The Adversarial Discount -- AI, Signal Correlation, and the Cybersecurity Arms Race
本文研究了对抗投资的竞赛模型，探讨了攻击者和防御者在多个攻击面中分配资源给AI增强能力的过程，分析了信号相关性对军备竞赛比例的影响，并指出信息聚合可能超越私人能力投资。
2026-05-15 cs.CR cs.GT econ.TH
Learning About Simulated Adversaries from Human Defenders using Interactive Cyber-Defense Games
本文提出使用对抗算法和交互式网络防御游戏（IDG）研究防御者学习策略，发现参与者能学会预判Beeline对手并增加主动防御，为加速网络安全分析师训练提供了启示。
2023-04-03 cs.CR cs.HC
Adaptive Attacker Strategy Development Against Moving Target Cyber Defenses
一个战略制定模型被用来研究自适应攻击者如何学习克服移动目标网络防御。攻击者-防御者的交互被建模为一个游戏，其中防御者部署一个临时的平台迁移防御。针对这种防御，攻击者群体开发了指定资源投资的时间顺序的策略，这些策略使目标零日漏洞得以存在。攻击者响应两个防御者的时间平台迁移调度策略进行了检查。在第一防御者调度策略中，防御者从可用平台池中均匀随机地选择每场比赛中的活动平台。在第二种策略中，防御者安排每个连续的平台，以最大限度地提高提交给攻击者的源代码的多样性。自适应攻击者响应策略是由有限状态机（FSM）结构建模的，该结构在模拟对抗防御者策略的过程中通过进化算法进化。它表明，攻击者学会了大量投资于利用创建的平台与其他平台的相似性最小时，面对多样性防御，同时避免投资于利用这个最不相似的平台时，面对随机化防御。此外，它表明，多样性最大化的防御是优越的较短的持续时间的攻击者-防御者的参与，但在扩展的攻击者-防御者的互动次优。
2014-07-31 cs.CR cs.GT
Defensive Refusal Bias: How Safety Alignment Fails Cyber Defenders
研究发现LLMs在防御性网络安全任务中因语义相似性错误拒绝协助，影响安全防御能力。
2026-03-11 cs.AI cs.CR
SECAdvisor: a Tool for Cybersecurity Planning using Economic Models
University of Zurich（苏黎世大学）
本文提出SECAdvisor工具，通过经济模型帮助企业优化网络安全投资，评估风险，提供预算内保护方案，并比较不同防护方案的成本效益。
2023-04-16 cs.CR cs.CY
Towards Type Agnostic Cyber Defense Agents
Drexel University（德雷塞尔大学）
针对网络安全人才短缺问题，本文从贝叶斯博弈视角刻画攻防双方类型，并利用强化学习实证研究如何训练能抵御多类攻击者的类型无关防御智能体。
2024-12-02 cs.AI cs.CR cs.GT
Decoys in Cybersecurity: An Exploratory Study to Test the Effectiveness of 2-sided Deception
广泛使用的网络欺骗技术之一是诱骗，其中防御者创建虚拟机器（即，蜜罐）来引诱攻击者。部署蜜罐是为了吸引攻击者，但它们的有效性取决于它们的配置，因为这会影响攻击者是否会将它们判断为“真正的”机器。在这项工作中，我们研究双边欺骗，在那里我们操纵观察到的配置蜜罐和真实的机器。这个想法是通过让蜜罐“看起来像”真正的机器或让真正的机器“看起来像蜜罐”来改善网络防御。“我们识别真实机器和蜜罐的可修改功能，并在不同程度上隐藏这些功能。在实验中，我们研究了三种情况：蜜罐和真实机器上的默认功能，隐藏蜜罐，隐藏蜜罐和真实机器。我们使用一个有40台机器的网络，其中20台是蜜罐。我们操纵的机器的功能，并使用实验测试平台（HackIT），我们测试的有效性的诱骗策略对人类攻击者。结果表明：两种欺骗形式（隐藏蜜罐和隐藏蜜罐和真实机器）中的任何一种都比完全不欺骗要好。我们观察到，攻击者尝试更多的利用蜜罐和渗出更多的数据从蜜罐在两种形式的欺骗条件。然而，在欺骗条件下，对蜜罐和数据泄漏的攻击并没有什么不同。研究结果告诉网络安全防御者如何操纵蜜罐和真实机器的可观察特征，为攻击者创造不确定性并改善网络防御。
2021-08-25 cs.CR
Simulation of Attacker Defender Interaction in a Noisy Security Game
