Compilation as a Defense: Enhancing DL Model Attack Robustness via Tensor Optimization
Lancaster University（兰卡斯特大学）；Mindgard（Mindgard公司）
针对对抗性机器学习侧信道攻击，本文提出利用模型编译中的张量优化作为无需重构模型的防御手段，并证明其可使攻击相对有效性最高降低 43%。
2023-09-20 cs.CR cs.LG
A review of SolarWinds attack on Orion platform using persistent threat agents and techniques for gaining unauthorized access
本文综述了2020年SolarWinds对Orion平台的供应链攻击，分析了持久威胁代理和利用VMware漏洞的未授权访问技术，并提出了防御与修复建议。
2023-09-04 cs.CE cs.CR
Metric Matters: A Formal Evaluation of Similarity Measures in Active Learning for Cyber Threat Intelligence
New York University, NYUAD, Division of Science（纽约大学、NYUAD、科学学院）
针对APT检测中的类别不平衡问题，提出基于注意力自编码器和相似性搜索的主动学习异常检测框架，形式化评估多种相似性度量，证明度量选择显著影响收敛、准确率与标签效率。
2025-08-26 cs.AI cs.LG cs.NE
Toward Active and Passive Confidentiality Attacks On Cryptocurrency Off-Chain Networks
加密货币链下网络，如闪电（例如，Bitcoin）或Raiden（例如，以太坊（Ethereum）旨在提高传统链上交易的可扩展性。为了支持节点学习路由其事务的可能路径，这些网络需要提供流言和探测机制。本文探讨了这些机制是否可能被利用来推断有关交易流的敏感信息，并最终损害隐私。特别是，我们确定了两个威胁，涉及到一个主动和被动的对手。第一种是探测攻击：在这里，对手的目标是通过主动探测它并区分它接收到的响应消息来检测在给定方向上可传输的最大量。第二种是定时攻击：对手通过充当被动的中间人并分析发送消息及其相应响应之间的时间差，发现路由支付的目的地实际上有多近。然后，我们分析了这些攻击的局限性，并提出了补救方案，在这些方案中，他们能够产生准确的结果。
2020-02-28 cs.CR
Ransomware threat mitigation through network traffic analysis and machine learning techniques
Newcastle University（纽卡斯尔大学）；Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
本文提出利用机器学习算法分析网络流量模式来识别和检测勒索软件，实验证明该方法能达到高精确度和准确率，从而有效缓解勒索软件威胁。
2024-02-04 cs.CR cs.LG
A Randomized Generic Lucas Seed Algorithm (RGLSA) with Tail Boosting for Threat Modeling in Virtual Machines
提出了一种自传播、自复制的恶意种子模型。
2013-11-26 cs.CR
Towards Secure Intelligent O-RAN Architecture: Vulnerabilities, Threats and Promising Technical Solutions using LLMs
University of Tehran（德黑兰大学）；University of Oulu（奥卢大学）；Sejong University（世宗大学）
本文对 O-RAN 架构进行了深入安全分析，探讨了各层威胁对 CIA 三要素的影响，并提出了利用零信任、MTD、区块链和 LLM 等技术加固安全，数值验证了 MTD 在动态切片准入控制中的有效性及 LLM 的 XAI 作用。
2024-11-13 cs.CR cs.LG
ORCA - An Automated Threat Analysis Pipeline for O-RAN Continuous Development
University of Passau（帕绍大学）；University of Padova（帕多瓦大学）；Institute for the Wireless Internet of Things, Northeastern University（东北大学无线互联网研究所）
