SLasH-DSA: Breaking SLH-DSA Using an Extensible End-To-End Rowhammer Framework
University of Luebeck(吕贝克大学);Google(谷歌);Azure Research, Microsoft(微软 Azure 研究)
SLasH-DSA通过可扩展的端到端Rowhammer框架实现SLH-DSA的纯软件通用伪造攻击,揭示理论稳健的PQC方案在现实中的脆弱性。
2026-02-02 cs.CR
SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification
Ant Group(蚂蚁集团)
研究针对智能体人工智能系统操作威胁,提出NSFA分类法构建基准套件,开发双模式方法,发布四个不同参数模型,在基准测试和跨源评估中表现出色,证明方法可扩展性与通用性。
2026-07-16 cs.AI cs.CL cs.CR
Auspex: Building Threat Modeling Tradecraft into an Artificial Intelligence-based Copilot
JP Morgan Chase(摩根大通)
Auspex 通过将威胁建模专业技能编码为提示词,构建了一个两阶段的生成式 AI 威胁建模系统,可在几分钟内生成形式化威胁模型,以轻量、模块化方式解决手动和自动化威胁建模在复杂性、资源与标准化方面的局限。
2025-03-12 cs.AI cs.CR
SoK: Security Below the OS -- A Security Analysis of UEFI
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Auburn University(奥本大学)
本文系统化分析UEFI安全,构建攻击威胁模型并提出类MITRE ATT&CK分类法,旨在应对日益增长的UEFI攻击威胁。
2026-06-26 cs.CR
Peacock: UEFI Firmware Runtime Observability Layer for Detection and Response
Ben Gurion University of the Negev(内盖夫本古里安大学)
Peacock通过模块化框架实现UEFI启动过程的完整性保证监控和远程验证,有效检测多种现实中的固件启动套件。
2026-01-12 cs.CR
ExCyTIn-Bench: Evaluating LLM agents on Cyber Threat Investigation
Pennsylvania State University(宾夕法尼亚州立大学);Microsoft Security AI Research(微软安全AI研究);Tsinghua University(清华大学)
ExCyTIn-Bench是首个评估LLM代理在网络安全调查任务中的基准,通过从调查图中生成的安全问题进行测试。该基准利用Azure租户中的SQL环境和Microsoft Sentinel日志构建威胁调查图,并生成问题以评估LLM代理的能力。
2026-05-01 cs.AI cs.CL cs.CR
The Space of Adversarial Strategies
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出系统方法刻画最坏情况对抗者,通过分解攻击组件构建576种攻击并引入理论上界攻击PEA,发现攻击性能高度依赖领域、模型鲁棒性和威胁模型,建议未来安全研究应结合上下文并探索更多未知攻击。
2023-09-06 cs.CR cs.LG
A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning
Department of CSE, BRAC University(BRAC大学计算机科学与工程系)
提出一种结合孪生网络异常关联与PPO强化学习自适应防御的零日入侵检测系统,在物联网基准数据集上实现99.07%未知攻击检测准确率和93.94%零日检测率。
2026-09-23 cs.CR
Talk is (Not) Cheap: A Taxonomy and Benchmark Coverage Audit for LLM Attacks
Palo Alto Networks(帕洛阿尔托网络)
提出一个基于STRIDE的4×6目标×技术矩阵框架,用于审计LLM攻击基准的集体覆盖,发现现有基准仅覆盖最多25%的威胁面,且存在命名碎片化和评估空白。
2026-06-03 cs.CL cs.CR
Towards a Multi-Layer Defence Framework for Securing Near-Real-Time Operations in Open RAN
University of Surrey(萨里大学);Queen’s University Belfast(贝尔法斯特女王大学);Abu Dhabi University(阿布扎比大学)
