Living Off the LLM: How LLMs Will Change Adversary Tactics
Oak Ridge National Laboratory（橡树岭国家实验室）
本文探讨了未来设备端LLM被威胁行为者整合进“就地取材”攻击流程而引发的安全隐患，并提出了安全社区可采取的缓解措施。
2025-10-13 cs.AI cs.CR
Critical Analysis and Countermeasures Tactics, Techniques and Procedures (TTPs) that targeting civilians: A case study On Pegasus
本文以恶意软件Pegasus为研究对象，分析其针对记者等群体的攻击模式与影响，提出网络安全政策优化方向及企业防护策略，揭示其对公民权利与关键基础设施的威胁。
2023-10-01 cs.CR
TREC: APT Tactic / Technique Recognition via Few-Shot Provenance Subgraph Learning
College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
针对现有基于规则的APT战术/技术识别方法粒度粗、泛化性差的问题，本文提出TREC框架，通过恶意节点检测与子图采样结合孪生神经网络小样本学习，实现溯源图上的APT战术与技术识别，性能优于现有最优系统。
2024-09-11 cs.CR cs.LG
Current Challenges of Cyber Threat and Vulnerability Identification Using Public Enumerations
识别网络威胁是安全团队的基本任务之一。目前，可以使用组织成各种格式、枚举和知识库的知识来识别网络威胁。本文研究了当前使用资产枚举和数据识别网络空间中的漏洞和威胁的挑战。虽然枚举在实践中使用，我们指出了几个问题，仍然降低了脆弱性和威胁识别的质量。由于漏洞识别方法是基于网络监控和代理的，因此问题与资产发现、漏洞发现的精度和数据量有关。另一方面，威胁识别利用基于图的、自然语言的、机器学习的和本体论的方法。目前的趋势是提出利用战术，技术和程序而不是低级别的妥协指标的方法，使网络威胁识别更加成熟。通过分析公共枚举和知识库之间的关系，来自威胁、漏洞和资产管理的标准之间的合作也是一个未解决的问题。最后，我们研究了MITRE ATT&CK知识库中使用网络监控捕获数据进行威胁建模的技术的可用性。虽然网络流量不是最常用的数据源，但它允许对MITRE ATT&CK的几乎所有战术进行建模。
2022-06-29 cs.CR
RHINO: Guided Reasoning for Mapping Network Logs to Adversarial Tactics and Techniques with Large Language Models
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机学院）
RHINO框架通过行为抽象、多角色协作推理和验证三阶段引导式推理，利用大语言模型将网络日志映射到MITRE ATT&CK战术与技术，在三个基准上实现86.38%-88.45%准确率，显著提升威胁分析的可解释性与可扩展性。
2026-10-28 cs.CR
CVE-TTP KG: Knowledge Graph Linking Software Vulnerabilities to Attack Behaviors
Central University of Rajasthan（拉贾斯坦中央大学）；Christ College of Engineering (Autonomous)（基督工程学院（自治））；Swami Keshvanand Institute of Technology, Management & Gramothan（斯瓦米·凯什瓦南德技术、管理与格拉莫坦学院）；University of Pavia（帕维亚大学）；Cochin University of Science and Technology（科钦科技大学）
构建CVE-TTP知识图谱，通过分类和关系抽取将CVE与MITRE ATT&CK战术技术关联，使用Transformer模型实现行为识别，F1分数达87.71%（技术）和96.16%（战术），并创建标注数据集。
2026-07-07 cs.AI cs.CR
Towards Proactive Defense Against Cyber Cognitive Attacks
本文提出一种预测颠覆性创新及其恶意用途的新方法，以应对网络认知攻击，并制定主动防御策略。
2025-10-17 cs.CR cs.CY cs.HC
Characterizing Cyber Attacks against Space Infrastructures with Missing Data: Framework and Case Study
Laboratory for Cybersecurity Dynamics, Department of Computer Science, University of Colorado Colorado Springs（科罗拉多大学斯普林斯分校计算机系网络安全动力学实验室）
本文提出框架和方法，用于表征针对航天基础设施的网络攻击，通过外推缺失数据重建攻击链，揭示攻击复杂性及防护效果。
2025-12-02 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 Identification Attacks on Web Browsing
