersecurity in banking sector: opportunities and risks
本文探讨AI/ML在银行业提升效率、欺诈检测和客户服务自动化的机遇，以及对抗攻击和恶意使用带来的网络安全风险，强调构建安全、可信、稳健模型与防御框架。
2024-11-28 cs.CR
Graph neural networks at war: integrating cybersecurity and drone intelligence in the Israeli-Iranian conflict
Department of Information Technology, Khabat Technical Institute（信息科技系，Khabat技术学院）；Erbil Polytechnic University（埃尔比尔理工大学）；Computer Science and Engineering Department（计算机科学与工程系；AIIC，库尔德斯坦赫勒大学）；AIIC, University of Kurdistan Hewler（信息系统工程系，计算机与信息工程技术学院）；Department of Information Systems Engineering, Technical College of Computer and Informatics Engineering
研究利用图神经网络（GNN）增强网络入侵检测与无人机响应，通过案例验证其在高检测率、快速响应和态势感知中的有效性。
2026-06-17 cs.AI cs.CR
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
Artificial Intelligence as the New Hacker: Developing Agents for Offensive Security
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）
本文提出自主攻击性安全智能体 ReaperAI，结合 GPT-4、RAG、任务驱动渗透测试框架与高级提示，在 Hack The Box 等平台验证漏洞利用能力，并讨论伦理与运营挑战。
2024-05-09 cs.AI cs.CR
Generating Fake Cyber Threat Intelligence Using Transformer-Based Models
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；University of North Carolina, Wilmington（北卡罗来纳大学威尔明顿分校）
正在开发网络防御系统，以自动摄取包含半结构化数据和/或文本的网络威胁情报（CTI），以填充知识图谱。一个潜在的风险是，可以通过开源情报（OSINT）社区或Web生成和传播虚假CTI，从而对这些系统进行数据投毒攻击。攻击者可以使用虚假的CTI示例作为训练输入来破坏网络防御系统，迫使模型学习不正确的输入来满足其恶意需求。在本文中，我们自动生成虚假CTI文本描述使用Transformers。我们发现，给定一个初始提示句，一个公共的语言模型，如GPT-2微调，可以产生可信的CTI文本的能力，破坏网络防御系统。我们利用生成的假CTI文本对网络安全知识图谱（CKG）和网络安全语料库进行数据投毒攻击。中毒攻击带来了不利影响，例如返回不正确的推理输出，表示中毒以及其他依赖AI的网络防御系统的损坏。我们使用传统方法进行评估，并与网络安全专业人员和威胁猎人进行人工评估研究。根据这项研究，专业的威胁猎人同样有可能认为我们生成的虚假CTI是真实的。
2021-06-18 cs.AI cs.CR
Collaborative Intelligence: Topic Modelling of Large Language Model use in Live Cybersecurity Operations
eSentire（eSentire公司）；University of Waterloo（滑铁卢大学）；SpyCloud（SpyCloud公司）
针对安全运营中心（SOC）专家在实时网络安全运营中使用大型语言模型（LLM）的情况开展主题建模，分析其使用方式，为设计协作式LLM工具以支持SOC工作流提供依据。
2025-08-25 cs.AI cs.CR
Darknet and Deepnet Mining for Proactive Cybersecurity Threat Intelligence
Arizona State University（亚利桑那州立大学）
在本文中，我们提出了一个操作系统，用于从互联网上的各种社交平台，特别是暗网和深网上的网站收集网络威胁情报。我们专注于从黑客论坛讨论和提供专注于恶意黑客的产品和服务的市场收集信息。我们开发了一个操作系统，用于从这些网站获取信息，以识别新出现的网络威胁。目前，该系统平均每周收集305个高质量的网络威胁警告。这些威胁警告包括有关新开发的恶意软件和尚未在网络攻击中部署的漏洞的信息。这为网络维护者提供了重要的服务。通过使用各种数据采掘和机器学习技术，该系统得到了显著增强。通过使用机器学习模型，我们能够高精度地召回市场上92%的产品和论坛上80%的与恶意黑客有关的讨论。我们对收集的数据进行初步分析，展示其应用程序，以帮助安全专家更好地进行威胁分析。
2016-07-28 cs.AI cs.CR cs.CY
