Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection
College of Information Science, University of Arizona, Tucson, AZ, USA（信息科学学院，亚利桑那大学，图森，亚利桑那州，美国）
在本文中，我们提出了一种新型的混合深度学习架构，该架构协同结合了图神经网络（GNNs），递归神经网络（RNN）和多头注意力机制，以显着增强网络安全入侵检测能力。通过利用包含不同网络流量模式的综合UNSW-NB 15数据集，我们的方法通过图形结构关系和网络事件的顺序分析有效地捕获空间依赖性和时间动态。集成的注意力机制提供了改进的模型可解释性和增强的特征选择的双重好处，使网络安全分析师能够将计算资源集中在高影响力的安全事件上-这是现代实时入侵检测系统的关键要求。我们广泛的实验评估表明，与传统的机器学习方法和独立的深度学习模型相比，所提出的混合模型在多个评估指标（包括准确度，精度，召回率和F1分数）上具有更好的性能。该模型在检测高级持续性威胁（APT）、分布式拒绝服务（DDoS）攻击和零日漏洞等复杂攻击模式方面具有特别强的性能，使其成为复杂网络环境中下一代网络安全应用的有前途的解决方案。
2025-10-29 cs.CR cs.LG
Semantic Labeling for Third-Party Cybersecurity Risk Assessment: A Semi-Supervised Approach to Intent-Aware Question Retrieval
SAMOVAR, Telecom SudParis, Institut Polytechnique de Paris（SAMOVAR, 南巴黎电信学院, 巴黎综合理工学院）；Board of Cyber
本文提出一种半监督方法，通过语义标签空间提升第三方网络安全风险评估中意图感知的问题检索效率，减少标注成本并提高一致性。
2026-03-31 cs.AI cs.CR
Vessels Cybersecurity: Issues, Challenges, and the Road Ahead
船舶网络安全最近正在获得动力，这是由于最近对海上船舶的几次攻击。这些最近的攻击已经动摇了海洋领域，这被认为是相对免疫网络威胁。正如国际海事组织（海事组织）最近发布的任务所证明的那样，上述信念现在已经结束。根据这些规定，所有船只都应接受网络安全风险分析，并应采取技术控制措施来减轻由此产生的风险。这一举措值得称赞，因为尽管最近发生了一些事件，但经营实体仍不清楚影响现代船只的脆弱性和威胁，因此，进一步袭击可能造成可怕后果的问题只是“何时”而不是“是否”。在这篇文章中，我们调查并系统化了影响现代船舶采用的系统和通信技术的主要安全弱点。具体来说，我们描述了不同系统的架构和主要功能，指出其主要的安全问题，并指定它们是如何被攻击者利用，造成服务中断和相关的财务损失。我们还确定了一些对策，介绍了攻击。最后，我们强调了工业界和学术界为加强船舶安全而需要解决的一些研究挑战。
2020-03-04 cs.CR
Cyberattacks on Energy Infrastructures: Modern War Weapons
最近对能源基础设施的高调网络攻击，例如2021年殖民地管道的安全漏洞以及从2010年代中期至今扰乱乌克兰电网的攻击，将网络安全作为首要任务。随着今年欧洲政治紧张局势升级，对关键基础设施安全的担忧也有所增加。工业部门的运营商面临着新的网络安全威胁，这些威胁增加了服务中断、财产损失和环境损害的风险。随着地缘政治紧张局势的加剧，拥有网络连接系统的工业公司现在被认为是对手推进政治、社会或军事议程的主要目标。此外，最近的俄罗斯-乌克兰冲突已经在全世界敲响了通过网络攻击能源网络的危险警钟。成功用于攻击乌克兰能源网络的攻击方法、技术和程序可以在其他地方使用。这项工作的目的是在网络战争日益兴起的情况下，对能源基础设施的网络安全进行全面分析。本文介绍了最近与能源相关的网络攻击的历史及其原因，讨论了电网的脆弱性，并为保护电网免受攻击提出了预防性论点。
2022-08-28 cs.CR
Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System
Faculty of Business and Information Technology, Ontario Tech University（业务与信息科技学院，安大略技术大学）；Department of Electrical and Computer Engineering, Western University（电气与计算机工程系，西部大学）