本文提出一种多层防御框架,用于增强开放RAN中近实时控制操作的安全性,通过三种级别的威胁检测与缓解机制,实现低开销的运行时安全保护。
2026-01-03 cs.CR cs.NI cs.SY
ICSrange: A Simulation-based Cyber Range Platform for Industrial Control Systems
工业控制系统(ICS)的维护人员通常不了解信息技术,更不了解网络安全问题。网络攻击在工业世界中的可怕影响需要工具来训练防御技能和测试有效的安全措施。网络范围提供了这一机会,但目前的研究缺乏针对工业领域的垂直化成本效益解决方案。这项工作提出了ICSrange,一个基于仿真的工业控制系统的网络范围平台。ICSrange采用商用现货(COTS)技术来虚拟化连接到工业控制系统的企业网。ICSrange是一项初步研究的结果,旨在调查挑战和机遇,以建立一个可配置和可扩展的网络范围与模拟工业过程。文献表明,基于真实模型的测试平台可以有效地用于开发复杂的漏洞,如高级持续性威胁(APT),从而激发它们在ICS中用于训练和测试安全性。我们证明了ICSrange的有效性,通过执行一个多阶段的攻击,违反了企业网和逐步入侵模拟ICS与水箱。攻击模仿横向运动中观察到的APT。
2019-09-04 cs.CR cs.SY eess.SY
LMDG: Advancing Lateral Movement Detection Through High-Fidelity Dataset Generation
提出LMDG框架,通过自动化良性活动生成、多阶段攻击执行和进程树标注技术,生成高保真横向移动数据集,支持细粒度攻击标注,提升检测模型评估效果。
2025-08-04 cs.CR
PDFInspect: A Unified Feature Extraction Framework for Malicious Document Detection
Indian Institute of Technology Indore(印度理工学院印度尔)
PDFInspect提出了一种统一的特征提取框架,通过整合图结构、元数据和时间信息,生成高维特征向量以检测恶意PDF文档。
2026-01-19 cs.CR cs.LG
Graph Backdoor
Pennsylvania State University(宾夕法尼亚州立大学);Zhejiang University(浙江大学)
深度神经网络(DNN)的一个有趣特性是它们固有的后门攻击脆弱性-特洛伊木马模型以高度可预测的方式响应嵌入式输入,同时正常运行。尽管先前针对连续数据的DNN的工作过多(例如,图像),用于离散结构数据的图神经网络(GNN)的脆弱性(例如,图)在很大程度上是未开发的,鉴于它们在安全敏感领域中的使用越来越多,这是非常令人担忧的。为了弥合这一差距,我们提出了GTA,第一个对GNN的后门攻击。与以前的工作相比,GTA在重要方面有所不同:面向图-它将触发器定义为特定的子图,包括拓扑结构和描述性特征,为对手提供了很大的设计范围;输入量身定制-它动态地使触发器适应各个图,从而优化攻击效果和规避能力;下游模型不可知的--它可以在不了解下游模型或微调策略的情况下容易地启动;以及攻击可扩展的--它可以被实例化用于两个转换(例如,节点分类)和归纳(例如,图分类)任务,对一系列安全关键应用构成严重威胁。通过使用基准数据集和最先进的模型进行广泛的评估,我们证明了GTA的有效性。我们进一步提供分析的理由,其有效性和讨论潜在的对策,指出几个有前途的研究方向。
2021-08-10 cs.CR cs.LG stat.ML
KG-DF: A Black-box Defense Framework against Jailbreak Attacks Based on Knowledge Graphs
针对大型语言模型面临的越狱攻击及现有防御方法难以平衡通用性与安全性的问题,提出知识图谱防御框架KG-DF,通过语义解析模块提升匹配相关性,增强防御性能并改善一般问答场景响应质量。
2025-11-09 cs.AI cs.CR
TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation
Zhongguancun Laboratory(中关村实验室);Tsinghua University(清华大学)
针对现有网络流量分析方法泛化能力有限、LLM在该领域应用受限的问题,提出双阶段微调框架TrafficLLM,在多场景多流量类型上检测和生成性能显著提升,未见流量泛化性强且易扩展。
2025-04-15 cs.AI cs.CR cs.LG
CyberRAG: An Agentic RAG cyber attack classification and reporting tool
University of Calabria(卡利博里大学);IMT School for Advanced Studies(IMT高级研究学院)
CyberRAG是一种基于代理的RAG框架,通过模块化设计实现网络攻击的实时分类、解释和结构化报告,提高检测准确性和可解释性。
2025-09-10 cs.AI cs.CR cs.SE