Integrative Approaches in Cybersecurity and AI
Illinois Institute of Technology（伊利诺伊理工学院）
本文综述网络安全、AI与数据管理的整合路径，分析协同趋势、挑战与未来方向，指出融合AI自动化、实时威胁检测和高级数据分析可构建更具韧性的安全架构。
2024-08-12 cs.AI cs.CR
Large Language Models in Cybersecurity: State-of-the-Art
Hasso-Plattner-Institute for Digital Engineering, University of Potsdam（波茨坦大学哈索·普拉特纳数字工程研究所）；Technische Universitat Chemnitz（开姆尼茨工业大学）
该研究针对网络安全领域机器学习应用推进缓慢的现状，梳理了大语言模型（LLMs）在该领域的攻防应用文献，对研究现状分类并指出空白，以呈现LLM驱动网络安全的风险与机遇。
2024-01-30 cs.AI cs.CL cs.CR
Blockchain-Enabled Artificial Intelligence and AI Agents for Secure Data Sharing and Cybersecurity Applications
Palo Alto Networks（帕洛阿尔托网络公司）
本文通过元综合研究，提出一种结合对抗性模型、区块链数据来源和智能合约多代理修复的分层架构，以解决AI安全运营中的数据、模型和代理信任问题。
2026-09-25 cs.AI cs.CR
Using Deep Neural Networks to Translate Multi-lingual Threat Intelligence
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
互联网的多语言性质增加了网络安全社区从网络上的OSINT数据中战略性挖掘威胁情报的持续努力的复杂性。社交媒体、博客和暗网漏洞市场等OSINT来源以不同的语言存在，阻碍了安全分析师，他们无法从他们不理解的语言中得出结论。虽然第三方翻译引擎越来越强大，但它们不适合私人安全环境。首先，由于隐私和保密政策，敏感情报不允许输入第三方引擎。此外，第三方引擎产生的一般化翻译往往缺乏专有的网络安全术语。在本文中，我们解决了这些问题，并描述了我们的系统，使威胁情报的理解不熟悉的语言。我们创建了一个基于神经网络的系统，该系统以不同的语言接收网络安全数据，并输出相应的英语翻译。然后，分析师可以理解英语翻译，并且还可以作为基于人工智能的网络防御系统的输入，该系统可以采取缓解措施。作为概念验证，我们创建了一个管道，它接收俄罗斯威胁并生成相应的英语，RDF和矢量化表示。我们的网络优化了网络安全数据的翻译。
2018-07-19 cs.CL cs.CR
Threat Intelligence Driven IP Protection for Entrepreneurial SMEs
University of Melbourne（墨尔本大学）
本文提出基于威胁情报的中小企业知识产权保护模型，通过动态能力理论和知识基础理论框架，帮助中小企业在资源有限的情况下有效保护知识产权并维持竞争优势。
2026-01-02 cs.CR
Super forecasting the technological singularity risks from artificial intelligence
University of Oxford（牛津大学）；University of Warwick（华威大学）；University College London（伦敦大学学院）
文章预测了人工智能在网络安全中的整合所带来的新的网络风险。
2022-12-28 cs.AI cs.CR cs.CY
Multi-features based Semantic Augmentation Networks for Named Entity Recognition in Threat Intelligence
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
从非结构化网络文本中提取攻击者和漏洞等网络安全实体是安全分析的重要组成部分。然而，由于网络安全实体名称的高频变化和随机性导致情报数据的稀疏性，使得现有方法难以很好地提取安全相关概念和实体。为此，我们提出了一种语义增强方法，该方法结合了不同的语言特征来丰富输入令牌的表示，以检测和分类非结构化文本上的网络安全名称。特别是，我们编码和聚合的组成特征，形态特征和部分语音特征为每个输入令牌，以提高该方法的鲁棒性。更重要的是，令牌从网络安全领域语料库中最相似的K个词中获得增强的语义信息，其中注意模块被用来衡量词的差异，以及基于大规模一般领域语料库的上下文线索。在网络安全数据集DNRTI和MalwareTextDB上进行了实验，结果表明了该方法的有效性。
2022-07-01 cs.CL cs.CR cs.IR
Agentic Artificial Intelligence for Ethical Cybersecurity in Uganda: A Reinforcement Learning Framework for Threat Detection in Resource-Constrained Environments
