ATHAFI: Agile Threat Hunting And Forensic Investigation
攻击者迅速改变攻击方式以逃避检测。即使是基于人工智能和高级数据分析的最复杂的入侵检测系统也无法跟上新攻击的快速发展。当标准检测机制失败或无法提供足够的取证信息来调查和减轻攻击时,将使用由合格人员执行的有针对性的威胁搜索。不幸的是,许多组织没有足够的安全分析师来执行威胁搜索任务,而且目前威胁搜索的自动化水平很低。在本文中,我们描述了一个敏捷的威胁狩猎和取证调查(ATHAFI),自动化的威胁狩猎过程在多个层次的框架。自适应目标数据汇集、攻击假设生成、假设测试和持续威胁情报馈送允许以完全自动化的方式执行简单的调查。自动化水平的提高将大大提高分析师在调查最严重案件时的工作效率。特殊工作流生成模块根据从外部来源(例如国家CERT)获得的最新威胁情报或攻击假设生成模块生成的最可能的攻击假设调整威胁搜索程序。攻击假设生成和工作流生成的组合可以智能调整工作流,从而有效地应对新出现的威胁。
2020-03-07 cs.CR
Uncovering CWE-CVE-CPE Relations with Threat Knowledge Graphs
本文提出了一种生成和优化威胁知识图谱的方法,聚合 CVE、CWE 和 CPE 数据库知识,用于预测产品、漏洞和弱点之间的关联,实验证明其能有效揭示未来才公开的未知关联。
2023-05-01 cs.CR
AsIf: Asset Interface Analysis of Industrial Automation Devices
针对工业系统威胁建模缺乏系统性导致资产接口识别不全的问题,提出受ISO/OSI启发的AsIf方法,通过构建接口树系统识别分类资产接口,并在PLC上验证,为后续威胁建模奠定基础。
2024-09-26 cs.CR
LLM-Assisted Dynamic Threat Analysis for Attacker-Reachable Software Weaknesses in Autonomous Vehicles
The University of Alabama(阿拉巴马大学);Department of Civil, Construction & Environmental Engineering, The University of Alabama(阿拉巴马大学土木、建筑与环境工程学院);Department of Computer Science, The University of Alabama(阿拉巴马大学计算机科学学院)
该研究针对自动驾驶车辆软件弱点的动态威胁分析难题,探究LLM辅助Autoware的自动化测试工件生成,发现构建集成是核心障碍,推理模型编译测试用例的表现优于代码专用模型。
2026-08-14 cs.CR cs.LG cs.SE
AI Agents vs. Human Investigators: Balancing Automation, Security, and Expertise in Cyber Forensic Analysis
Florida Institute of Technology(佛罗里达理工学院);Rochester Institute of technology(罗切斯特理工学院)
本研究比较了AI代理与人类调查员在网络取证分析中的有效性,揭示AI的局限性及人类监督的重要性。
2026-01-20 cs.CR
Automated Repeatable Adversary Threat Emulation with Effects Language (EL)
The MITRE Corporation(MITRE公司)
针对高级持续性威胁的多步攻击仿真,提出使用效果语言(EL)这一可视化编程语言,通过图操作语义实现自动化,并证明其执行属性,提高时间和资源效率。
2026-06-29 cs.CR cs.PL
When Bots Take the Bait: Exposing and Mitigating the Emerging Social Engineering Attack in Web Automation Agent
Fudan University(复旦大学);Zhongguancun Laboratory(中关村实验室);Shanghai Innovation Institute(上海创新研究院);Tsinghua University(清华大学)
研究提出AgentBait攻击范式,揭示网络自动化代理的社会工程威胁,并设计SUPERVISOR模块有效缓解此类攻击。
2026-01-12 cs.AI cs.CR
GARAGE: Characterizing the Automation Boundary in LLM-based Attack Graph Generation
School of Cybersecurity, Korea University(高丽大学网络安全学院);Samsung Electronics(三星电子);Agency for Defense Development (ADD)(国防发展局)