我们介绍了一种语义识别攻击，其中对手使用语义信号的网页访问在一个浏览会话中，以确定其他浏览会话发起的同一用户。此攻击允许攻击者确定两个浏览会话是否来自同一用户，而不管用户是否采取任何措施来伪装其浏览器或网络。我们使用MSNBC匿名浏览数据集，其中包含大量的用户访问（按类别标记）来实现这样的攻击，并表明即使是非常粗糙的语义信息也足以识别用户。我们讨论了用户可以采取的潜在对策来防御这种攻击。
2016-10-28 cs.CR
Deep Learning-Based Speech and Vision Synthesis to Improve Phishing Attack Detection through a Multi-layer Adaptive Framework
The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
针对复杂网络钓鱼攻击难以检测的问题，提出结合深度学习、Randon Forest 与 NLP 的多层自适应框架，通过图像读取和 deep-fake 视频语音合成提升检测性能。
2024-02-27 cs.AI cs.CR cs.CV
An Effective Attack Scenario Construction Model based on Attack Steps and Stages Identification
网络入侵检测系统（NIDS）是一种检测入侵者攻击的网络安全技术。然而，它产生了大量的低级别警报，这使得分析困难，特别是构建攻击场景。通过警报关联（AC）构建攻击场景（ASC）对于揭示攻击策略的步骤和阶段非常重要，这些步骤和阶段需要启动以使攻击成功。在大多数现有的作品，警报相关的分类的基础上的因果关系的警报。然而，这些作品的缺点是由于原始警报的渗透而导致的错误和不完整的相关性的识别。为了解决这个问题，这项工作提出了一个有效的ASC模型来发现警报之间的完整关系。该模型使用DARPA 2000和ISCX 2012两种数据集进行了成功的实验。该模型的完整性和可靠性的测量，以评估整体的相关性的有效性。
2021-10-16 cs.CR
Temporal Analysis Framework for Intrusion Detection Systems: A Novel Taxonomy for Time-Aware Cybersecurity
Universidad Nacional de Cuyo（门多萨国立大学）
本文提出时间感知网络入侵检测的分类框架，通过综述40多项研究揭示流间序列与时间窗口方法覆盖MITRE ATT&CK全阶段，并指出数据集偏重后期攻击的问题，为主动防御奠定基础。
2025-11-05 cs.CR
Adversarial Binaries for Authorship Identification
二进制代码作者身份识别确定二进制程序的作者。现有技术已经将有监督的机器学习用于该任务。在本文中，我们从攻击者的角度来看这个问题。我们的目标是修改一个测试二进制文件，这样它不仅会导致预测错误，而且还保持了原始输入二进制文件的功能。对二进制代码的攻击本质上比对计算机视觉等领域的攻击更困难，在这些领域，攻击者可以独立地改变输入图像的每个像素，并且仍然保持有效的图像。对于二进制代码，即使翻转二进制的一位也可能导致二进制无效，在运行时崩溃，或丢失原始功能。我们调查了两种类型的攻击：无针对性的攻击，造成错误预测的任何不正确的作者，和有针对性的攻击，造成错误预测的一个特定的不正确的作者。我们开发了两个关键的攻击能力：特征向量修改，生成一个对抗性特征向量，它既对应于一个真实的二进制文件，又会导致所需的误预测，以及输入二进制修改，修改输入二进制文件以匹配对抗性特征向量，同时保持输入二进制文件的功能。我们评估了我们对使用最先进的作者归属方法训练的分类器的攻击。作者身份识别的分类器具有91%的平均准确率。我们的无针对性攻击平均成功率为96%，这表明我们可以有效地抑制作者身份信号。我们有针对性的攻击平均有46%的成功率，这表明模仿特定程序员的风格是可能的，但要困难得多。我们的攻击表明，现有的二进制代码作者身份识别技术依赖于代码的功能，很容易修改，因此容易受到攻击。
2018-11-07 cs.CR
EmoBack: Backdoor Attacks Against Speaker Identification Using Emotional Prosody
本文首次提出EmoBack后门攻击，利用说话人情感韵律作为动态隐蔽触发器攻击说话人识别DNN，并通过剪枝等防御实验表明可将攻击成功率降低最多40%。
2024-09-17 cs.CR
Constructing Multi-label Hierarchical Classification Models for MITRE ATT&CK Text Tagging
JPMorganChase（摩根大通）
本文提出了一种基于经典机器学习的多标签分层分类模型，用于MITRE ATT&CK文本标记，实现了94%的战术层面准确率和82%的技术层面准确率，且无需依赖LLM等复杂方法。
2026-01-21 cs.CR cs.LG
Identification and Verification of Attack-Tree Threat Models in Connected Vehicles