针对网络安全威胁复杂及IoT设备资源受限问题，提出集成OIP-AutoFS和OPCE-CASH技术的MOO-AutoML IDS，在两基准数据集上优于现有IDS，为自主高效网络安全提供新基准。
2025-11-11 cs.CR cs.LG cs.NI
Safeguarding Skies: Airport Cybersecurity in the Digital Age
Rajamangala University of Technology Tawan-ok（大城皇家理工大学）
本文系统分析了机场面临的新兴威胁，结合现实案例和文献，首次将MITRE ATT&CK矩阵应用于机场安全风险评估，提出基于网络安全框架和零信任架构的防护策略，为航空行业应对复杂网络安全挑战提供指导。
2026-04-26 cs.CR
Unsupervised anomaly detection on cybersecurity data streams: a case with BETH dataset
RTU MIREA（俄罗斯技术大学密瑞亚）
针对网络安全数据流异常检测需求，本文基于BETH数据集测试三类Python流机器学习库的十种算法，评估其ROC-AUC与处理效率，筛选出潜力算法并指明后续研究方向。
2025-06-16 cs.CR cs.LG
A Survey of Game Theoretic Approaches for Adversarial Machine Learning in Cybersecurity Tasks
U.S. Naval Research Laboratory（美国海军研究实验室）
机器学习技术目前被广泛用于自动化各种网络安全任务。这些技术中的大多数利用监督学习算法，该算法依赖于训练算法来使用相关领域中遇到的数据将传入数据分类为不同类别。这些算法的一个关键漏洞是它们容易受到对抗攻击的影响，其中被称为对手的恶意实体故意更改训练数据以误导学习算法产生分类错误。对抗攻击可能会使学习算法不适合使用，并使关键系统容易受到网络安全攻击。我们的论文提供了一个详细的调查，用于使机器学习算法强大的对抗对抗攻击使用博弈论的计算框架的最先进的技术。我们还讨论了开放的问题和挑战以及进一步研究的可能方向，这些研究将使基于深度机器学习的系统在网络安全任务中更加强大和可靠。
2019-12-04 cs.AI cs.CR cs.LG
Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data
针对网络攻击标注数据稀缺问题，提出基于KAN的半监督对比学习实时入侵检测框架，在三个基准上以极少标注样本取得优于现有对比方法和MLP的准确率、鲁棒性及可解释性。
2025-10-04 cs.CR cs.SY eess.SP
Cybersecurity Anomaly Detection in Adversarial Environments
Army Cyber Institute, United States Military Academy（美国军事学院陆军网络研究所）；Johns Hopkins University（约翰斯·霍普金斯大学）
互联的战场信息共享设备（称为战场物联网（IoBT））的激增带来了一些安全挑战。IoBT操作环境固有的是对抗性机器学习的实践，它试图绕过机器学习模型。这项工作探讨了成本效益的无监督学习和基于图的方法在网络入侵检测系统设置的异常检测的可行性，并利用集成方法的异常检测问题的监督学习。我们在训练监督模型时引入了一个现实的对抗训练机制，以在对抗环境中实现强大的分类性能。结果表明，非监督和基于图的方法优于检测异常（恶意活动）的监督堆叠集成方法与两个层次。该模型在第一级中由三个不同的分类器组成，其次是用于第二级的朴素贝叶斯或决策树分类器。该模型在所有测试的二级分类器中，恶意样本的F1得分均高于0.97。值得注意的是，朴素贝叶斯是平均1.12秒的最快的二级分类器，而决策树保持最高的AUC分数0.98。
2021-11-02 cs.AI cs.CR stat.ML
Comprehensive Efficiency Analysis of Machine Learning Algorithms for Developing Hardware-Based Cybersecurity Countermeasures
California State University, Long Beach（加州州立大学长滩分校）