研究针对现代车辆安全CTI合成难题,提出GARAGE框架,通过RAG技术将碎片化CTI转化为特定领域知识库用于攻击图生成,经实验验证能准确转移安全知识,还可作为TARA支持工具提供性价比分析以指导在各LLM层级部署。
2026-07-21 cs.CR
A Systematic Review of Algorithmic Red Teaming Methodologies for Assurance and Security of AI Applications
Infosys Limited(印孚瑟斯有限公司)
本文系统综述了自动化红队方法的现有研究,探讨其方法、工具、优势与局限,并指出未来改进方向,以提升AI应用的安全保障能力。
2026-02-24 cs.AI cs.CR
From Threat Intelligence to Firewall Rules: Semantic Relations in Hybrid AI Agent and Expert System Architectures
Department of Control and Computer Engineering(控制与计算机工程系)
本文提出利用语义关系从威胁情报中提取信息,通过神经符号方法生成防火墙规则以缓解网络威胁。
2026-03-04 cs.AI cs.CL cs.CR
A framework for comprehensible multi-modal detection of cyber threats
Cisco Systems(思科系统公司)
企业环境中的恶意活动检测是一项非常复杂的任务,并且已经投入了大量精力对其自动化进行研究。然而,绝大多数现有的方法仅在狭窄的范围内操作,这限制了它们仅捕获恶意软件存在的证据的片段。因此,这种方法与领域专家研究和描述网络威胁的方式不一致。在这项工作中,我们讨论了这些限制,并设计了一个检测框架,结合观察到的事件从不同的数据源。因此,它可以全面了解攻击的生存周期,并能够检测到威胁,这些威胁需要将来自不同遥测的观察结果结合起来,以确定事件的全部范围。我们证明了一个真正的恶意软件感染的企业网络中观察到的案例研究的框架的适用性。
2021-11-10 cs.AI cs.CR cs.LG
Analyzing the Attack Surface and Threats of Industrial Internet of Things Devices
本文提出一种系统全面的方法,分析工业物联网设备在整个产品生命周期中的攻击面与威胁,涵盖硬件、软件、数据、资产及攻击,以降低工业控制系统风险。
2024-05-25 cs.CR cs.DC
Semi-Automated Threat Modeling of Cloud-Based Systems Through Extracting Software Architecture from Configuration and Network Flow
University of North Texas(北德克萨斯大学);Red Hat(红帽);Purdue University(普渡大学)
本文提出通过运行时观测提取系统架构,实现云系统持续威胁建模,验证了在三种平台上检测17种威胁的有效性。
2026-03-23 cs.CR
Security Threats and Their Impact on Blockchain Interoperability: Identification and Countermeasures
本文系统识别并分类了区块链互操作性面临的安全威胁,分为五类,并针对每种威胁提出防御策略,为设计安全互操作方案提供结构化基础。
2026-06-15 cs.CR cs.SE
Cyber Attack Mitigation Framework for Denial of Service (DoS) Attacks in Fog Computing
International Islamic University(伊斯兰国际大学);Seoul National University(首尔大学)
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
An Interview Study on Third-Party Cyber Threat Hunting Processes in the U.S. Department of Homeland Security
本文通过对美国国土安全部11名威胁狩猎者的访谈研究,首次记录了第三方网络威胁狩猎的实践流程、挑战与解决方案,并为团队改进及未来研究方向提供了建议。
2024-02-19 cs.CR cs.SE
Evidence-Based Threat Modeling for ICS
针对工业控制系统(ICS)威胁建模缺乏全面系统方法的问题,提出基于CVE-CWE对的证据驱动方法,实现为工具并在SCADA系统验证,可生成全面威胁列表。