随着网络物理组件在汽车行业的应用越来越多，网络安全已成为一个紧迫的话题。在联网车辆中采用以太网和WiFi等技术和通信协议会产生许多攻击场景。因此，ISO/SAE 21434和UN R155（2021）定义了汽车网络安全的标准和监管框架。这两份文件都采用了基于风险管理的方法，并要求采用威胁建模方法进行风险分析和识别。这种威胁建模方法必须符合ISO/SAE 21434的威胁分析和风险评估（TARA）框架。相反，现有的威胁建模方法列举孤立的威胁，而不考虑车辆的设计和连接。因此，他们忽视了从车辆接口到其资产的攻击路径的作用。换句话说，他们缺少TARA工作产品，例如，攻击路径危及资产或可行性和影响评级。我们提出了一种威胁建模方法，通过识别，排序和连接漏洞从一个有效的攻击面的资产来构建攻击路径。最初，我们将网络安全指南转化为攻击树，然后我们使用它们的正式解释来评估车辆的设计。该工作流产生攻击路径的组合构造以及所需的TARA工作产品（例如，攻击路径、可行性和影响）。更重要的是，我们可以在联网车辆的背景下迭代地应用工作流程，以确保设计符合性、隐私和网络安全。最后，为了展示汽车行业中先发制人的威胁识别和风险分析的复杂性和重要性，我们在互联车辆测试平台SPIDER中评估了所提出的基于模型的方法。
2022-12-29 cs.CR
Explainable but Vulnerable: Adversarial Attacks on XAI Explanation in Cybersecurity Applications
Department of Computer Science（计算机科学系）；Tennessee Tech University（田纳西科技大学）
该研究针对网络安全场景下的XAI解释易受对抗攻击的问题，分析三类攻击策略及六种针对SHAP、LIME、IG等事后解释方法的攻击流程，验证了攻击有效性，呼吁提升XAI方法鲁棒性。
2025-10-04 cs.AI cs.CR
Beyond Trolling: Malware-Induced Misperception Attacks on Polarized Facebook Discourse
社交媒体拖钓是一种强有力的策略，可以在具有高度道德成分的问题上操纵公众舆论。正如过去所证明的那样，巨魔农场在2016年美国总统大选期间创造了捏造的内容，以煽动或沉默人们在社交媒体上分享他们的观点。在本文中，我们介绍了一种通过操纵用户如何感知真实内容来激发或沉默社交媒体话语的替代方法。这种操纵是由中间人恶意软件执行的，该恶意软件秘密地重新排列真实社交媒体帖子和评论的语言内容。我们将这种攻击称为恶意软件诱导的误解（MIM），因为其目标是通过诱导感知来在社交媒体上社会性地设计沉默的螺旋条件。我们在受控环境（N = 311）中进行了实验测试，其中恶意软件秘密地改变了Facebook上关于大学校园政治言论自由的帖子中的选定单词。实证结果（1）证实了先前关于社交媒体上存在沉默螺旋效应的研究结果;（2）表明诱导误解是一种有效的策略，可以让Facebook上的目标用户沉默或激发他们对两极分化的政治问题发表意见。
2020-02-10 cs.CR cs.CY cs.HC
A Note on the Misinterpretation of the US Census Re-identification Attack
2018年，美国人口普查局设计了一种新的数据重建和重新识别攻击，并针对2010年发布的数据进行了测试。该局执行的特定攻击允许攻击者推断出受访者的种族和民族，对85%的受访者来说，平均精度为75%，假设攻击者知道受访者的正确年龄，性别和地址。他们将这次攻击解释为超出了该局的隐私标准，因此以自顶向下算法（TDA）的形式为2020年人口普查引入了更强的隐私保护。本文表明，种族和民族可以推断出从TDA保护的人口普查数据具有更好的精度和召回，使用较少的先验知识：只有受访者的地址。对于98%的受访者，可以以平均75%的精度推断出种族和民族，对于11%的受访者，可以以100%的精度推断出种族和民族。推断是通过简单地假设被调查者的种族/族裔是被调查者人口普查区的多数种族/族裔来进行的。从这个简单的演示中得出的结论并不是说该局的数据发布缺乏足够的隐私保护。事实上，数据发布的目的就是为了允许这种推断。问题是，调查局衡量隐私的标准是有缺陷的，而且过于悲观。
2022-09-26 cs.CR
ranDecepter: Real-time Identification and Deterrence of Ransomware Attacks
ranDecepter结合主动网络欺骗与实时分析，通过循环重启恶意软件并发送伪造信息消耗攻击者资源，实现100%准确率的勒索软件识别与威慑。
2025-08-06 cs.CR
Intrusion Detection and identification System Design and Performance Evaluation for Industrial SCADA Networks
在本文中，我们提出了一个研究，提出了一个三阶段的分类器模型，采用机器学习算法开发的入侵检测和识别系统的数十种不同类型的攻击对工业SCADA网络。根据使用天然气管道SCADA网络的实验室原型生成的数据对机器学习分类器进行训练和测试。该数据集由三个攻击组和七个不同的攻击类别或类别组成。同一数据集还提供了与这七种攻击类别相关的35种不同类型的子攻击的签名。该研究需要设计三阶段的机器学习分类器作为误用入侵检测系统，以检测和识别35个攻击子类中的每一个。分类器的第一阶段决定记录是否与正常操作或攻击签名相关联。如果发现该记录属于攻击特征，则在第二阶段中，将其分类为七种攻击类别之一。基于由来自第二级分类器的输出确定的所识别的攻击类别，为第三级子攻击分类提供攻击记录，其中采用七个不同的分类器。来自第三阶段分类器的输出标识记录所属的子攻击类型。仿真结果表明，设计探索专业化领域或执行多个阶段与单阶段设计的分类是有前途的问题，有几十个类。与文献中的研究比较也表明，多级分类器的性能明显更好。