ORCA提出一种自动化流水线，利用NLP技术实现O-RAN持续发展中的威胁分析，提升安全评估的效率和准确性。
2026-01-20 cs.CR
An Examination of the Alleged Privacy Threats of Confidence-Ranked Reconstruction of Census Microdata
Universitat Rovira i Virgili（罗维拉-维尔吉利大学）；University of Oklahoma（俄克拉荷马大学）
本研究检验了置信度排序的人口普查微观数据重建的所谓隐私威胁，通过实证证明该方法无法有效实现重建或披露攻击，不足以支撑使用差分隐私导致的统计数据准确性牺牲。
2024-09-17 cs.CR cs.LG
cryptoRAN: A review on cryptojacking and ransomware attacks w.r.t. banking industry -- threats, challenges, & problems
本文综述了银行业面临的勒索软件与新兴加密劫持威胁，剖析网络犯罪技术演变及金融机构面临的挑战，并引入DFIR方法以最小化这两类攻击。
2023-11-24 cs.CR
Know Abnormal, Find Evil: Frequent Pattern Mining for Ransomware Threat Hunting and Intelligence
加密勒索软件的出现显著改变了网络威胁格局。加密勒索软件通过加密受害者计算机上的有价值数据来删除数据托管人访问权限，并通过解密数据请求支付赎金以恢复托管人访问权限。勒索软件的及时检测在很大程度上取决于如何快速准确地挖掘系统日志，以发现异常并阻止邪恶。在本文中，我们首先设置了一个环境来收集517个Locky勒索软件样本，535个Cerber勒索软件样本和572个TeslaCrypt勒索软件样本的活动日志。我们利用序列模式挖掘来找到不同勒索软件家族中活动的最大频繁模式（MFP），作为使用J48，随机森林，Bagging和MLP算法进行分类的候选特征。我们可以达到99%的准确率检测勒索软件实例从goodware样本和96.5%的准确率检测给定的勒索软件样本的家庭。我们的研究结果表明，应用模式挖掘技术检测勒索软件狩猎的好功能的有用性和实用性。此外，我们还发现了不同勒索软件家族中存在的独特的频繁模式，这些模式可用于识别勒索软件样本家族，以构建有关给定目标的威胁行为者和威胁概况的情报。
2018-08-06 cs.CR
MobiLLM: An Agentic AI Framework for Closed-Loop Threat Mitigation in 6G Open RANs
SRI；The Ohio State University（俄亥俄州立大学）
针对6G O-RAN现有防御被动、闭环响应能力不足的问题，提出基于LLM的多智能体框架MobiLLM，通过三类智能体实现全自动威胁缓解，实验验证其可有效降低响应延迟。
2025-10-03 cs.AI cs.CR cs.LG
The New Frontier of Cybersecurity: Emerging Threats and Innovations
BITS Pilani（比尔拉理工学院）；Sardar Patel Institute of Technology（萨达尔·帕特尔理工学院）
本研究采用定性方法分析了恶意软件、社会工程等网络安全威胁及其影响，揭示了高级持续性威胁等新兴风险，并提出包含强安全措施、员工培训及定期审计的多层次防御策略。
2023-11-05 cs.AI cs.CR cs.CY
A Novel Approach for Detection and Ranking of Trendy and Emerging Cyber Threat Events in Twitter Streams
Kansas State University（堪萨斯州立大学）
我们提出了一种新的机器学习和文本信息抽取方法来检测Twitter中的网络威胁事件，这些事件是新颖的（以前不存在的）和发展中的（以与以前检测到的事件的相似性为标志）。虽然一些现有的事件检测方法测量新颖性和趋势性，通常作为独立的标准，偶尔作为一个整体的措施，这项工作的重点是使用无监督的机器学习方法检测新的和发展中的事件。此外，我们提出的方法，使网络威胁事件的排名的基础上的重要性分数提取的鸣叫的条款，其特征在于命名的实体，关键字，或两者兼而有之。我们还将影响力归因于用户，以便根据用户影响力和命名实体和关键字的相应事件得分，为名词短语分配加权得分。为了评估我们提出的方法的性能，我们测量的效率和检测出错率的事件在指定的时间间隔，相对于人类注释地面真相。
2019-07-12 cs.CR cs.IR cs.LG
AdvMind: Inferring Adversary Intent of Black-Box Attacks