2024-11-29 cs.CR
ASTRIDE: A Security Threat Modeling Platform for Agentic-AI Applications
Old Dominion University(老奥布里恩大学);Accenture Technology Labs(埃森哲技术实验室);Florida International University(佛罗里达国际大学);Nanyang Technological University(南洋理工大学);University of Colombo(科伦坡大学)
ASTRIDE是首个专为AI智能体应用设计的自动化威胁建模平台,通过扩展STRIDE框架并结合微调的视觉语言模型与推理LLM,实现基于图的威胁建模自动化。
2025-12-04 cs.AI cs.CR
The Chronos Vulnerability: A Taxonomy of Temporal Persistence and Memory-Based Deception in Agentic AI
研究人工智能中Chronos漏洞,形式化基于持久性攻击的威胁模型,指出传统端点内容过滤器不足,综合深度防御格局并分类新兴框架,应对智能体内存攻击等安全威胁。
2026-07-23 cs.AI cs.CR
SoK: Systematic analysis of adversarial threats against deep learning approaches for autonomous anomaly detection systems in SDN-IoT networks
University College Dublin(都柏林大学)
本SoK研究针对SDN-IoT网络中基于深度学习的自主异常检测系统的对抗性威胁,构建结构化威胁模型与攻击分类,系统评估多类攻击的影响并提出自适应防御对策,为相关安全研究与实践提供基础参考。
2025-09-30 cs.AI cs.CR
A Continuous Risk Assessment Methodology for Cloud Infrastructures
云系统是动态环境,因此很难跟踪资源所面临的安全风险。传统上,风险评估是针对单个资产进行的,以评估现有的威胁;然而,在这样一个动态环境中,其结果很快就会过时。在本文中,我们提出了一种适应传统的风险评估方法的云基础设施,松散耦合手动,深入的分析与连续的,自动的应用程序,其结果。这两个部分通过新颖的威胁配置文件定义联系在一起,该定义允许基于资产和云提供商之间常见的属性可重用地描述配置弱点。通过这种方式,可以自动识别具有相同属性的所有资源的威胁,包括新的和修改的资源。我们还提出了一个原型实现,自动评估的基础设施作为代码模板的云系统对一组威胁配置文件,我们评估其性能。我们的方法不仅使组织能够重复使用他们的威胁分析结果,而且还可以与公共社区合作开发。为此,我们提出了一个初始的开源威胁配置文件库。
2022-06-15 cs.CR
Large Language Models Are Unreliable for Cyber Threat Intelligence
Springer Nature Switzerland(斯普林格·自然瑞士)
针对CTI任务自动化需求,提出可量化LLMs一致性与置信度的评估方法,经3个先进LLMs和350份报告数据集实验,发现其性能不足、不一致且过度自信,少样本学习与微调改善有限,揭示依赖LLMs的安全风险。
2025-11-12 cs.AI cs.CR cs.LG
The Effect of IoT New Features on Security and Privacy: New Threats, Existing Solutions, and Challenges Yet to Be Solved
物联网(IoT)的未来已经在我们面前。物联网应用已广泛应用于医疗、能源、工业自动化等社会生产和生活的诸多领域。在享受物联网给我们带来的便利和效率的同时,物联网带来的新威胁也出现了。有越来越多的研究工作,以减轻这些威胁,但许多问题仍然存在。为了更好地理解新威胁的本质原因以及当前研究面临的挑战,本调查首次提出了“物联网特征”的概念。然后,讨论了八个物联网新功能的安全和隐私影响,包括它们造成的威胁,现有的解决方案和有待解决的挑战。为了帮助研究人员跟踪该领域的最新工作,本文最后通过调查2013年至2017年与物联网安全相关的大多数现有研究工作,说明了物联网安全研究的发展趋势,并揭示了物联网特征如何影响现有的安全研究。
2018-02-09 cs.CR
Toward Automated Security Risk Detection in Large Software Using Call Graph Analysis
University of North Texas(北德克萨斯大学);Red Hat(红帽)