Drexel University（德雷塞尔大学）
在网络安全环境中，维护者往往受其检测技术的支配，并受制于个别分析人员所掌握的信息和经验。为了给防御者一个优势，重要的是要了解攻击者的动机和他们可能的下一个最佳行动。作为对这种行为建模的第一步，我们引入了一个安全游戏框架，该框架模拟了在嘈杂环境中攻击者和防御者之间的相互作用，重点关注在具有完全知识和可观察性的游戏变体中驱动攻击者和防御者做出决策的因素，知道参数但没有状态的可观察性（“部分知识”）和零知识或可观察性（“零知识”）。我们证明了对攻击者做出正确假设的重要性，因为结果存在显着差异。此外，在攻击者结果方面，假阳性和真阳性之间存在可测量的权衡，这表明在真阳性也较高的条件下，更容易出现假阳性的环境可能是可接受的。
2022-12-08 cs.AI cs.CR cs.GT
Optimizing Preventive and Reactive Defense Resource Allocation with Uncertain Sensor Signals
本文研究不确定传感器信号下防御者在预防性与反应性防御间的资源分配问题，发现传感器质量提高会增加预防性投资并减少反应性投资，且在攻击成功率低时防御性能提升最大。
2025-09-14 cs.CR cs.GT cs.SY
A Game-Theoretic Taxonomy and Survey of Defensive Deception for Cybersecurity and Privacy
对数据库和关键基础设施的网络攻击威胁到公共和私营部门。无处不在的跟踪和可穿戴计算侵犯了隐私。倡导者和工程师最近提出使用防御性欺骗作为一种手段，利用攻击者通常享有的信息不对称作为防御者的工具。然而，欺骗一词的使用范围很广，含义也多种多样。在本文中，我们调查了2008-2018年的24篇文章，这些文章使用博弈论来模拟网络安全和隐私的防御性欺骗。然后，我们提出了一个分类法，定义了六种类型的欺骗：扰动，移动目标防御，混淆，混合，蜂蜜-X和攻击者的参与。这些类型由它们的信息结构、代理人、行动和持续时间来描述：这些正是博弈论所捕捉的概念。我们的目标是严格定义类型的防御性欺骗，捕捉快照的文献状态，提供一个菜单的模型，可用于应用研究，并确定有前途的领域，为未来的工作。我们的分类法为理解网络安全和隐私中常见的不同类型的防御性欺骗提供了系统的基础。
2019-05-22 cs.CR
Using Deception in Markov Game to Understand Adversarial Behaviors through a Capture-The-Flag Environment
识别针对系统漏洞的实际对抗性威胁一直是网络安全研究的一个长期挑战。为了确定防御者的最优策略，基于博弈论的决策模型已被广泛用于模拟现实世界的攻击者-防御者场景，同时考虑防御者的约束。在这项工作中，我们专注于了解人类攻击者的行为，以优化防御者的策略。为了实现这一目标，我们的攻击者和防御者的参与马尔可夫博弈模型和搜索贝叶斯Stackelberg均衡。我们验证我们的建模方法，并报告我们的实证研究结果，使用捕获的旗帜（CTF）设置，我们进行用户研究的对手具有不同的技能水平。我们的研究表明，应用程序级欺骗是针对目标攻击的最佳缓解策略-优于经典的网络防御策略，例如修补或阻止网络请求。我们使用这个结果来进一步假设攻击者的行为时，被困在一个嵌入式蜜罐环境，并提出了一个详细的分析。
2022-11-09 cs.CR cs.GT
PsybORG+: Modeling and Simulation for Detecting Cognitive Biases in Advanced Persistent Threats
针对传统措施难以防御的高级持续性威胁，本研究提出多智能体仿真环境PsybORG⁺，可建模受认知漏洞影响的APT行为，配套的认知漏洞分类模型预测准确率不低于0.83，为利用攻击者认知偏差防御APT提供支撑。
2024-08-13 cs.CR
Cybersecurity through Entropy Injection: A Paradigm Shift from Reactive Defense to Proactive Uncertainty
本文提出熵注入网络安全范式，通过向安全机制注入随机性提升不可预测性，分析其理论基础、实际实现（如ASLR、MTD）及挑战，结果显示能显著降低攻击概率（超90%），实现从被动防御到主动不确定性管理的转变。
2025-04-15 cs.CR
General Autonomous Cybersecurity Defense: Learning Robust Policies for Dynamic Topologies and Diverse Attackers