Department of Computing, Faculty of Science and Technology, Kampala International University（坎帕拉国际大学科学与技术学院计算系）；Department of Electrical, Telecommunication, and Computer Engineering, Kampala International University（坎帕拉国际大学电气、电信和计算机工程系）
本研究提出一种结合强化学习和伦理治理的代理人工智能框架，用于资源受限环境中的网络安全威胁检测，实现了100%的检测率和零假阳性，提升网络安全效果和公平性。
2025-12-08 cs.CR cs.CY
AISCliteracy: Assessing Artificial Intelligence and Cybersecurity Literacy Levels and Learning Needs of Students
本研究评估了尼泊尔Chitwan地区9至12年级学生的AI与网络安全素养水平及学习需求，通过调查分析为当地教育项目开发提供建议，并探讨了相关教育的促成因素与障碍。
2025-06-29 cs.CR cs.CY
AI assisted Malware Analysis: A Course for Next Generation Cybersecurity Workforce
使用人工智能（AI）和机器学习（ML）来解决网络安全问题在工业界和学术界越来越受到关注，部分原因是为了应对对关键系统（如云基础设施，政府办公室或医院）的广泛恶意软件攻击以及它们生成的大量数据。人工智能和ML辅助的网络安全提供了数据驱动的自动化，可以使安全系统实时的识别和响应网络威胁。然而，目前缺乏接受过AI和ML网络安全培训的专业人员。在这里，我们通过开发实验室密集型模块来解决这一不足，使本科生和研究生能够获得将AI和ML技术应用于现实世界数据集的基础和高级知识，以了解网络威胁情报（CTI），恶意软件分析和分类，以及网络安全中的其他重要主题。在这里，我们描述了六个自包含和自适应模块在“人工智能辅助恶意软件分析。“主题包括：（1）CTI和恶意软件攻击阶段，（2）恶意软件知识表示和CTI共享，（3）恶意软件数据汇集和特征识别，（4）AI辅助恶意软件检测，（5）恶意软件分类和归因，以及（6）高级恶意软件研究主题和案例研究，如对抗学习和高级持续威胁（APT）检测。
2020-09-21 cs.CR
Blockchain and Distributed Ledger Technologies for Cyberthreat Intelligence Sharing
本文全面探讨了网络威胁情报共享的定义、目标与影响，分析了区块链和分布式账本技术在增强情报共享中的作用、挑战与风险，并研究了实验设置、国家网络安全战略及课程影响。
2025-04-03 cs.CR cs.DC
Explainable Artificial Intelligence for Industrial Cybersecurity: A Review of Methods, Operational Integration, and Research Challenges
German University in Cairo（开罗德国大学）；University of Toronto（多伦多大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Siemens Canada（西门子加拿大）
本文综述工业网络安全领域的XAI技术，分析其方法适用性、工业系统特殊要求及相关挑战，为开发可信的XAI赋能工业网络安全解决方案指明研究方向。
2026-09-02 cs.CR cs.SY eess.SY
A Deep Learning Perspective on Connected Automated Vehicle (CAV) Cybersecurity and Threat Intelligence
CAV的自动化和连接性继承了现有技术的大部分网络物理漏洞，例如不断发展的网络架构，无线通信和基于AI的自动化。本书的这一章涉及源自IT、OT和CAV生态系统的物理域的网络物理漏洞和风险，折衷的威胁景观和威胁情报。为了应对CAV生态系统中来自古怪利益相关者的高速、高维、多模态数据和资产中的安全威胁，本章介绍并分析了一些最先进的基于深度学习的威胁情报用于攻击检测。本章介绍了深度学习的前沿领域，即元学习和联邦学习，以及它们面临的挑战。我们提出、训练和测试了用于CAV威胁情报的深度CNN-LSTM架构;评估并比较了所提出模型与其他深度学习算法（如DNN、CNN、LSTM）的性能。我们的研究结果表明了所提出的模型的优越性，尽管DNN和1d-CNN在CAV-KDD数据集上的准确率、精度、召回率、f1分数和AUC也达到了99%以上。深度CNN-LSTM的良好性能伴随着模型复杂性的增加和繁琐的超参数调整。尽管如此，在CAV网络安全范式中采用深度学习仍然存在公开的挑战，这是由于缺乏适当开发的协议和政策，利益相关者之间的权限定义不明确，培训成本更高，对模型的对抗性威胁，以及模型在数据分布下的可推广性差。
2021-09-22 cs.CR cs.SY eess.SY
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