针对人工威胁建模效率低易出错的问题,提出基于调用图聚类(密度算法+社区检测)的自动化威胁建模方法,经SFO案例验证可行,为云原生环境的可扩展半自动化威胁建模框架提供支撑。
2025-10-30 cs.CR cs.SE
Asset-centric Threat Modeling for AI-based Systems
本文提出ThreatFinderAI方法和工具,通过指导和自动化建模AI相关资产、威胁、对策及量化残余风险,解决了AI系统威胁建模探索不足的问题,并在医疗和LLM应用案例中验证了其有效性和可用性。
2024-06-03 cs.CR cs.SE
DEMIS: A Threat Model for Selectively Encrypted Visual Surveillance Data
近年来,由于许多设备中的集成相机的便利性,对个人/物体的监控变得越来越可能。由于这些设备捕获了人们的重要时刻或活动,因此攻击者可以利用这些设备中的弱点发起攻击。不同的研究提出了对捕获的视觉数据进行简单/选择性加密以确保安全,但尽管加密,攻击者仍然可以访问或操纵这些数据。本文提出了一种新的威胁模型,DEMIS,它有助于分析对这种加密视频的威胁。本文还研究了可用于威胁的攻击媒介以及减少或防止攻击的缓解措施。对于实验,首先通过使用图像分割技术和Chacha 20密码对测试视频的感兴趣区域(ROI)应用选择性加密来生成数据集。其次,在实验中模拟了不同类型的攻击,如逆向攻击、反向攻击、反向攻击、随机插入攻击和可延展性攻击,以显示攻击的效果、风险矩阵和这些攻击的严重性。我们开发的原始数据集,选择性加密和攻击的视频可在git-repository(https://github.com/Ifeoluwapoo/video-datasets)上获得,供未来的研究人员使用。
2022-10-26 cs.CR
AI Security Threats against Pervasive Robotic Systems: A Course for Next Generation Cybersecurity Workforce
Mississippi State University(密西西比州立大学)
机器人技术、自动化和相关的人工智能(AI)系统已经变得普遍,带来了与安全性、准确性和信任相关的担忧。随着人们越来越依赖与人类密切接触的物理机器人,这些系统的安全性变得越来越重要,以防止可能导致隐私侵犯、关键操作破坏和身体伤害的网络攻击。目前缺乏专业人员谁可以捍卫这种系统要求开发和整合这样的课程。本课程描述包括关于“针对普适机器人系统的AI安全威胁”的七个独立和自适应模块的详细信息。主题包括:1)介绍,攻击的例子和动机; 2)-机器人AI攻击表面和渗透测试; 3)-输入传感器的攻击模式和安全策略; 4)-训练攻击和相关的安全策略; 5)-推理攻击和相关的安全策略; 6)-执行器攻击和相关的安全策略;和7)-人工智能,机器人和网络安全的伦理。
2023-02-15 cs.AI cs.CR cs.LG
LLMpatronous: Harnessing the Power of LLMs For Vulnerability Detection
针对传统工具误报高和LLM自身局限,本文提出结合RAG与MoA的AI驱动方法,以提升漏洞检测的质量与可靠性。
2025-04-25 cs.AI cs.CR
Threat Landscape for Smart Grid Systems
智能电网是能量输送网络,构成电网的演进,其中在电力供应商和消费者之间建立双向流。这些流量支持电力和信息的传输,以支持能源输送网络中的自动化行动。因此,出现了许多智能电网实现和实现建议,具有不同程度的功能交付和复杂性。虽然智能电网具有许多优势,但其分布式性质和能源生产商和消费者之间的信息流使得能够对智能电网基础设施发起许多攻击,相关后果可能从经济损失到智能电网完全失败。在本文中,我们调查智能电网的威胁景观,确定特定于此基础设施的威胁,提供每种攻击类型的后果的严重性评估,识别可用于检测攻击的功能,并列出可用于减轻攻击的方法。
2021-05-10 cs.CR
Security Orchestration, Automation, and Response Engine for Deployment of Behavioural Honeypots
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