Cranfield University（克兰菲尔德大学）
针对现有自主网络安全防御系统在动态网络拓扑下泛化能力不足的问题，提出通用自主网络安全防御（GACD），探索使代理在动态网络环境中学习可泛化鲁棒策略的方法。
2025-06-28 cs.AI cs.CR cs.CV
Contagion Effects of Heterogeneous Cyber Risk on Network Security and Systemic Stability
University of Bologna（博洛尼亚大学）；TIFPA-INFN（INFN特伦托前沿物理与技术研究所）
本文提出了一种结合战略行为与传染动态的网络安全管理框架，通过分析异质风险特征和传染路径，优化网络安全资源分配并提升系统韧性。
2026-10-06 cs.CR cs.GT cs.SI
BountyBench: Dollar Impact of AI Agent Attackers and Defenders on Real-World Cybersecurity Systems
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
BountyBench通过评估AI代理在漏洞检测、利用和修补中的表现，揭示AI在网络安全中的影响。
2025-12-02 cs.AI cs.CL cs.CR
BASCPS: How does behavioral decision making impact the security of cyber-physical systems?
我们研究了由多个相互依赖的子系统组成的大规模网络物理系统（CPS）的安全性，每个子系统由不同的防御者管理。防御者投入安全预算的目的是阻止网络攻击蔓延到其关键资产。我们将防御者的安全投资决策建模为安全博弈。虽然以前的工作已经使用安全游戏来分析这样的情况下，我们提出了行为安全游戏，其中后卫表现出的人类决策的特征，已被确定为在行为经济学代表典型的人类认知偏见。这一点很重要，因为我们目标系统中的许多关键安全决策都是由人类做出的。我们通过一个受控受试者实验为我们的行为模型提供了经验证据。然后，我们表明，行为决策导致一个次优的模式相比，非行为决策的资源分配。我们说明了行为决策的影响，使用两个代表性的现实世界中相互依赖的CPS。特别是，我们确定了防御者的安全预算的可用性和分布，防御者之间的相互依赖程度，以及协作防御策略，由于行为决策的安全结果的次优程度的影响。在这种情况下，行为决策的不利影响是最严重的适度的国防预算。此外，行为次优决策的影响被放大的程度属于不同的防御者的子网络之间的相互依赖性的增加。我们还观察到，自私的防御决策与行为决策一起显着增加安全风险。
2020-04-07 cs.CR cs.GT
When to Reset Your Keys: Optimal Timing of Security Updates via Learning
Tulane University（杜兰大学）；The Ohio State University（俄亥俄州立大学）；University of California, Davis（加利福尼亚大学戴维斯分校）
网络安全日益受到高级和持续攻击的威胁。由于这些攻击通常被设计为禁用系统（或关键资源，例如，用户帐户），因此，防御者必须不断更新其安全措施，以在被入侵的风险和安全更新的成本之间取得平衡。此外，由于高级攻击的隐蔽性，这些决策通常需要在有限和延迟的反馈下做出。除了有针对性的攻击，这种不完全信息下的最优时机策略在网络安全中有广泛的应用。示例包括密钥轮换、密码更改、补丁应用和虚拟机刷新。然而，对最佳时机的严格研究很少。此外，现有的解决方案通常依赖于防御者已知的预定义攻击模型，这在实践中通常不是这种情况。在这项工作中，我们初步努力在面临未知的隐形攻击时实现安全更新的最佳时机。我们考虑一个具有非对称反馈和未知攻击时间分布的有影响力的FlipIt博弈模型的变体，它为连续的安全更新提供了一个通用模型。防御者的问题，然后建模为一个依赖武器的时间关联的强盗问题。我们推导出基于置信上限的学习策略，实现低遗憾相比，只有当攻击时间分布是已知的最佳周期性防御策略，可以得出。
2016-12-02 cs.AI cs.CR cs.LG
Evaluating Attacker Risk Behavior in an Internet of Things Ecosystem
Drexel University（德雷塞尔大学）