现代计算系统已经导致网络对手创建比技术早期更复杂的恶意软件。过时的检测技术，如基于签名方法的反病毒软件（AVS），已经不能满足计算机系统对它们的要求。现代恶意软件的复杂性导致了当代检测技术的发展，这些技术使用机器学习领域和硬件来提高恶意软件的检测率。这些新技术使用硬件性能计数器（HPC），形成各种数字签名。在向模型提供训练数据之后，它们可以参考这些HPC来对零日恶意软件样本进行分类。当没有可比HPC值的恶意软件与这些新技术接触时，就会出现问题。我们提供了几个机器学习和深度学习模型的分析，这些模型运行零日样本，并评估从C++算法到用于开始硬件实现的硬件描述语言（HDL）的转换结果。我们的结果显示，当运行零日恶意软件数据时，模型缺乏准确性，因为我们的最高检测器决策树只能达到91.2%的准确率，并且以决策树的形式具有91.5%的F1分数。接下来，通过受试者工作曲线（ROC）和曲线下面积（AUC），我们还可以确定算法没有表现出显著的鲁棒性，因为最大AUC仅为0.819。此外，我们看到集成学习算法的开销相对较高，同时也只有86.3%的准确率和86%的F1分数。最后，作为一项额外的任务，我们调整了一个规则算法，以适应许多规则，使恶意软件分类可以理解的日常用户，让他们查看的法规，同时保持相对较高的准确性。
2022-01-05 cs.CR cs.LG
Developments in Connected Vehicles and the Requirement for Increased Cybersecurity
本文针对智能交通联网功能普及带来的网络攻击风险，分析三类攻击与网络漏洞，指出车企盲目增设远程连接的问题，为未来车辆网络安全设计验证提供参考。
2021-11-23 cs.CR cs.SE
A Deep Learning Model with Hierarchical LSTMs and Supervised Attention for Anti-Phishing
Hanoi University of Science and Technology（河内科技大学）；New York University（纽约大学）；University of Oregon（俄勒冈大学）
反网络钓鱼旨在检测文本数据池中的网络钓鱼内容/文档。这是网络安全中的一个重要问题，可以帮助保护用户免受欺诈信息的侵害。自然语言处理（NLP）为这个问题提供了一个自然的解决方案，因为它能够分析文本内容来执行智能识别。在这项工作中，我们研究了NLP中文本分类的最新技术，以解决电子邮件的反钓鱼问题（即预测电子邮件是否是钓鱼）。这些技术都是基于深度学习模型，最近引起了社区的广泛关注。特别是，我们提出了一个框架，分层的长短期记忆网络（H-LSTMs）和注意力机制，同时在单词和句子水平的电子邮件建模。我们的期望是产生一个有效的反网络钓鱼模型，并证明深度学习对网络安全问题的有效性。
2018-05-03 cs.CR cs.LG stat.ML
Adversarial Attacks on Machine Learning Cybersecurity Defences in Industrial Control Systems
Cardiff University（卡迪夫大学）；Airbus（空中客车公司）
基于机器学习的入侵检测系统（IDS）的普及和应用使得工业控制系统（ICS）中的网络攻击的自动检测具有更大的灵活性和效率。然而，这种IDS的引入也产生了额外的攻击向量;学习模型也可能受到网络攻击，也称为对抗性机器学习（AML）。这种攻击可能会在ICS系统中产生严重后果，因为对手可能会绕过IDS。这可能导致延迟的攻击检测，从而可能导致基础设施损坏，财务损失，甚至生命损失。本文探讨了如何通过使用基于雅可比的显着性图攻击生成对抗样本并探索分类行为，将对抗学习用于目标监督模型。分析还包括探索这些样本如何支持使用对抗训练的监督模型的鲁棒性。一个真实的电力系统数据集被用来支持本文提出的实验。总体而言，当存在对抗样本时，两种广泛使用的分类器随机森林和J 48的分类性能分别下降了16和20个百分点。他们的表现在对抗性训练后有所改善，证明了他们对这种攻击的鲁棒性。
2020-04-10 cs.CR cs.LG eess.SP
Cybersecurity in Edge Computing: A Trust-Aware Federated Hybrid Intrusion Detection Framework
Victoria University（维多利亚大学）
针对边缘计算中扩大的攻击面，提出一种信任感知联邦混合入侵检测框架（TA-FHIDF），集成自动编码器、1D-CNN和BiLSTM进行本地特征提取，并通过联邦学习与余弦相似度聚合抵御投毒攻击，在多个基准数据集上验证了高准确性和拜占庭容错性。
2026-10-01 cs.CR cs.LG
Comprehensive Digital Forensics and Risk Mitigation Strategy for Modern Enterprises