2020-12-17 cs.CR
White-Box Adversarial Attacks on Deep Learning-Based Radio Frequency Fingerprint Identification
本文研究基于深度学习的射频指纹识别安全性，利用FGSM和PGD在LoRa真实数据集上实施白盒非目标与目标对抗攻击，验证其对CNN、LSTM和GRU分类器均有效。
2023-08-14 cs.CR
Compensation of Linear Attacks to Cyber Physical Systems through ARX System Identification
网络物理系统（CPS）被广泛用于当今城市的关键基础设施。这些系统的网络部分通常有一个网络组件，通过它可以发动网络攻击。在本文中，我们首先设计了一个入侵检测系统（IDS）通过识别植物。我们假设CPS的初始运行期是无攻击的，并学习工厂模型。然后，我们将通过标识符找到的预期输出与通过反馈链路找到的真实输出进行比较。任何大于阈值的差异都被认为是异常。为了补偿，一旦IDS标记了循环中的变化，我们就重新启动系统辨识以找到新的传递函数。在估计新的传递函数的基础上，设计了一种新的控制器来保证系统的稳定性。为了验证这一思想，我们以直流电动机为对象，采用ARX标识符。在MATLAB Simulink环境下对提出的入侵检测与补偿框架进行了测试。在实验中，我们将一组欺骗攻击应用于前向信道。实验结果表明，该检测策略能够有效地对异常情况做出及时的反应。此外，他们表明，补偿策略也是有效的，并保持系统在这种攻击下的稳定。
2020-02-13 cs.CR
Preventing Phishing Attacks using One Time Password and User Machine Identification
网络钓鱼是一种网络犯罪分子欺骗受害者窃取其个人和财务数据的攻击类型。它已成为一种有组织的犯罪活动。声称来自合法来源的欺骗性电子邮件是精心制作的，目的是通过将受害者误导到假冒网站来泄露他们的个人财务数据。本文提出了一种新的方法来对抗网络钓鱼攻击。提出了一种方法，其中用户将通过SMS或备用电子邮件地址检索一次性密码。在接收到一次性密码后，Web服务器将为用户的计算机或设备创建加密令牌以进行身份验证。加密令牌将用于识别，任何时候用户希望访问网站，他或她必须请求新密码。顾名思义，一次性密码将在一次性使用后过期。一次性密码和加密令牌是解决这个问题的一个聪明的方法。
2013-05-13 cs.CR
Enhanced Multi-Class DDoS Attack Identification using a Meta-Learning Ensemble
Department of Computer Science, College of Science, San Jose State University（圣何塞州立大学理学院计算机科学系）
研究针对DDoS攻击类型识别问题，提出集成LSTM、KNN、RF模型并由逻辑回归元学习器合成输出的方法，所提模型在多类识别任务中准确率达96%，在SDN环境中也有良好表现，凸显元学习集成对DDoS威胁识别的价值。
2026-07-21 cs.CR
ATTCK-R: Knowledge-Aware Long-Horizon Jailbreaking for Protected LLMs
George Mason University（乔治梅森大学）；Amazon（亚马逊）
针对现有越狱攻击评估无法反映受保护部署场景的问题，提出ATTCK-R框架，将越狱建模为长 horizon 轨迹优化，在9款带提示安全保护的LLM上表现优于现有多轮越狱框架。
2026-10-14 cs.CL cs.CR
Investigation of Advanced Persistent Threats Network-based Tactics, Techniques and Procedures
针对APT攻击数据稀缺、行为复杂导致检测难的问题，本文分析33个跨22年的APT活动，揭示其DNS与HTTP(S)相关规避TTPs及演变，为下一代NIDS提供检测依据。
2025-02-12 cs.CR cs.NI cs.OS
AnnoCTR: A Dataset for Detecting and Linking Entities, Tactics, and Techniques in Cyber Threat Reports
Bosch Center for Artificial Intelligence（博世人工智能中心）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Hochschule der Medien（斯图加特传媒大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Universität Augsburg（奥格斯堡大学）
本研究提出全新细粒度网络威胁报告数据集AnnoCTR，其标注含实体、战术技术等并关联知识库，实验验证了用MITRE ATT&CK概念描述做数据增强可提升少样本下的概念识别效果。
2024-04-11 cs.AI cs.CL cs.CR
Identification and Correction of False Data Injection Attacks against AC State Estimation using Deep Learning