Pennsylvania State University（宾夕法尼亚州立大学）；Zhejiang University（浙江大学）；Ant Financial（蚂蚁金融）；Hong Kong Polytechnic University（香港理工大学）
深度神经网络（DNN）本质上容易受到对抗攻击的影响，即使在黑盒设置下，对手也只能查询目标模型。在实践中，虽然可以有效地检测这种攻击（例如，观察大量相似但不相同的查询），准确地推断对手意图（例如，对手试图制造的敌对示例的目标类别），尤其是在攻击的早期阶段，这对于在许多情况下执行有效的威慑和补救威胁至关重要。在本文中，我们提出了AdvMind，一类新的估计模型，推断对手的意图，黑盒对抗攻击在一个强大的和及时的方式。具体来说，为了实现鲁棒检测，AdvMind考虑了对手的适应性，使得她隐藏目标的尝试将显著增加攻击成本（例如，在查询的数量方面）;为了实现及时的检测，AdvMind主动合成合理的查询结果，以从最大程度地暴露其意图的对手那里征求后续查询。通过对基准数据集和最先进的黑盒攻击进行广泛的实证评估，我们证明，在观察不到3个查询批次后，平均AdvMind检测对手意图的准确率超过75%，同时将自适应攻击的成本提高了60%以上。我们进一步讨论了AdvMind和其他防御方法对抗黑盒对抗攻击之间可能的协同作用，指出了几个有前途的研究方向。
2020-06-16 cs.CR cs.LG stat.ML
End-to-End O-RAN Security Architecture, Threat Surface, Coverage, and the Case of the Open Fronthaul
本文分析 O-RAN 端到端安全威胁面，重点研究开放前传接口风险，并提出应对措施与标准化建议，以推动其成为 5G Advanced 和 6G 的安全平台。
2023-04-11 cs.CR cs.SY eess.SY
Enhanced Cyber Threat Intelligence by Network Forensic Analysis for Ransomware as a Service(RaaS) Malwares
Indian Institute of Technology Indore（印多尔印度理工学院）；Siddaganga Institute of Technology（西达甘加理工学院）；Assam Science and Technology University（阿萨姆科学技术大学）
通过网络取证分析RaaS恶意软件数据包，生成签名以提升对勒索软件即服务的早期检测与防御能力。
2026-01-20 cs.CR
Privacy Threats Analysis to Secure Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Ant Group（蚂蚁集团）
联邦学习是一种机器学习技术，它可以在多个分散的参与方之间训练模型。它以保护隐私而闻名，因为数据永远不会离开计算设备，最近的方法通过隐藏加密传输的消息来进一步增强其隐私性。然而，我们发现，尽管做出了努力，联邦学习仍然存在隐私威胁，因为它具有跨各方的交互性。本文分析了工业级安全计算联邦学习框架中的隐私威胁，揭示了此类威胁广泛存在于线性回归、逻辑回归和决策树等典型机器学习模型中。对于线性和逻辑回归，我们通过理论分析表明，攻击者可以在很少的信息下反转受害者的整个私人输入。对于决策树模型，我们发动攻击来推断受害者的私有输入的范围。所有攻击都在流行的联邦学习框架和真实世界的数据集上进行评估。
2021-06-24 cs.AI cs.CR cs.LG
Threats, Vulnerabilities, and Controls of Machine Learning Based Systems: A Survey and Taxonomy
National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）；Sumitomo Electric Industries, Ltd.（住友电气工业株式会社）
在这篇文章中，我们提出了人工智能安全分类系统化的威胁，漏洞和基于机器学习（ML）的系统的安全控制的知识。我们首先对基于ML的系统的攻击所造成的损害进行分类，定义ML特定的安全性，并讨论其特点。接下来，我们列举所有相关资产和利益相关者，并为ML特定的威胁提供一个通用分类。然后，我们通过对最近文献的广泛回顾，收集了针对ML特定威胁的各种安全控制措施。最后，我们对基于ML的系统的漏洞和控制进行了分类，这些漏洞和控制是根据系统整个生命周期中的每个脆弱资产来进行的。
2023-01-19 cs.AI cs.CR cs.LG