网络安全对于拥有IT/OT网络的组织来说是一个至关重要的话题,因为他们总是容易受到攻击,无论是内部还是外部。由于网络环境是一个不断发展的场景,人们必须不断升级其安全系统,以提高基础设施的安全性。安全信息和事件管理(SIEM)、端点检测和响应(EDR)、威胁智能平台(TIP)、信息技术服务管理(ITSM)等工具,以及入侵检测系统(IDS)、入侵防护系统(IPS)等其他防御技术,都可以增强基础设施的网络安全态势。然而,所提出的保护机制有其局限性,它们不足以确保安全性,并且攻击者穿透网络。欺骗技术与蜜罐技术一起,为攻击者提供了目标系统脆弱性的虚假感觉。被欺骗的攻击者透露了关于他们作案手法的威胁情报。我们已经开发了一个安全监测、自动化和响应(SOAR)引擎,它可以根据攻击者的行为在内部网络基础设施内动态部署自定义蜜罐。该体系结构足够健壮,可以支持多个连接到系统并用于编排的数据库。检测到网络中蜜罐上存在僵尸网络流量和DDOS攻击,以及恶意软件收集系统。在暴露于实时流量四天后,我们的引擎动态编排了40次蜜罐,检测到7823次攻击,965个DDOS攻击数据包和3个恶意样本。虽然我们的静态蜜罐实验显示每个实例的平均攻击时间为102秒,但我们基于SOAR引擎的动态蜜罐平均攻击时间为3148秒。
2022-01-14 cs.CR cs.LG
Cybernetic modeling of Industrial Control Systems: Towards threat analysis of critical infrastructure
Electronics Corporation of India Limited, ECIL(印度电子公司,ECIL)
本文提出基于信息论的工业控制系统建模方法,通过引入可行系统模型原理,为关键基础设施威胁分析提供系统性视角和决策支持。
2015-10-07 cs.CR cs.SY eess.SY
A Secure Design Pattern Approach Toward Tackling Lateral-Injection Attacks
为对抗性漏洞创建攻击面的软件弱点,例如横向SQL注入(LSQLi)攻击,通常在软件开发的设计阶段引入。安全设计模式有时被用来解决这些弱点。然而,由于侧向攻击的隐蔽性,使用传统的安全模式来解决这些威胁是不够的。因此,我们提出了SEAL,一个安全的设计,推断架构,设计和实现的抽象级别,以代表安全策略对解决LSQLi攻击。我们使用案例研究软件对SEAL进行了评估,在该软件中,我们假设对手的角色,并注入了几个攻击向量,这些攻击向量的任务是破坏其数据库的机密性和完整性。我们对SEAL的评估证明了它解决LSQLi攻击的能力。
2022-10-23 cs.CR
Automated Mapping of CVE Vulnerability Records to MITRE CWE Weaknesses
Mohammed Bin Zayed University for Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Technology Innovation Institute(技术创新研究所)
针对CVE到MITRE CWE映射缺乏专用数据集的问题,本文发布4,012条人工标注记录,并以排序方式微调Sentence-BERT和rankT5,性能显著优于BM25、BERT和RoBERTa。
2023-04-13 cs.AI cs.CL cs.CR
An Overview of Cyber Threats, Attacks, and Countermeasures on the Primary Domains of Smart Cities
智慧城市是通过数字技术增强现有设施和服务以造福人民和公司的地方。这个城市最重要的基础设施是相互连接的。增加市政领域之间的数据交换旨在管理基本资产,从而提高城市治理的自动化程度,并优化动态提供的服务。然而,对于这些数据流的建模,没有明确的指导方针或标准。因此,运营商、市政当局、政策制定者、制造商、解决方案提供商和供应商被迫接受可扩展性有限且需求多变的系统。尽管如此,提高对智慧城市网络安全的认识并采取适当措施保护公民的隐私和安全至关重要,因为网络威胁似乎是有组织的,多样化的和复杂的。本研究旨在概述智能城市主要领域(智能政府,智能移动,智能环境,智能生活,智能医疗,智能经济和智能人)的网络威胁,攻击和对策,以向决策者提供从最先进技术中提取的信息,以感知关键情况,同时成为科学界的宝贵资源。
2022-07-10 cs.CR
HARMer: Cyber-attacks Automation and Evaluation
随着网络攻击事件的不断增长,重要的是要开发创新和有效的技术来评估和防御网络系统免受网络攻击。其中一个众所周知的技术是执行渗透测试,由一组安全专业人员(即红队)进行。众所周知,渗透测试可以有效地发现现有和新的漏洞,但是,安全评估的质量取决于红队成员的质量以及他们对渗透测试的时间和投入。在本文中,我们提出了一种新的自动化框架,名为“HARMer”的网络攻击生成,以解决与手动攻击执行的红队的挑战。我们提出的新框架,设计和实现是基于一个可扩展的图形安全模型,称为分层攻击表示模型(HARM)。(1)我们提出了自动化框架的要求和关键阶段。(2)我们提出了基于安全度量的攻击规划策略及其算法。(3)我们在一个真实的企业网和Amazon Web Services中进行实验。结果显示了框架的不同阶段如何相互作用,以模拟攻击者的操作。该框架将允许安全管理员以自动化的方式自动评估各种威胁和攻击的影响。
2020-07-17 cs.CR