针对现代企业面临的网络安全威胁，本文通过虚构案例研究提出综合数字取证与风险缓解策略，涵盖主动威胁预测、取证调查、法规合规及AI/ML缓解措施，强调持续监控与适应性安全以保障业务连续性。
2025-02-26 cs.CR cs.ET
Harnessing the Speed and Accuracy of Machine Learning to Advance Cybersecurity
本文综述监督/无监督学习、深度学习与强化学习等ML技术在恶意软件检测中的应用、挑战及未来方向，凸显其提升检测速度与准确性、增强网络安全的潜力。
2024-03-02 cs.CR
Deep Reinforcement Learning for Cybersecurity Threat Detection and Protection: A Review
Microsoft R&D（微软研发中心）；BITS Pilani（博拉理工学院皮拉尼校区）
网络安全威胁形势最近变得过于复杂。威胁行为者以非常协调的方式利用网络和端点安全中的弱点来实施复杂的攻击，这些攻击可能会使整个网络和网络中的许多关键主机瘫痪。越来越先进的深度和基于机器学习的解决方案已被用于威胁检测和保护。这些技术的应用在科学文献中得到了很好的综述。深度强化学习在为早期需要高级人类认知的领域开发基于人工智能的解决方案方面表现出了巨大的潜力。深度强化学习下的不同技术和算法在从游戏到工业过程的应用中显示出巨大的前景，据称可以增强具有通用AI功能的系统。这些算法最近也被用于网络安全，特别是在威胁检测和端点保护方面，这些算法显示出最先进的结果。与监督机器和深度学习不同，深度强化学习的使用方式更加多样化，并在威胁防御领域为许多创新应用提供支持。然而，没有对这些独特的应用和成就进行任何全面审查。因此，在本文中，我们打算填补这一空白，并全面回顾深度强化学习在网络安全威胁检测和保护中的不同应用。
2022-06-06 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
Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis
Hubei Polytechnic University（湖北理工学院）；The European Higher Education Institute（欧洲高等教育学院）
本文提出混合量子-经典模型用于攻击路径分析，通过量子嵌入提升网络安全中的特征表示和检测性能。
2026-01-05 cs.CR quant-ph
Self-Verifying Anomaly Detection using Explainable AI for Cybersecurity of DER Networks
Iowa State University（爱荷华州立大学）
针对分布式能源网络，提出基于XAI的自验证异常检测框架ExCYDER，结合LightGBM与SHAP验证警报，实现高准确率与可解释性。
2026-09-14 cs.AI cs.CR cs.LG
Investigating cybersecurity incidents using large language models in latest-generation wireless networks
Orenburg State University（奥伦堡国立大学）
本研究针对最新一代无线网络的网络安全事件，通过微调大语言模型（LLM）、合成对抗样本等方法，实现数据投毒攻击的二元分类与检测，Gemma-7b模型表现最优，为网络安全事件调查与决策提供支持。
2025-04-14 cs.AI cs.CR
Graph-Theoretic Approach for Manufacturing Cybersecurity Risk Modeling and Assessment
针对智能制造系统缺乏量化网络安全风险评估框架的问题，提出基于图论的风险建模与评估方法，通过攻击图建模威胁属性、分析传播路径、计算最优攻击路径对应风险，可辅助识别关键资产并制定防御策略。
2023-10-04 cs.CR cs.SY eess.SY
The Human-Machine Identity Blur: A Unified Framework for Cybersecurity Risk Management in 2025
Independent Researcher New Jersey, USA
针对人机身份数量失衡、身份交叉带来的网络安全风险与现有身份管理的治理缺口，提出基于四项核心原则的统一身份治理框架，可显著降低安全事件并提升响应效率，同时给出实施路线与研究方向。
2025-03-24 cs.AI cs.CR