最近的文献提出了各种检测和识别FDIA的方法，但很少有研究集中在一个解决方案，将防止这种攻击的发生。然而，使用深度学习来检测攻击已经取得了很大的进步。受这些进步的启发，我们开发了一种新的方法，不仅用于识别AC FDIA，更重要的是，还用于纠正。我们的方法利用长短期记忆去噪自动编码器（LSTM-DAE），以正确的攻击估计状态的基础上攻击的测量。利用IEEE 30系统对该方法进行了验证，实验结果表明，该方法能够成功地识别出系统中的损坏状态，并以较高的精度进行校正。
2020-08-04 cs.CR eess.SP
AnonTokens: tracing re-identification attacks through decoy records
在向第三方发布数据时，隐私是最受关注的问题。数据所有者依靠匿名化方法来保护已发布的数据集免受重新识别攻击。然而，即使有严格的匿名化，重新识别攻击仍然是一种可能性，在许多情况下是一种现实。现有技术集中于提供具有最小信息损失的更好的匿名化算法以及如何防止数据泄露攻击。我们的方法试图解决这个问题的跟踪重新识别攻击的概念的基础上的honeytoken，诱饵或“诱饵”记录的目标是引诱恶意用户。虽然蜜证的概念已被广泛用于安全领域，但这是将该概念应用于数据隐私领域的第一种方法。具有高重新识别风险的记录，称为AnonTokens，被插入到匿名数据集中。这项工作证明了AnonTokens的可行性、可检测性和可用性，并为希望将我们的方法应用于实际用例的数据所有者提供了有希望的结果。我们用真实的大规模人口数据集评估了我们的概念。结果表明，引入诱饵令牌是可行的，不会对发布的数据集产生重大影响。
2019-06-24 cs.CR cs.DB
Privacy Re-identification Attacks on Tabular GANs
Norwegian University of Science and Technology（挪威科技大学）
本文研究表格型 GAN 合成数据的隐私重识别攻击，分析不同攻击者知识水平下的风险，并发现黑盒访问生成模型及进化多目标优化重构攻击会显著加剧隐私泄露。
2024-03-31 cs.CR cs.LG
FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks
Zhejiang University（浙江大学）；University of California, Los Angeles（加州大学洛杉矶分校）；OPPO Research Institute（OPPO研究院）；Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室）
FraudShield通过构建欺诈战术-关键词知识图谱，提升LLM对抗欺诈攻击的能力，实验显示其在多个LLM和欺诈类型上表现优异，且提供可解释的防御线索。
2026-01-30 cs.AI cs.CL cs.CR
Person Re-identification Attack on Wearable Sensing
根据健康保险可携带性和责任法案（HIPAA）隐私规则，人员重新识别是公共共享医疗保健数据中的关键隐私攻击。在本文中，我们研究了一种新型的隐私攻击的可能性，个人重新识别攻击（PRI-attack）公开共享的隐私不敏感的可穿戴数据。我们调查用户的特定的生物特征签名方面的两个上下文的生物特征，生理（photoplethysmography和皮肤电活动）和物理（加速度计）的背景。在这方面，我们开发了一个多模态连体卷积神经网络（mmSNN）模型。该框架单独学习空间和时间信息，并将它们组合在一起，以预测一个人的身份为目标的修改后的加权成本。我们使用来自3个收集的数据集和一个公开数据集的实时收集数据来评估我们提出的模型。我们提出的框架表明，基于PPG的呼吸率和心率结合手势上下文可以被攻击者用来重新识别用户的身份（最大。71%）来自符合HIPAA的可穿戴数据。鉴于公共放置的摄像头可以远程估计心率和呼吸率以及手势，使用它们进行人员重新识别对未来的HIPAA兼容服务器构成了重大威胁，该服务器需要更好的加密方法来存储可穿戴医疗保健数据。
2021-06-22 cs.CR cs.HC
Towards Model-based Run-time Cybersecurity: On Control-Flow Anomaly Detection, Attack Identification, and Hardware Monitoring
Faculty of Computer Science and Mathematics, OTH Regensburg（雷根斯堡应用技术大学计算机科学与数学学院）；Institute for Software Engineering and Programming Languages, Universität zu Lübeck（吕贝克大学软件工程与程序设计语言研究所）；Accemic Technologies GmbH（Accemic科技有限公司）
本文提出结合软件与硬件监控的基于模型的方法，以提升控制流异常检测与攻击树识别的鲁棒性，解决攻击者通过伪装控制流逃避检测的问题，在认证服务示例中验证了该方案可提高诊断精度。
2026-08-13 cs.AI cs.CR
Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification
University of Murcia（穆尔西亚大学）；armasuisse Science & Technology（瑞士国防采购与技术局科学与技术部）；University of Zurich（苏黎世大学）