Intell-dragonfly: A Cybersecurity Attack Surface Generation Engine Based On Artificial Intelligence-generated Content Technology
本文提出基于ChatGPT的网络安全攻击面生成引擎Intell-dragonfly，通过自动化生成多样化攻击场景，并在真实网络环境中验证其在准确性、多样性和可操作性上优于传统方法。
2023-11-01 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
Cyber-All-Intel: An AI for Security related Threat Intelligence
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
跟上威胁情报是今天的安全分析师必须。有大量的信息存在于“野生”，影响到一个组织。我们需要开发一个人工智能系统来搜索情报来源，让分析师了解对她的组织构成风险的各种威胁。一个更好地“利用”的安全分析师可能更有效。在本文中，我们提出，网络全英特尔人工智能系统，以帮助安全分析师。它是一个基于网络安全信息学领域的端到端管道中的知识提取，表示和分析系统。它使用多个知识表示，如向量空间和“VKG结构”中的知识图谱来存储传入的情报。该系统还使用神经网络模型来主动改进其知识。我们还创建了一个查询引擎和一个警报系统，分析师可以使用它们来查找可操作的网络安全见解。
2019-05-07 cs.AI cs.CL cs.CR
On the Importance of Domain-specific Explanations in AI-based Cybersecurity Systems (Technical Report)
Arizona State University（亚利桑那州立大学）；Institute for Computer Science and Engineering (ICIC UNS–CONICET)（计算机科学与工程研究所（ICIC UNS–CONICET））；Institute for Computer Science Research (ICC UBA–CONICET)（计算机科学研究所（ICC UBA–CONICET））；Universidad Nacional del Sur（南方国立大学）；Universidad Nacional de Entre Ríos（恩特雷里奥斯国立大学）；Universidad de Buenos Aires（布宜诺斯艾利斯大学）
随着大数据集的可用性和不断提高的计算能力，数据驱动的人工智能系统的使用越来越多，并在不同领域显示出成功应用的潜力。然而，其中许多系统无法向用户提供关于其决定背后的理由的信息。缺乏对此类决定的理解可能是一个主要缺点，特别是在关键领域，如与网络安全有关的领域。针对这一问题，本文提出了三个贡献：（i）提出并讨论了解释基于人工智能的网络安全系统产生的输出的必要条件;（ii）在我们的必要条件和通常用于检查XAI方法的进一步维度的镜头下，对可解释人工智能（XAI）文献中的方法进行了比较分析;以及（iii）一个通用架构，可以作为指导研究工作的路线图，用于开发可解释的基于人工智能的网络安全系统-在其核心，该路线图以一种新颖的方式提出了几条研究路线的组合，以应对在此背景下出现的独特挑战。
2021-08-02 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
MITRE ATT&CK Applications in Cybersecurity and The Way Forward
National University of Singapore（新加坡国立大学）；NCS Cyber Special Ops R&D（NCS网络特种作战研发部门）
本文综述417篇同行评审论文，梳理MITRE ATT&CK在威胁情报、检测响应及跨框架互操作中的应用，并评估其行业挑战与未来方向。
2025-02-15 cs.AI cs.CR
PHOENI2X -- A European Cyber Resilience Framework With Artificial-Intelligence-Assisted Orchestration, Automation and Response Capabilities for Business Continuity and Recovery, Incident Response, and Information Exchange
本文介绍欧盟资助的PHOENI2X项目，旨在开发一个面向基本服务运营商和成员国当局的、具有AI辅助编排、自动化与响应能力的欧洲网络韧性框架，以提升业务连续性与恢复、事件响应和信息交换能力。
2023-07-18 cs.CR
Proactive security defense: cyber threat intelligence modeling for connected autonomous vehicles
本文提出汽车网络威胁情报建模框架Actim，通过构建本体模型、标注首个汽车CTI语料库并设计基于跨句上下文的挖掘模型，实现威胁实体与关系的有效提取和知识图谱构建，支持网联自动驾驶汽车的主动安全防御。
2024-10-21 cs.CR
Cybersecurity threats in FinTech: A systematic review