Quantum Machine Learning for Cybersecurity: A Taxonomy and Future Directions
Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory, School of Computing and Information Systems, The University of Melbourne（量子云计算与分布式系统实验室，计算与信息系统学院，墨尔本大学）；Department of Computer Science and Engineering, Birla Institute of Technology and Science, Pilani, Pilani Campus, Vidya Vihar, Pilani, Rajasthan 333031, India（计算机科学与工程系，比拉理工学院，帕利尼校区，维迪亚维拉，帕利尼，拉贾斯坦邦333031，印度）；Department of Electrical and Electronics Engineering, Birla Institute of Technology and Science, Pilani, Pilani Campus, Vidya Vihar, Pilani, Rajasthan 333031, India（电子与电气工程系，比拉理工学院，帕利尼校区，维迪亚维拉，帕利尼，拉贾斯坦邦333031，印度）；Department of Computer Science and Engineering, Birla Institute of Technology and Science, Pilani, Hyderabad campus, India（计算机科学与工程系，比拉理工学院，海得拉巴校区，印度）
本文探讨量子机器学习在网络安全中的应用，分析其在安全任务中的潜力与局限，并提出未来发展方向。
2025-12-17 cs.AI cs.CR cs.LG
siForest: Detecting Network Anomalies with Set-Structured Isolation Forest
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对网络威胁演变下高效准确检测网络异常的需求，本文提出集合结构数据的iForest扩展siForest，将同IP多扫描集合视为内聚单元，实验显示其在部分互联网扫描数据上性能优于传统方法。
2024-12-08 cs.CR cs.LG
Leveraging LSTM and GAN for Modern Malware Detection
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）
本文提出融合 LSTM 与 GAN，利用原始字节流和 VirusShare 百万级恶意软件样本进行数据增强与检测，达到 98% 准确率。
2024-05-07 cs.AI cs.CR
Fortify Your Defenses: Strategic Budget Allocation to Enhance Power Grid Cybersecurity
Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对电网网络物理系统面临高级持续性威胁且预算有限的问题，提出基于混合整数线性规划的框架，优化预算分配以选择预防性缓解措施，最小化组件脆弱性并降低网络安全风险。
2023-12-20 cs.AI cs.CR cs.SY
A Study on Semi-Supervised Detection of DDoS Attacks under Class Imbalance
Department of ECE University of Windsor（电子工程系 温莎大学）；Faculty of Computer Science University of New Brunswick（计算机科学学院 新 Brunswick大学）
本文研究了在类别不平衡情况下利用半监督学习检测DDoS攻击的方法，并评估了13种算法的性能，以改进入侵检测系统的设计。
2025-06-28 cs.AI cs.CR cs.LG
Is there a Trojan! : Literature survey and critical evaluation of the latest ML based modern intrusion detection systems in IoT environments
University of Southern California（南加州大学）