Revisiting Adversarial Training for ImageNet: Architectures, Training and Generalization across Threat Models
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）
本文重新审视ImageNet上的对抗训练，发现用ConvStem替换PatchStem等架构微调可显著提升鲁棒性，ConvNeXt+ConvStem在ℓ∞攻击下最鲁棒，ViT+ConvStem对未知ℓ1/ℓ2攻击泛化最佳。
2023-10-28 cs.CR cs.CV cs.LG
On the Vulnerability of Deep Automatic Modulation Classifiers to Explainable Backdoor Threats
Institute of Radiocommunications Poznan University of Technology（波兹南理工大学无线电通信研究所）
本文研究了针对无线信号传输前的物理后门攻击，利用可解释AI技术生成触发器，有效突破多种深度学习自动调制分类模型。
2026-03-26 cs.CR
Threats to Pre-trained Language Models: Survey and Taxonomy
预训练的语言模型（PTLM）在广泛的自然语言处理（NLP）任务中取得了巨大的成功和显著的性能。然而，人们对采用PTLM的潜在安全问题也越来越关注。在这次调查中，我们全面系统化最近发现的威胁PTLM系统和应用程序。我们从三个有趣的角度进行攻击表征。(1)我们表明，威胁可能发生在不同阶段的PTLM管道所提出的不同的恶意实体。(2)我们确定了两种类型的模型可转移性（横向，纵向），方便攻击。(3)根据攻击目标，我们总结了四类攻击（后门，逃避，数据隐私和模型隐私）。最后讨论了一些尚待解决的问题和研究方向。我们相信我们的调查和分类将激发未来的研究对安全和隐私保护的PTLM。
2022-02-14 cs.CR
Security and Privacy in O-RAN for 6G: A Comprehensive Review of Threats and Mitigation Approaches
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文综述了O-RAN在6G中的安全漏洞和隐私问题，分析了基本漏洞、攻击向量及威胁，评估现有和未来安全机制，并探讨标准化活动以加强安全框架。
2026-03-22 cs.CR cs.NI
Taming the Ransomware Threats: Leveraging Prospect Theory for Rational Payment Decisions
针对勒索软件攻击频发下组织易做出非理性赎金决策的问题，本文基于前景理论提出RADS算法，结合攻击恢复计划、应用关键程度与概率权重调整，助力组织做出最优应对决策。
2024-09-15 cs.CR
Evaluating Predictive Models in Cybersecurity: A Comparative Analysis of Machine and Deep Learning Techniques for Threat Detection
本文比较了多种机器学习与深度学习模型在网络安全威胁检测中的表现，发现随机森林和极端随机树在准确率上更具优势，并分析了实际部署中的挑战，为网络安全专业人员选择预测模型提供依据。
2024-07-08 cs.CR
Guarding Against Malicious Biased Threats (GAMBiT) Experiments: Revealing Cognitive Bias in Human-Subjects Red-Team Cyber Range Operations
GAMBiT项目通过三个大规模红队网络靶场实验采集多模态数据，用于揭示攻击者认知偏见并支持行为建模与基准测试。
2025-08-28 cs.CR cs.GT
IoT Threat Detection Testbed Using Generative Adversarial Networks
本文提出了一种基于生成对抗网络（GAN）的物联网威胁检测解决方案，使用良性流量和暗网数据训练，并在真实测试平台中验证了其检测网络内外恶意设备威胁的有效性。
2023-05-24 cs.CR
Botnet in the Browser: Understanding Threats Caused by Malicious Browser Extensions