在网络安全领域，攻击者的范围从傲慢、简单的脚本小子和网络犯罪分子到隐秘、耐心的高级持续威胁。在对这些攻击者进行建模时，我们可以观察到他们表现出不同的风险寻求和风险规避行为。这项工作探讨了攻击者的风险寻求或风险规避行为如何影响他们对物联网生态系统中检测优化防御者的操作。使用一个评估框架，它使用真正的，参数化的恶意软件，我们开发了一个游戏，是由一个防御者对攻击者与一套恶意软件，是参数化的更具侵略性和更隐蔽。根据他们接受风险的意愿，在指数效用框架下评估这些结果。我们发现，对一个防御者谁必须选择一个单一的战略前面，寻求风险的攻击者获得更多的实际效用比风险厌恶的攻击者，特别是在情况下，防御者是更好的装备比两个攻击者预期。此外，我们还从经验上证实，高风险、高回报的场景对网络犯罪分子等寻求风险的攻击者更有利，而低风险、低回报的场景对高级持续性威胁等规避风险的攻击者更有利。
2021-09-23 cs.CR cs.GT cs.LG
Dynamic Cyber Ranges
Alias Robotics；University of Naples Federico II（那不勒斯费德里科二世大学）；CYBER RANGES（网络靶场）
本文提出动态网络攻防范围，通过LLM驱动的防御代理提升网络安全评估效果，减少攻击成功率，展现其在不同配置下的防护能力。
2026-04-27 cs.CR
A Complexity-Informed Approach to Optimise Cyber Defences
本文提出一种基于复杂度理论的网络安全防御优化方法，通过定量框架降低防御复杂度、识别改进点并解决瓶颈，以提升整体防御效率与有效性。
2025-01-26 cs.CR
A Content-Based Framework for Cybersecurity Refusal Decisions in Large Language Models
University of Zurich（苏黎世大学）；Irregular
本文提出基于内容的网络安全拒绝决策框架，通过显式建模进攻风险与防御效益的权衡，解决现有方法在一致性、过度限制和脆弱性方面的不足。
2026-02-18 cs.AI cs.CL cs.CR
Attack-Defense Trees with Offensive and Defensive Attributes (with Appendix)
针对现有攻击防御树（ADTs）仅从攻击者角度分析指标的局限，提出纳入防御指标的框架，通过半环编码、自底向上及二元决策图方法计算帕累托前沿，实验证明能有效处理数百节点的ADTs。
2025-04-17 cs.CR cs.GT
Uplifted Attackers, Human Defenders: The Cyber Offense-Defense Balance for Trailing-Edge Organizations
Harvard Law School（哈佛法学院）
本文提出“落后型组织”概念，分析AI进步将改变网络攻击经济性并使攻击者更早开发漏洞利用程序，从而加剧这类企业的安全风险，并为组织和政府提出改善防御态势的解决方案。
2025-08-14 cs.AI cs.CR
Morshed: Guiding Behavioral Decision-Makers towards Better Security Investment in Interdependent Systems
Purdue University（普渡大学）；Ohio State University（俄亥俄州立大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
我们模拟人类决策的行为偏差，以确保相互依赖的系统，并表明这种行为决策导致一个次优的模式相比，非行为（理性）决策的资源分配。我们通过一项有145名参与者的对照研究，为这种行为偏差模型的存在提供了经验证据。然后，我们提出了三种学习技术，以提高决策在多轮设置。我们通过多个相互依赖的现实世界系统说明了我们的决策模型的好处，并量化了与防御者行为的情况相比的收益水平。我们还展示了我们的学习技术对不同攻击模型的好处。我们确定了不同的系统参数的安全结果，由于行为决策的次优程度的影响。
2020-11-22 cs.AI cs.CR cs.GT
Learning to Defend by Attacking (and Vice-Versa): Transfer of Learning in Cybersecurity Games
Carnegie Mellon University（卡内基梅隆大学）；Social and Decision Sciences Department（社会与决策科学系）；dept. Social and Decision Sciences（社会与决策科学系）；dept. Software and Societal Systems（软件与社会系统系）