本文综述并批判性评估了物联网环境中基于机器学习的最新入侵检测系统，指出高精度算法缺乏生产级模型，并总结了方法、挑战及未来研究方向。
2023-06-14 cs.CR cs.LG
A Review on C3I Systems' Security: Vulnerabilities, Attacks, and Countermeasures
指挥、控制、通信和情报（C3I）系统越来越多地用于关键的民用和军事领域，以实现信息优势、作战效能和更高的态势感知。与面临广泛网络攻击的传统系统不同，C3I战术行动的敏感性使其网络安全成为关键问题。例如，在军事战场上篡改或拦截机密信息不仅会损害C3I行动，而且会造成不可逆转的后果，如人员伤亡和任务失败。因此，C3I系统已成为网络对手的焦点。此外，C3I系统的技术进步和现代化大大增加了C3I系统遭受网络攻击的潜在风险。因此，网络对手利用高度复杂的攻击媒介来利用C3I系统中的安全漏洞。尽管C3I系统的网络安全的重要性迅速发展，现有的文献缺乏一个全面的审查，以系统化的C3I系统的安全知识体系。因此，在本文中，我们收集，分析和综合了C3I系统网络安全的最新技术。特别是，本文已经确定了安全漏洞，攻击向量和对策/防御C3I系统。此外，我们的调查使我们能够：（i）提出安全漏洞，攻击向量和对策的分类;（ii）将攻击向量与安全漏洞和对策相互关联;（iii）提出未来的研究方向，以推进C3I系统网络安全的最新技术。
2022-01-31 cs.CR cs.SY eess.SY
PhishSSL: Self-Supervised Contrastive Learning for Phishing Website Detection
针对现有钓鱼检测依赖标注数据、适应性差的问题，提出自监督对比学习框架PhishSSL，结合混合表格增强与自适应特征注意力，在三个数据集上优于基线，展现强泛化能力。
2025-10-07 cs.CR
A Survey on Poisoning Attacks Against Supervised Machine Learning
University of Toronto（多伦多大学）；Electrical and Computer Engineering（电子与计算机工程（此处为院系，按要求不提取，但原文中该部分是否为机构？根据规则，机构粒度提取到大学/学院/公司/研究院级别即可，不要细拆到系等，因此仅保留“University of Toronto”））
随着人工智能和机器学习在现代计算中的兴起，关于这些技术的主要关注点之一是提供针对对手的隐私和安全性。我们提出这篇调查论文，以涵盖针对监督机器学习模型的中毒攻击中最具代表性的论文。我们首先提供了一个分类法，对现有的研究进行分类，然后对选定的论文进行详细的总结。我们总结和比较现有文献的方法和局限性。我们总结了本文的潜在改进和未来的方向，以进一步利用和防止对监督模型的中毒攻击。我们提出了几个未回答的研究问题，以鼓励和启发研究人员未来的工作。
2022-02-08 cs.CR cs.LG
Bridging Unsupervised and Semi-Supervised Anomaly Detection: A Theoretically-Grounded and Practical Framework with Synthetic Anomalies
School of Cybersecurity and Privacy, Georgia Institute of Technology（网络安全与隐私学院，佐治亚理工学院）；H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
本研究将无监督异常检测的合成异常原则拓展至半监督场景，提出结合已知与合成异常的理论框架，首次给出半监督AD数学表述与收敛性理论证明，经5个基准验证性能提升且方法具有普适性。
2025-06-16 cs.CR cs.LG stat.AP
Beyond Collection: Measuring the Detection Efficacy of Modern Security Logging Standards
Dakota State University（达科他州立大学）
本文通过SETC框架评估现代安全日志标准，发现不同标准在捕获攻击指标方面存在显著差异，为安全实践提供证据支持的决策指导。
2026-05-07 cs.CR
Burnyard: Future of Malware Analysis
College of Engineering The Ohio State University（俄亥俄州立大学工程学院）
针对现有沙箱分析资源消耗大、样本易泄露的问题，提出轻量级二进制仿真平台Burnyard，通过记录结构化CSV事件轨迹捕获运行时行为。