浏览器扩展已经被建立为现代浏览器中的常见功能。然而，一些扩展系统有暴露API的风险，这些API与浏览器的内部结构过于宽松和紧密，从而为恶意开发人员留下漏洞，以利用浏览器本身的安全关键功能。在本文中，我们提出了一个僵尸网络框架，安装在用户的浏览器中的恶意扩展的基础上，可以在这个框架中发起的攻击的详尽范围，提高了人们对浏览器扩展所造成的威胁的认识。我们系统地分类，描述和实现这些针对Chrome，Firefox和Firefox-for-Android的攻击，并在Windows，Linux和Android系统上验证实验。据我们所知，本文提出了迄今为止最全面的分析僵尸网络的威胁，在现代浏览器中，由于浏览器扩展所拥有的超特权的能力。并针对存在的问题提出了相应的对策。
2017-09-27 cs.CR
Multi-Stage Threat Modelling and Security Monitoring in 5GCN
第五代移动网络（5G）承诺了一系列新功能，包括更高的数据率和更多的连接用户。为了支持新的功能和用例，5G核心网络（5GCN）将是动态和可重新配置的，以满足需求。正是这些改进也为传统的安全监控方法和技术引入了问题，这些方法和技术需要适应新的网络架构。不断增加的数据量和动态的网络架构意味着需要一种方法来将安全监控资源集中在最需要的地方，并对网络变化做出实时的反应。在考虑多阶段威胁场景时，需要一种协调的集中式安全监控方法，以早期检测可能影响网络不同部分的攻击。在本章中，我们确定了克服这些挑战的潜在解决方案，首先确定5G网络的威胁，以确定5GCN中合适的安全监控位置。
2021-08-25 cs.CR
Identification of Attack Paths Using Kill Chain and Attack Graphs
网络攻击者不断发展的能力迫使安全管理员专注于早期识别新兴威胁。有针对性的网络攻击通常包括几个阶段，从对网络环境的最初侦察到对目标的最终影响。本文研究了使用杀伤链和攻击图识别多步网络威胁场景。杀伤链和攻击图是威胁建模概念，可以确定薄弱的安全防御点。我们提出了一种新的杀伤链攻击图，合并杀伤链和攻击图在一起。这种方法确定了攻击者的行动及其在受保护网络中的具体化的可能链。图形生成根据违反的安全属性使用威胁的分类。该图允许确定管理员应该关注的杀伤链阶段以及减轻可能的网络威胁的适用对策。我们针对预定义范围的网络威胁实施了所提出的方法，特别是漏洞利用和网络威胁。该方法在现实世界的用例中得到了验证。公开的实现包含一个概念验证的杀伤链攻击图生成器。
2022-06-21 cs.CR
Semantic Ranking for Automated Adversarial Technique Annotation in Security Text
提出基于多阶段排序架构的方法，从威胁情报文本中提取结构化威胁行为，在零样本设置下性能优于大型语言模型，top-3召回率达81%。
2024-03-25 cs.CR
Threat analysis of IoT networks Using Artificial Neural Network Intrusion Detection System
物联网（IoT）仍处于起步阶段，并在许多工业领域引起了极大的兴趣，包括医疗领域，物流跟踪，智能城市和汽车。然而，作为一个范例，它容易受到一系列重大入侵威胁的影响。本文介绍了物联网的威胁分析，并使用人工神经网络（ANN）来对抗这些威胁。使用互联网数据包跟踪来训练一种多级感知器，这是一种有监督的人工神经网络，然后评估其阻止分布式拒绝服务（DDoS/DoS）攻击的能力。本文重点介绍物联网网络上正常和威胁模式的分类。人工神经网络过程在模拟的物联网网络上进行了验证。实验结果表明，99.4%的准确率，可以成功地检测各种DDoS/DoS攻击。
2017-04-07 cs.CR cs.NE
Post-quantum Federated Learning: Secure And Scalable Threat Intelligence For Collaborative Cyber Defense
Faculty of Engineering and Technology, Sri Sri University（斯里斯里大学工程与技术学院）；Cisco Systems Inc（思科系统公司）；Dell Inc.（戴尔公司）
本研究提出基于后量子密码学的量子安全联邦学习框架，通过模拟量子攻击揭示传统FL的漏洞，并在医疗联盟案例中验证了其在威胁情报共享中的安全性和有效性。
2026-03-08 cs.CR
The Threat of Offensive AI to Organizations
Ben-Gurion University（本-古里安大学）；University of Cagliari（卡利亚里大学）；Microsoft（微软）；Nanyang Technological University（南洋理工大学）；Purdue（普渡大学）；Georgia Institute of Technology（佐治亚理工学院）；Pluribus One（Pluribus One公司）