Threat Modeling and Security Analysis of Containers: A Survey
传统上,在大型和小型企业中使用的应用程序部署在安装有操作系统的“裸金属”服务器上。最近,由于成本降低和灵活性,在同一物理服务器上使用多个虚拟机(VM)被采用。如今,容器已经成为应用程序部署的热门,因为它比VM占用的空间更小,能够更快地启动和停止,并且能够将应用程序二进制文件及其依赖项打包在独立单元中以实现无缝可移植性。典型的容器生态系统包括代码存储库(例如,GitHub),其中容器镜像从代码和库构建,然后推送到镜像注册表(例如,Docker Hub)用于后续部署为应用程序容器。然而,容器的普遍使用也导致了广泛的安全漏洞,例如从映像注册表和代码存储库中窃取凭据和敏感数据,进行DoS攻击,以及获得对底层主机的根访问权限。在本文中,我们首先使用流行的威胁建模框架(称为STRIDE)对容器生态系统进行威胁建模。使用STRIDE,我们确定每个系统组件中的漏洞,并调查潜在的安全威胁及其后果。然后,我们进行了一个全面的调查,现有的对策,针对已识别的威胁和漏洞。特别是,我们评估了针对这些威胁而设计的现有缓解战略的优点和缺点。我们相信,这项工作将有助于研究人员和从业人员更深入地了解集装箱中的威胁状况和最先进的对策。我们还讨论了开放的研究问题和未来的研究方向,在容器安全,这可能会引发进一步的研究在这方面做。
2021-11-22 cs.CR
Advancing LLM-Based Security Automation with Customized Group Relative Policy Optimization for Zero-Touch Networks
National Engineering Research Center for Mobile Network Technologies, Beijing University of Posts and Telecommunications(移动网络技术国家工程研究中心,北京邮电大学);Beijing University of Posts and Telecommunications(北京邮电大学);Singapore University of Technology and Design(新加坡科技设计大学);Department of Electronic Engineering, Kyung Hee University(韩国庆熙大学电子工程系)
本文提出SecLoop和SA-GRPO,通过定制化群体相对策略优化,解决6G零接触网络中的安全自动化挑战。
2025-12-10 cs.AI cs.CR
Recent Advances in Attack and Defense Approaches of Large Language Models
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Xidian University(西安电子科技大学);StepFun(阶跃星辰);Megvii Technology(旷视科技)
本文回顾大型语言模型(LLMs)的漏洞、威胁及防御机制研究现状,分析攻击向量与模型弱点、防御策略的优劣,识别研究空白并提出未来方向,以增进对LLM安全挑战的理解并指导更稳健安全措施的开发。
2024-12-02 cs.AI cs.CR
PFirewall: Semantics-Aware Customizable Data Flow Control for Home Automation Systems
新兴的物联网(IoT)平台为集成异构IoT设备和部署家庭自动化应用提供了方便的解决方案。然而,随着设备数据现在流向物联网平台,严重的隐私威胁出现了,这些平台可能会受到各种攻击。我们在新兴的家庭自动化系统中观察到两种对隐私不友好的做法:首先,流向平台的大多数数据都是多余的,因为它们不会触发任何家庭自动化;其次,房主目前对他们的数据几乎没有控制权。我们提出PFirewall,一个可定制的数据流控制系统,以提高用户的隐私。PFirewall分析自动化应用程序以提取其语义,这些语义自动转换为数据最小化策略;这些策略仅将最小化的数据流发送到平台以执行应用程序,因此攻击者推断用户隐私的能力受到严重损害。此外,PFirewall还为用户提供功能和接口,以根据个人隐私偏好定义和实施可自定义的策略。PFirewall采用优雅的中间人设计,透明地执行数据最小化和用户定义的策略来处理原始数据流,并在IoT设备和平台之间(通过集线器)调解处理后的数据,而无需修改平台或IoT设备。我们实现了PFirewall与两个流行的平台:SmartThings和openHAB,并建立了两个现实世界的测试床,以评估其性能。评估结果表明,PFirewall非常有效:它将发送到平台的物联网数据减少了97%,并成功执行了用户定义的策略。
2019-10-22 cs.CR
Design and Development of Automated Threat Hunting in Industrial Control Systems