2026-06-24 cs.CR
An Investigation into the Performance of Non-Contrastive Self-Supervised Learning Methods for Network Intrusion Detection
Freie Universität, Berlin Germany（柏林自由大学）
该研究针对网络入侵检测中非对比自监督方法效果不明的问题，对比5种非对比方法搭配不同编码器、增强策略的表现，验证了其相较传统无监督基线的检测竞争力。
2025-09-27 cs.AI cs.CR
Analyzing Multi-Factor Authentication Through Cryptographic Security Properties
Montclair State University（蒙克莱尔州立大学）
本文通过密码学安全属性分析多因素认证，探讨其作为防未授权访问的防御手段，并重点研究防止重放攻击的策略。
2026-09-18 cs.CR
Automating Function-Level TARA for Automotive Full-Lifecycle Security
本文提出DefenseWeaver系统，利用大语言模型和多智能体框架自动化汽车功能级TARA，动态生成攻击树，经四个项目验证识别11条关键路径，并跨领域适用，显著提升效率。
2025-04-25 cs.CR
Contrastive Self-Supervised Network Intrusion Detection using Augmented Negative Pairs
University of Strathclyde（斯特拉思克莱德大学）；Ain Shams University（爱因夏姆大学）
针对网络入侵检测，提出对比学习范式CLAN，将增强样本视为负视图、良性样本为正视图，在Lycos2017上超越现有自监督与异常检测方法，并提升多类分类性能。
2025-09-08 cs.AI cs.CR cs.LG
A Hybrid Intrusion Detection System with a New Approach to Protect the Cybersecurity of Cloud Computing
提出一种基于能量谷优化器（EVO）特征选择与监督机器学习的混合入侵检测系统（HyIDS），在多个数据集上取得高准确率，优于灰狼优化器。
2025-06-24 cs.CR cs.SY eess.SY
Performance analysis of Machine learning algorithms for predicting malware
BRAC University（布拉格大学）
本研究针对恶意软件检测难题，提出基于机器学习的检测框架，评估对比多种算法，发现XGBoost准确率达98.62%最优，还基于Flask开发了实时检测系统，为网络安全方案提供支撑。
2026-08-04 cs.CR
Addressing malware family concept drift with triplet autoencoder
本文提出一种结合三元组损失的有监督自编码器和DBSCAN算法的方法，通过构建清晰稳健的聚类来有效识别新出现的恶意软件家族，从而解决恶意软件检测中的概念漂移问题，并在Android和Windows数据集上验证了其显著提升效果。
2025-07-01 cs.CR
Review of Peer-to-Peer Botnets and Detection Mechanisms
网络犯罪对个人和企业都构成了更大的威胁。它对现代数字世界构成了严峻的挑战。根据2019年思科和网络安全风险投资公司的新闻稿，思科在2018年代表其客户阻止了7万亿次威胁，即每天200亿次威胁。根据Cybersecurity Ventures的数据，到2021年，全球网络犯罪的成本将达到每年6万亿美元，这远远超过所有自然灾害造成的年度损失，并且比所有主要非法毒品的全球贸易总和更有利可图。因此，恶意软件，包括病毒、蠕虫、间谍软件、键盘记录程序、特洛伊木马和僵尸网络，经常用于网络犯罪。攻击者用来实施网络犯罪的最常见的恶意软件是僵尸网络，在攻击计算机资产时，僵尸网络有各种形式和各种目的。然而，这个问题继续存在并恶化，严重损害了企业和在线开展业务的人。P2P（对等）僵尸网络的检测，这已经成为网络网络空间的主要危害之一，作为几个网络犯罪的基础设施，已被证明比常规僵尸网络使用一些现有的方法更困难。因此，本研究将探讨各种P2P僵尸网络检测算法，概述其本质特征，优缺点，障碍，和未来的研究。
2022-07-17 cs.CR