人工智能为我们提供了自动化任务的能力，从大量数据中提取信息，并合成与真实事物几乎无法区分的媒体。然而，积极的工具也可以用于消极的目的。特别是，网络对手可以使用人工智能（如机器学习）来增强攻击并扩大活动。尽管过去已经讨论过攻击性人工智能，但仍然需要在组织的背景下分析和理解威胁。例如，具有AI能力的对手如何影响网络杀戮链？AI对攻击者的好处比对防御者的好处多吗？组织目前面临的最大的AI威胁是什么，它们对未来的影响是什么？在这项调查中，我们探讨了攻击性人工智能对组织的威胁。首先，我们介绍背景，并讨论人工智能如何改变对手的方法，策略，目标和整体攻击模型。然后，通过文献回顾，我们确定了33种攻击性AI功能，对手可以使用这些功能来增强他们的攻击。最后，通过跨行业和学术界的用户研究，我们对AI威胁进行了排名，并提供了对对手的见解。
2021-06-30 cs.AI cs.CR cs.CY
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
Securing Cryptography in the Age of Quantum Computing and AI: Threats, Implementations, and Strategic Response
Decentralized Science Lab, College of Computing and Software Engineering, Kennesaw State University（肯尼索州立大学计算与软件工程学院去中心化科学实验室）
本文探讨了量子计算和人工智能对密码学的威胁，分析了后量子算法、实现加固和密码学敏捷性等防御措施，强调密码安全需持续更新以应对不断变化的威胁。
2026-03-07 cs.CR
BinaryShield: Cross-Service Threat Intelligence in LLM Services using Privacy-Preserving Fingerprints
Microsoft Redmond, USA（微软红mond分校）；Microsoft New York, USA（微软纽约分校）
BinaryShield通过隐私保护技术实现跨服务威胁情报共享，提升LLM安全防护能力。
2026-02-28 cs.AI cs.CL cs.CR
Taxonomy for Cybersecurity Threat Attributes and Countermeasures in Smart Manufacturing Systems
University of Massachusetts Dartmouth（麻省大学达特茅斯分校）；Western New England University（新英格兰西部大学）；University of South Carolina（南卡罗来纳大学）；The University of Arizona（亚利桑那大学）
本文提出智能制造系统网络安全威胁的综合分类体系，涵盖威胁行为者、攻击方法与影响，以及对策分类，通过案例展示攻击链及防护措施设计。
2026-04-01 cs.CR
Adversarial Threat Vectors and Risk Mitigation for Retrieval-Augmented Generation Systems
Fire Mountain Labs
本文分析了检索增强生成（RAG）系统面临的提示注入、数据投毒和对抗性查询操纵等主要对抗威胁，并从风险管理视角提出了包含输入验证、对抗训练和实时监控的优先控制列表以缓解风险。
2025-05-30 cs.AI cs.CR
PriMod4AI: Lifecycle-Aware Privacy Threat Modeling for AI Systems using LLM
Deggendorf Institute of Technology, Germany（德国德格多夫技术学院）
PriMod4AI通过结合LINDDUN知识库和模型中心隐私攻击知识库，提供了一种统一的隐私威胁建模方法，以识别和分类AI系统生命周期中的隐私威胁。
2026-02-04 cs.AI 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
Security Threats in MANETS : A Review
adhoc网络是针对特定应用而形成的特殊网络。在ad-hoc模式下操作允许彼此范围内的所有无线设备以对等方式发现和通信，而不涉及中央接入点。许多路由协议，如AODV，DSR等已经被提出来为这些网络找到一个端到端的路径之间的节点。这些路由协议容易受到恶意节点的攻击。需要在网络服务被破坏之前及时检测和防止这些攻击。
2014-05-21 cs.CR cs.NI
A Proactive Insider Threat Management Framework Using Explainable Machine Learning