提出融合基于实例学习、心智理论与学习迁移的攻防双角色决策模型，以预测对手并提升网络防御效果。
2023-06-03 cs.AI cs.CR cs.LG
Optimizing Cyber Defense in Dynamic Active Directories through Reinforcement Learning
Cyber Security Cooperative Research Centre（网络安全合作研究中心）；University of Adelaide（阿德莱德大学）
本文针对动态活动目录网络防御问题，提出基于 Stackelberg 博弈和强化学习的攻击者-防御者协同训练框架，并设计 RL 训练加速器以提升大规模 AD 图上的防御加固效果与可扩展性。
2024-06-28 cs.AI cs.CR cs.LG
Mitigate or Fail: How Risk Management Shapes Cybersecurity Competency
Golden Gate University（金门大学）
研究探讨了网络安全专业能力中风险管理和威胁管理的结构性矛盾，发现培训暴露直接影响风险管理能力，但专业构念压缩为单一因素，且网络安全从业者在基础风险推理上无显著优势。
2026-04-23 cs.CR cs.CY econ.GN
Passive Hack-Back Strategies for Cyber Attribution: Covert Vectors in Denied Environment
本文探讨在拒止环境中利用跟踪信标、蜜标、供应链陷阱及AI和量子技术实现被动网络归因与情报收集，并倡导结合延迟主动响应的混合防御框架。
2025-08-17 cs.CR
Beyond Best Response: Quantal Stackelberg Deception as Insurance Against Attacker Misspecification
University of Texas at El Paso（埃尔帕索德克萨斯大学）；Yokogawa Corporation of America（横河电机美国公司）；DEVCOM Army Research Laboratory（美陆军研究开发中心）
本文提出量化斯塔克尔伯格均衡（QSE）作为防御者模型误设的保险，在网络安全案例研究中，其防御者效用较斯塔克尔伯格解提升46%-175%，展现出显著优势。
2026-08-11 cs.CR
Markov Decision Process to Enforce Moving Target Defence Policies
Texas Tech University（德克萨斯理工大学）
本文提出基于控制理论的方法，利用马尔可夫决策过程建模、分析和选择移动目标防御策略中的最优安全策略，通过案例研究评估模型性能。
2019-05-22 cs.CR cs.SY eess.SY
Principled Data-Driven Decision Support for Cyber-Forensic Investigations
University of Houston（休斯顿大学）；University of Greenwich（格林威治大学）；Pennsylvania State University（宾夕法尼亚州立大学）
在网络安全事件发生后，必须及时发现威胁行为者如何破坏安全，以评估事件的影响，并制定和部署可以防止进一步攻击的对策。为此，防御者可以发起网络取证调查，发现威胁行为者在事件中使用的技术。这种调查的一个根本性挑战是确定调查特定技术的优先次序，因为调查每一种技术都需要时间和精力，但法医分析师在调查之前无法知道实际使用了哪些技术。为了确保及时发现，必须提供决策支持，以帮助法医分析师进行这种优先级排序。最近的一项研究表明，基于先前事件数据集的数据驱动决策支持可以提供最先进的优先级排序。然而，这种数据驱动的方法，称为DISCLOSE，是基于启发式的，它只利用了可用信息的一个子集，并没有近似的最佳决策。为了改进这种启发式，我们引入了一种原则性的方法，用于网络取证调查的数据驱动决策支持。我们制定的决策支持问题，使用马尔可夫决策过程，其状态代表的状态的法医调查。为了解决决策问题，我们提出了一个基于蒙特卡罗树搜索的方法，它依赖于一个k-NN回归在以前的事件来估计状态转移概率。我们在多个版本的MITRE ATT&CK数据集上评估了我们提出的方法，MITRE ATT&CK数据集是基于现实世界网络事件的对抗技术和战术的知识库，并证明我们的方法在每次努力发现的技术方面优于DISCLOSE。
2023-03-03 cs.AI cs.CR