在过去的几年里，部署的物联网设备数量经历了爆炸式增长，达到了数十亿的规模。然而，一些新的网络安全问题也随之出现。其中一些问题是部署未经授权的设备、恶意代码修改、恶意软件部署或漏洞利用。这一事实激发了对基于行为监测的新设备识别机制的需求。此外，由于该领域的进步和处理能力的增加，这些解决方案最近利用了机器和深度学习技术。相比之下，攻击者并没有停滞不前，而是开发了对抗攻击，专注于应用于物联网设备识别解决方案的上下文修改和ML/DL评估规避。这项工作探讨了基于硬件行为的单个设备识别的性能，它如何受到可能的上下文和ML/DL攻击的影响，以及如何使用防御技术提高其弹性。从这个意义上说，它提出了一种基于硬件性能行为的LSTM-CNN架构，用于单个设备识别。然后，使用从45台运行相同软件的Raspberry Pi设备收集的硬件性能数据集，将以前的技术与所提出的架构进行了比较。LSTM-CNN改进了以前的解决方案，为所有设备实现了+0.96的平均F1分数和0.8的最小TPR。之后，上下文和ML/DL为重点的对抗攻击对以前的模型，以测试其鲁棒性。基于温度的上下文攻击无法破坏识别。然而，一些ML/DL最先进的规避攻击是成功的。最后，选择对抗性训练和模型蒸馏防御技术来提高模型对规避攻击的弹性，而不会降低其性能。
2022-12-30 cs.AI cs.CR
An Attack Traffic Identification Method Based on Temporal Spectrum
Trend Micro Nanjing Branch（趋势科技南京分公司）；Jiangsu Police Institute (JSPI)（江苏警官学院）；University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）
针对网络攻击检测中鲁棒性不足、特征不稳定及噪声干扰问题，提出基于时间频谱的检测识别方法，利用滑动窗口构建序列并结合SSPE与COAP方法生成频谱标签与时间特征，使模型识别准确率提升10%且在噪声下鲁棒性强。
2024-11-12 cs.AI cs.CR
Efficient Attack Correlation and Identification of Attack Scenarios based on Network-Motifs
用于保护计算机网络的入侵检测系统（IDS）将攻击的指示器报告为警报。但是，每次攻击都可能导致大量IDS警报，需要将这些警报关联起来才能看到攻击的全貌。在本文中，我们提出了一种相关的方法，将集群的警报到一个图形结构上，我们计算的网络图案的签名来表征这些集群。攻击特征的基序表示的幅度小于原始警报数据，但仍然允许有效地将攻击彼此进行比较并与参考签名进行关联。这不仅允许识别已知的攻击场景，例如，DDoS，扫描和蠕虫攻击，而且还可以为未知场景导出新的参考签名。我们的研究结果表明，一个可靠的识别方案，即使攻击的大小不同，至少略有不同的特点。应用于现实世界的警报数据，我们的方法可以分类和分配高达96%的攻击场景的所有攻击，并可以代表他们的特征，使用1%的大小的完整警报数据。
2020-03-12 cs.CR cs.NI
Sample Complexity of an Adversarial Attack on UCB-based Best-arm Identification Policy
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
在这项工作中，我研究的问题的对抗扰动奖励，在多臂强盗（MAB）设置。具体来说，我专注于对抗攻击的UCB型最佳臂识别策略应用于随机MAB。[1]中提出的UCB攻击导致非常频繁地拉动目标臂K。利用文献[1]的攻击模型，推导出了选择目标臂K作为最佳臂所需的样本复杂度，证明了文献[2]中给出的基于UCB的最佳臂识别算法的停止条件，可以由目标臂K在T轮内达到，其中T仅取决于臂的总数和臂的$σ^2-$亚高斯随机奖励的$σ$参数。
2022-09-13 cs.AI cs.CR cs.LG
Enhancing Phishing Email Identification with Large Language Models
Georgia Institute of Technology（佐治亚理工学院）
本文研究大型语言模型在钓鱼邮件检测中的有效性，实验表明其在高精确率下达到高准确率，并能提供可解释的决策证据。
2025-02-07 cs.AI cs.CR
Assessing the risk of re-identification arising from an attack on anonymised data
Sensyne Health plc（森赛健康上市公司）；University of Oxford（牛津大学）
目的：为了研究目的而使用非法获取的医疗数据需要通过数据匿名化保护患者的机密性。这项工作的目的是计算对匿名数据集的恶意攻击所产生的重新识别风险，如下所述。研究方法：我们首先提出了一种分析方法，估计在k-匿名的电子健康记录（EHR）数据集中重新识别单个患者的概率。其次，我们推广这个解决方案，以获得多个患者被重新识别的概率。我们通过Monte Carlo模拟提供合成验证，以说明所获得的估计的准确性。结果如下：拟议的风险估计分析框架提供了重新识别概率，这些概率与模拟在一些情景中提供的概率一致。我们的工作受到保守假设的限制，这些假设夸大了重新识别的概率。讨论内容：我们的估计表明，重新识别概率增加的数据集恶意获得的比例，它与等价类的大小成反比。我们的递归方法将适用范围扩展到任意k-匿名化方案中多患者重新识别攻击的一般情况。结论：我们规定了一种系统的方法来参数化的k-匿名化过程的基础上预先确定的重新识别概率。我们观察到，当人们考虑将重新识别概率基准化在对手恶意获得的数据集部分的大小上时，随着k大小的增加而降低的重新识别风险的好处可能不值得降低数据粒度。