University of Pretoria（比勒陀利亚大学）
提出IT-XML框架，结合CRISP-DM与隐马尔可夫模型，通过问卷数据和可解释机器学习对组织安全成熟度分类，准确率91.7%，实现主动内部威胁管理。
2025-10-22 cs.CR cs.CY
Insider Threat Detection Through Attributed Graph Clustering
虽然大多数组织继续投资于传统的网络防御，但在其自身范围内，一个巨大的安全挑战正在酝酿之中。拥有特权访问权限的恶意内部人员伪装成可信来源，进行了许多攻击，对公共和私营部门组织的金融稳定，国家安全和品牌声誉造成了深远的损害。举报人群体的曝光度和影响力不断增加，以及随着组织动态的变化对工作保障的担忧进一步加剧了这种情况。恶意攻击者的不可预测性以及恶意行为的复杂性，需要仔细分析与内部威胁问题相关的网络，系统和用户参数。因此，它创建了一个高维的，异构的数据分析问题，隔离可疑用户。本文提出了一个内部威胁检测框架，该框架利用了属性图聚类技术和离群值排序机制。实证结果也证实了该方法的有效性，达到最佳的曲线下面积值为0.7648的受试者工作特征曲线。
2018-09-01 cs.CR cs.SI
Policy-Guided Threat Hunting: An LLM enabled Framework with Splunk SOC Triage
Department of Management Information Systems, University of Illinois, Springfield, USA（美国伊利诺伊大学斯普林菲尔德分校管理信息系统系）；School of Computing and Communications, Lancaster University, United Kingdom（英国兰卡斯特大学计算与通信学院）；School of Computer Applications, Kalinga Institute of Industrial Technology, India（印度卡林加工业技术学院计算机应用学院）；School of Information Technology and Artificial Intelligence, University of Cumberlands, USA（美国坎伯兰大学信息技术与人工智能学院）
本文提出一个自动化威胁狩猎框架，结合LLM与Splunk平台，通过多层模型实现动态威胁适应与风险优先级评估，提升SOC分析效率。
2026-04-11 cs.AI cs.CR
A study of cyber security in hospitality industry- threats and countermeasures: case study in Reno, Nevada
本研究的目的是分析网络安全和电子信息和网络系统的安全实践，网络威胁，以及防止酒店网络攻击的技术。帮助信息技术总监和首席信息官（CIO）是本研究的目的，以推进政策的电子信息在酒店和建议一些技术和工具，以确保计算机网络的安全。本研究是完全定性的，而案例研究和访谈是在美国内华达州里诺市的5家随机酒店进行的。访谈对象包括50名酒店客人、10名前台员工、3名IT经理和2名总经理助理。结果表明，酒店的网络安全性很低，酒店在这方面是非常脆弱的，最后，本研究的意义和贡献。
2017-05-08 cs.CR cs.CY
Threats and Limitations of Terrestrial Broadcast Attacks
针对DVB标准缺乏认证和完整性保护，提出恶意广播攻击概念验证，并实验证明其因同信道保护比而范围受限，开发了低成本CCPR测定和攻击范围测量方法。
2024-02-07 cs.CR eess.SP
Threats and Countermeasures of Cyber Security in Direct and Remote Vehicle Communication Systems
交通管理、道路安全和环境影响是当今世界的重要问题。智能交通系统（ITS）的传感、控制和通信方法的应用解决了这些挑战。ITS的一部分是车辆自组织网络（VANET），其意味着车辆的无线网络。然而，在VANET中的车辆之间的通信暴露了一些需要研究和解决的安全威胁。本文首先阐述了车载自组网的基本流程，重点介绍了车载自组网的通信方式、体系结构、特点、标准和安全设施。其次，讨论了VANET面临的攻击和威胁。此外，描述了认证系统，通过该认证系统可以保护车辆网络免受虚假消息和恶意节点的攻击。讨论了远程无钥匙进入系统、专用短程通信、蜂窝方案、Zigbee、蓝牙、射频识别、WiFi、WiMAX等不同远程车辆通信方式以及车载诊断和通用串行总线等不同直接车辆通信方式的安全威胁和应对措施。
2020-06-11 cs.CR cs.IT eess.SP