Designing False Data Injection attacks penetrating AC-based Bad Data Detection System and FDI Dataset generation
传统电力系统向现代智能电网的演进给这一关键基础设施带来了许多新的网络安全挑战。最危险的网络安全威胁之一是虚假数据注入（FDI）攻击，特别是当它能够完全绕过广泛部署的状态估计坏数据检测器并中断电力系统的正常运行时。大多数仿真的FDI攻击都是使用简化的线性DC模型设计的，而大多数工业标准的状态估计系统都是基于非线性AC模型。本文基于非线性AC模型提出了一种综合的FDI攻击方案。九总线西部系统协调委员会（WSCC）的电力系统的案例研究，使用行业标准包，以评估拟议的设计方案的结果。一个公共的FDI数据集被生成作为社区开发和评估新的检测算法的测试集，这是该领域缺乏的。通过基于物理幂律和统计分析的初步分析，对数据集的FDI隐身性进行了评估和证明。
2020-03-11 cs.CR cs.SY eess.SY
PhishLumos: An Adaptive Multi-Agent System for Proactive Phishing Campaign Mitigation
Tokyo Metropolitan University（东京都立大学）；NTT Security Holdings Corporation & NTT, Inc.（NTT安全控股公司与日本电信电话株式会社）
提出PhishLumos自适应多智能体系统，利用大语言模型智能体分析共享基础设施，在专家确认前一周主动识别钓鱼活动，实现从被动URL拦截到主动活动缓解的转变。
2026-05-31 cs.CR
Modern Hardware Security: A Review of Attacks and Countermeasures
本文综述现代计算系统中的硬件安全漏洞与防御措施，系统梳理侧信道、故障注入、内存加密、安全启动及 RISC-V 架构挑战。
2025-01-08 cs.AR cs.CR
Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders
New York University（纽约大学）；NYUAD, Division of Science（纽约大学亚当分校，科学学院）；The University of Edinburgh（爱丁堡大学）；School of Informatics（信息学院）
本文提出一种结合主动学习和注意力对抗双自编码器的异常检测方法，通过减少标注成本提升检测精度，适用于APT检测的不平衡数据集。
2025-11-25 cs.AI cs.CR cs.LG
Living-off-the-Land Abuse Detection Using Natural Language Processing and Supervised Learning
Living-off-the-Land是攻击者使用的一种规避技术，其中本地二进制文件被滥用以实现恶意意图。由于这些二进制文件通常是合法的系统文件，因此很难检测到这种滥用，并且经常被现代反病毒软件遗漏。本文提出了一种新的滥用检测算法使用原始命令串。首先，利用诸如正则表达式和独热编码的自然语言处理技术来将命令串编码为数字令牌向量。接下来，采用监督学习技术来学习令牌向量中的恶意模式，并最终预测命令的标签。最后，使用来自训练阶段和虚拟环境中的统计数据对模型进行评估，以比较其在检测新命令方面与现有防病毒产品（如Windows Defender）的有效性。
2022-08-26 cs.CR
Identification of Malicious Posts on the Dark Web Using Supervised Machine Learning
本研究利用监督机器学习和文本挖掘技术，通过巴西葡萄牙语暗网论坛数据，创建原创数据集并提出多阶段标记流程，以高准确率识别恶意帖子。
2025-11-28 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
Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning
Prince Sultan University（苏丹王子大学）；University of Manouba（马努巴大学）
本文提出一种结合自监督学习、少样本学习和随机森林的物联网入侵检测方法，通过Deep Infomax提取特征并经原型网络生成嵌入，有效解决了数据不平衡和罕见攻击检测难题，在MaleVis和WSN-DS数据集上均取得超过98%的准确率。
2024-06-04 cs.AI cs.CR