2022-03-31 cs.CR cs.LG
SPGNN-API: A Transferable Graph Neural Network for Attack Paths Identification and Autonomous Mitigation
本文提出SPGNN-API框架，利用可迁移图神经网络结合漏洞交互建模识别网络攻击路径，并通过主动调整防火墙规则和零信任策略实现自主威胁缓解，实验显示其最短路径识别准确率≥95%，潜在受破坏资产检测率达100%。
2023-11-22 cs.CR cs.NE cs.NI
LogPrécis: Unleashing Language Models for Automated Malicious Log Analysis
Politecnico di Torino（都灵理工大学）；Università di Torino（都灵大学）；Huawei Technologies France（华为法国技术公司）
本文提出基于语言模型的自动化分析工具 LogPrécis，通过为 Unix shell 攻击会话分配战术序列指纹，将约 40 万次攻击归约为 3,000 类，辅助安全专家高效理解攻击并提升防御响应能力。
2024-03-22 cs.AI cs.CR cs.NI
Identifying a Training-Set Attack's Target Using Renormalized Influence Estimation
University of Oregon（俄勒冈大学）
有针对性的训练集攻击将恶意实例注入训练集中，导致训练模型错误标记一个或多个特定的测试实例。这项工作提出了目标识别的任务，它确定一个特定的测试实例是否是训练集攻击的目标。目标识别可以与敌对实例识别相结合，以发现（并删除）攻击实例，从而在对其他预测影响最小的情况下减轻攻击。我们不是专注于单一的攻击方法或数据模式，而是建立在影响估计的基础上，它量化了每个训练实例对模型预测的贡献。我们发现，现有的影响估计的实际性能差，往往来自于他们的过度依赖于训练实例和迭代与大的损失。我们的重正化影响估计器解决了这个弱点;它们在对抗和非对抗环境中识别有影响力的训练样本组方面远远优于原始估计器，甚至可以找到100%的对抗训练实例，没有干净的数据误报。然后，目标识别简化为检测具有异常影响值的测试实例。我们展示了我们的方法在各种数据域（包括文本，视觉和语音）的后门和中毒攻击上的有效性，以及针对灰盒，自适应攻击者的有效性，该攻击者专门优化了对抗性实例以逃避我们的方法。我们的源代码可在https://github.com/ZaydH/target_identification上获得。
2022-09-05 cs.CR cs.LG
Invisible Backdoor Attack with Dynamic Triggers against Person Re-identification
Tongji University（同济大学）；Microsoft Research Asia（微软亚洲研究院）；Xidian University（西安电子科技大学）
针对行人重识别开放集特性，提出动态触发器隐形后门攻击（DT-IBA），通过身份哈希网络和图像隐写术为未知身份动态生成触发器，实现有效且隐蔽的攻击。
2023-05-10 cs.CR cs.CV
Symmetric Saliency-based Adversarial Attack To Speaker Identification
Northwestern Polytechnical University（西北工业大学）；Tsinghua University（清华大学）
据我们所知，对抗性攻击的说话人辨识方法要么需要很高的计算成本，要么不是很有效。为了解决这个问题，在本文中，我们提出了一种新的生成网络为基础的方法，称为对称显着性为基础的编码器-解码器（SSED），生成对抗性的语音样本说话人辨识。它包含两个新的组成部分。首先，利用一种新的显著图解码器来学习语音样本对目标说话人辨识系统决策的重要性，从而使攻击者集中精力对重要样本产生人工噪声。提出了一种角度损失函数，使说话人嵌入远离源说话人。我们的实验结果表明，所提出的SSED产生的最先进的性能，即超过97%的目标攻击成功率和超过39 dB的信噪比水平的开集和闭集说话人辨识任务，具有较低的计算成本。
2022-10-30 cs.CR cs.LG cs.SD
GNPassGAN: Improved Generative Adversarial Networks For Trawling Offline Password Guessing
Ontario Tech University（安大略理工大学）
密码的安全性取决于对攻击者使用的策略的透彻理解。不幸的是，现实世界的对手使用实用的猜测策略，如字典式攻击，这是很难模拟密码安全研究。必须仔细配置和修改字典式攻击，以表示实际威胁。然而，这种方法需要难以复制的特定领域的知识和专长。本文回顾了各种基于深度学习的密码猜测方法，这些方法不需要领域知识或关于用户密码结构和组合的假设。它还介绍了GNPassGAN，这是一种建立在生成对抗网络上的密码猜测工具，用于搜索离线攻击。与最先进的PassGAN模型相比，GNPassGAN能够多猜测88.03%的密码，并减少31.69%的重复。
2022-08-14 cs.AI cs.CR
Machine Learning for Cyber-Attack Identification from Traffic Flows