传统的工业系统,例如,发电厂、水处理厂等,都是为了运行高度隔离和控制的能力而建造的。最近,工业控制系统(ICS)已经暴露在互联网上,以便于访问和适应先进技术。但是,它会造成安全漏洞。攻击者经常利用这些漏洞对ICS发起攻击。为此,执行威胁搜索以主动监控ICS网络的安全性,并保护它们免受可能导致系统故障的威胁。威胁猎人手动识别威胁,并根据可用的威胁情报提供假设。在本文中,我们激励的差距,缺乏研究的自动化威胁狩猎在ICS网络。我们提出了一个自动提取的威胁情报和假设的生成和验证。我们提出了一个自动化的威胁狩猎框架的基础上提供的ICS MITRE ATT&CK框架自动化的任务的威胁情报。与现有的基于云、成本高昂且容易出现人为错误的狩猎解决方案不同,我们的解决方案是使用不同的开源技术实现的中央和开源解决方案,例如,Elasticsearch、Conpot、Metasploit、Web单页应用程序(SPA)和机器学习分析器。我们的研究结果表明,所提出的威胁狩猎解决方案可以识别网络的攻击和警报的威胁猎人与基于ICS MITRE ATT&CK的技术,战术和程序(TTP)生成的假设。然后,机器学习分类器自动预测攻击的未来动作。
2022-02-03 cs.CR cs.DC
Enhancing cybersecurity defenses: a multicriteria decision-making approach to MITRE ATT&CK mitigation strategy
本文针对日益复杂的网络安全威胁,提出将MITRE ATT&CK框架与多准则决策技术相结合的方法,通过确定并优先排序安全控制措施来制定防御策略,帮助组织提升网络安全态势的稳健性与弹性。
2024-07-27 cs.CR
False Alarms, Real Damage: Adversarial Attacks Using LLM-based Models on Text-based Cyber Threat Intelligence Systems
Faculty of Sciences, University of Lisbon(里斯本大学科学学院);CIENCES, University of Lisbon(里斯本大学CIENCES)
研究针对文本网络威胁情报(CTI)系统的对抗攻击,分析逃避、淹没和投毒三种攻击类型,重点展示对抗文本生成如何欺骗分类器、降低性能并破坏系统功能。
2026-01-28 cs.AI cs.CR cs.LG
Cascade: Composing Software-Hardware Attack Gadgets for Adversarial Threat Amplification in Compound AI Systems
本文提出通过结合传统软件硬件漏洞与LLM算法攻击,实现复合AI系统中的对抗性威胁放大,展示两种新型攻击方法并系统化分析其组合。
2026-03-12 cs.AI cs.CR
A Study on the Importance of Features in Detecting Advanced Persistent Threats Using Machine Learning
University of Windsor(温莎大学);University of New Brunswick(新 Brunswick大学)
本研究针对APT检测中机器学习模型受输入特征影响大的问题,通过多特征选择技术搭配不同分类器分析网络流量特征的重要性,为提升实际场景APT检测效果提供参考。
2025-02-11 cs.AI cs.CR cs.LG
Machine Learning-Enabled IoT Security: Open Issues and Challenges Under Advanced Persistent Threats
University of Ottawa(渥太华大学);Ciena(CIENA公司)
尽管物联网(IoT)具有技术优势,但由于无线介质中的漏洞,物联网(IoT)具有网络弱点。基于机器学习(ML)的方法被广泛用于物联网网络中的网络威胁,具有良好的性能。高级持续性威胁(APT)是网络犯罪分子危害网络的突出表现,具有长期性和危害性的特点。然而,它是很难应用ML为基础的方法来识别APT攻击,以获得一个有前途的检测性能,由于正常流量中的一个非常小的百分比。由于缺乏所有类型的APT攻击的公共数据集,因此对物联网网络中的APT攻击进行全面调查的调查有限。这是值得桥梁的国家最先进的网络攻击检测与APT攻击检测在一个全面的评论文章。这篇调查文章回顾了物联网网络中的安全挑战,并介绍了物联网系统中众所周知的攻击、APT攻击和威胁模型。同时,基于特征的,基于异常的,和混合的入侵检测系统的物联网网络进行了总结。本文重点介绍了针对网络入侵的常用ML方法的统计见解以及检测到的攻击类型的数量。最后,常见的网络入侵和APT攻击的开放性问题和挑战,为未来的研究。
2022-04-17 cs.CR cs.LG cs.NI