Korea University（高丽大学）；University of Southern Queensland（南昆士兰大学）；University of Gloucestershire（格洛斯特大学）；Monash University（莫纳什大学）
本文通过PRISMA系统综述和主题建模，梳理金融科技领域74项研究，识别出11类核心网络威胁和9种防御策略，为各方利益相关者提供应对挑战的见解与未来研究方向。
2023-12-04 cs.AI cs.CR
Automated Cybersecurity Compliance and Threat Response Using AI, Blockchain & Smart Contracts
提出集成AI、区块链与智能合约的框架，自动化安全策略合规执行与威胁响应，模拟验证提升合规率与响应速度，实现可扩展、低成本的高效合规管理。
2024-09-12 cs.CR
Review of Generative AI Methods in Cybersecurity
本文综述了生成式人工智能在网络安全中的最新应用，涵盖攻击与防御，并建议未来研究聚焦伦理规范和防御机制。
2024-03-19 cs.CR
Recognizing and Extracting Cybersecurtity-relevant Entities from Text
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
网络威胁情报（CTI）是描述威胁向量、漏洞和攻击的信息，通常用作基于AI的网络防御系统（如网络安全知识图谱（CKG））的训练数据。迫切需要开发社区可访问的数据集，以训练现有的基于人工智能的网络安全管道，从而从CTI中高效准确地提取有意义的见解。我们已经创建了一个初始的非结构化CTI语料库，我们正在使用各种开放源代码来训练和测试网络安全实体模型，使用spaCy框架和探索自学习方法来自动识别网络安全实体。我们还描述了将网络安全领域实体与维基数据中现有的世界知识相链接的方法。我们未来的工作将调查和测试spaCy NLP工具，并创建从文本中提取的新信息的持续集成方法。
2022-08-02 cs.AI cs.CL 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
Artificial Intelligence-Based Smart Grid Vulnerabilities and Potential Solutions for Fake-Normal Attacks: A Short Review
Carnegie Mellon University（卡内基梅隆大学）
智能电网系统对电力行业至关重要，但其复杂的架构设计和操作使其面临许多网络安全威胁，例如数据篡改，数据窃听和拒绝服务等。基于人工智能（AI）的技术在检测各种计算机设置中的网络攻击方面正变得越来越流行，并且已经做出了若干努力来保护各种系统。由于最近出现了复杂的对抗系统，如生成对抗网络（GAN），目前的AI系统正在被暴露和征服。这篇简短评论的目的是概述一些保护智能电网系统的举措，它们的障碍，以及未来可能的人工智能研究方向
2022-02-14 cs.AI cs.CR
Cognitive Threat Intelligence and Explainable Federated Security Analytics for distributed Infrastructure Systems
Dept. of Information Studies, Trine University（信息研究系，特林大学）；Dept. of Business Information Systems, Central Michigan University（商业信息系统系，中央密歇根大学）；Dept. of CS, Maharishi International University（计算机科学系， Maharishi 国际大学）
提出一种集成联邦学习、可解释人工智能和认知网络安全分析的框架，用于分布式基础设施系统的协作式隐私保护威胁检测。
2026-06-04 cs.AI cs.CR
A Roadmap to Available ICS Datasets and Testbeds for Cybersecurity Research
King Fahd University of Petroleum and Minerals（阿卜杜拉国王科技大学）
本文梳理现有ICS网络安全数据集、测试床及数字孪生，分析其优缺点，指出相关研究缺口并提出建议，为该领域研究提供路线图。
2026-09-01 cs.CR cs.SY eess.SY
Explainable Artificial Intelligence (XAI) for Malware Analysis: A Survey of Techniques, Applications, and Open Challenges
North Carolina Agricultural and Technical State University（北卡罗来纳农工州立大学）；Tennessee Tech University（田纳西理工大学）
本文系统综述了可解释人工智能（XAI）在恶意软件分析中的技术、应用与开放挑战，旨在帮助研究者在保持检测性能的同时提升模型可解释性。
2025-04-03 cs.AI cs.CR