Embry-Riddle Aeronautical University（埃姆布里-瑞德航空大学）；University of Tennessee at Martin（田纳西大学马丁分校）；Northeastern University（东北大学）
本文研究仅通过交通流模式识别针对信号灯的网络攻击，利用Raspberry Pi、OPNSense、SUMO和Metasploit构建模拟环境，最佳模型检测准确率达85%，关键指标为占有率、排队长度和停车时长。
2025-05-02 cs.CR cs.LG
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
AdvEst: Adversarial Perturbation Estimation to Classify and Detect Adversarial Attacks against Speaker Identification
Center for Language and Speech Processing, Johns Hopkins University（约翰霍普金斯大学语言与语音处理中心）
对抗性攻击对最先进的说话人识别系统构成了严重的安全威胁，因此提出对抗措施至关重要。在我们以前使用表示学习来分类和检测对抗性攻击的工作的基础上，我们提出了一种使用AdvEst的改进方法，这是一种估计对抗性扰动的方法。首先，我们证明了我们的主张，即使用对抗性扰动而不是对抗性示例（由干净信号和对抗性扰动的组合组成）来训练表示学习网络是有益的，因为它消除了滋扰信息。在推理时，我们使用时域去噪器来估计来自对抗性示例的对抗性扰动。使用我们改进的表示学习方法来获得攻击嵌入（签名），我们评估其性能的三个应用程序：已知的攻击分类，攻击验证和未知的攻击检测。我们发现，文献中常见的攻击（快速梯度符号法（FGSM），投影梯度下降（PGD），Carlini-Wagner（CW）与不同的Lp威胁模型）可以被分类，准确率为96%。我们还检测到未知的攻击，等错误率（EER）为~ 9%，这是绝对的改善~12%，从我们以前的工作。
2022-04-08 cs.CR cs.SD eess.AS
Adversarial Attacks Against Deep Learning-Based Radio Frequency Fingerprint Identification
School of Computer Science and Informatics, University of Liverpool（计算机科学与信息学系，利物浦大学）；School of Cyber Science and Engineering, Southeast University（网络安全与工程系，东南大学）；School of Electrical and Electronic Engineering, Nanyang Technological University（电子与电气工程系，南洋理工大学）
本文提出针对基于深度学习的RFFI系统的三种对抗攻击方法，通过实验验证UAP在无先验知识下的高成功攻击率
2025-12-12 cs.CR cs.LG
Conformal Privacy Auditing: Calibrated Re-identification Attacks with Statistical Guarantees
Monash University（莫纳什大学）；The University of Melbourne（墨尔本大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出保形隐私审计（CPA），一种无分布校准框架，为每个发布文档提供针对LLM赋能攻击者的重识别风险统计证书，通过保形模糊集实现校准覆盖，并揭示不同配置下的可识别性变化。
2026-09-21 cs.CL cs.CR
Identification of Attack-Specific Signatures in Adversarial Examples
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland, College Park（马里兰大学帕克分校）
对抗攻击文献中包含了无数的算法，用于制作在神经网络中产生病态行为的扰动。在许多情况下，多个算法针对相同的任务，甚至执行相同的约束。在这项工作中，我们表明，不同的攻击算法产生的对抗性的例子是不同的，不仅在他们的有效性，而且在他们如何定性地影响他们的受害者。我们首先展示了一个可以确定的攻击算法，制作了一个对抗性的例子。然后，我们利用参数空间显着性图的最新进展，从视觉和定量两个方面显示，对抗攻击算法的不同之处在于它们针对网络和图像的哪些部分。我们的研究结果表明，预期的对抗攻击不仅应该通过他们愚弄模型的成功率来比较，而且还应该通过他们对受害者的更深层次的下游影响来比较。
2021-10-13 cs.CR cs.CV cs.LG
Unraveling Adversarial Examples against Speaker Identification -- Techniques for Attack Detection and Victim Model Classification
Center for Language and Speech Processing（语言与语音处理中心）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对说话人识别系统的对抗样本威胁，本文构建多攻击多受害模型数据集，并基于LightResNet34等架构实现对抗样本检测、攻击类型分类及受害模型识别。
2024-02-29 cs.CR cs.LG cs.SD