PACMAN Attack: A Mobility-Powered Attack in Private 5G-Enabled Industrial Automation System
由于5G架构的多功能性和灵活性,3GPP推出了专用5G以支持下一代工业自动化系统(IAS)。除了3.5GHz CBRS频带之外,未经许可的频带(如5GHz)由于其自由和丰富的性质而被认为是附加介质。然而,在利用未授权频带的同时,工业设备必须与现任者共存,例如,Wi-Fi可能会带来新的安全威胁,并使旧的威胁死灰复燃。在本文中,我们提出了一种新的攻击策略进行的移动性使能的恶意Wi-Fi接入点(mmAP),即\textit{PACMAN}攻击,利用异构共存引入的漏洞。mmAP能够在物理表面上移动以识别关键任务设备,通过频域跳跃以检测受害者的操作信道,并发起传统的基于MAC层的攻击。攻击者的多维移动性使其不受假设静态对手的最先进检测技术的影响。此外,我们提出了一种新的马尔可夫决策过程(MDP)为基础的框架,智能设计攻击者的多维移动性在空间和频率。数学分析和大量的仿真结果显示了所提出的移动性供电的攻击的不利影响。
2023-02-16 cs.CR cs.NI
Data Poisoning Vulnerabilities Across Healthcare AI Architectures: A Security Threat Analysis
Karolinska Institutet(卡罗林斯卡学院);KTH Royal Institute of Technology(KTH皇家理工学院);Karolinska University Hospital(卡罗林斯卡大学医院);University of Borås(布罗斯大学);Universidad Politécnica de Madrid(马德里理工大学)
医疗AI面临数据中毒威胁,需多层防御措施和可解释系统以提高安全性。
2025-11-14 cs.AI cs.CR
Cybersecurity Threat Analysis And Attack Simulations For Unmanned Aerial Vehicle Networks
本研究针对无人机网络的安全漏洞,利用Raspberry Pi3等基础工具进行威胁分析与攻击模拟,并提出创新防御方案以保障关键基础设施安全。
2024-02-12 cs.CR
Autonomous Threat Detection and Response in Cloud Security: A Comprehensive Survey of AI-Driven Strategies
本文综述了基于AI驱动策略的云安全威胁检测与响应方法,探讨了AI在提升安全性和自动化防护中的作用。
2026-01-06 cs.CR
Dark LLMs: The Growing Threat of Unaligned AI Models
Ben Gurion University of the Negev(内盖夫本-古里安大学)
本文研究未对齐“黑暗 LLM”及越狱攻击风险,提出一种可攻破多个最先进模型的通用攻击,并揭示厂商安全响应不足与开源扩散带来的滥用隐患。
2025-05-15 cs.AI cs.CL cs.CR
Graph of Effort: Quantifying Risk of AI Usage for Vulnerability Assessment
Kiel University of Applied Sciences(基尔应用科学大学)
本文提出“努力图”威胁建模方法,量化对手使用攻击性AI进行漏洞利用所需的努力,帮助分析师排序漏洞并优先实施应对措施。
2025-04-07 cs.AI cs.CR cs.DC
Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning
Polytechnique Montréal(蒙特利尔高等理工学院)
提出一种结合语义嵌入与多阶段概率决策融合的语义多智能体入侵检测系统,通过四个智能体协作实现零日攻击和对抗攻击的高效检测,在多个真实物联网数据集上达到95.9%检测准确率。
2026-10-30 cs.CR
Security Modelling for Cyber-Physical Systems: A Systematic Literature Review
Singapore Management University(新加坡管理大学)
本文系统回顾了网络物理系统安全建模的研究,探讨威胁与攻击建模的区别及其对系统安全的影响,总结现有研究的局限性。
2025-10-30 cs.CR
A critical review of cyber-physical security for building automation systems
本文综述了商业建筑BASs在管理、自动化和现场三层的信息物理安全,涵盖漏洞、攻击场景、检测防御及弹性控制策略,填补了系统性文献空白。
2023-03-31 cs.CR