Unleashing IoT Security: Assessing the Effectiveness of Best Practices in Protecting Against Threats
针对物联网安全最佳实践缺乏有效性评估标准的问题,提出将最佳实践转化为测试用例以评估其安全影响并排序的方法,经9款商用设备测试发现18个漏洞,可助力厂商优化安全投入优先级。
2023-08-23 cs.CR
Assessing Vulnerabilities of Adversarial Learning Algorithm through Poisoning Attacks
该研究针对对抗训练(AT)的投毒攻击脆弱性展开,设计了针对AT的干净标签目标与非目标投毒攻击,实验证实AT仍可被投毒,为安全场景下AT算法的可靠部署提供了风险提示。
2023-04-30 cs.CR
FuzzEval: Assessing Fuzzers on Generating Context-Sensitive Inputs
本文评估了十一种先进模糊测试器为密码标准PKCS#1-v1.5的十三个实现生成上下文敏感输入的能力,揭示了其在输入有效性和多样性上的差异及现有局限,以推动相关研究。
2024-09-18 cs.CR
Vulnerability Detection with Interprocedural Context in Multiple Languages: Assessing Effectiveness and Cost of Modern LLMs
North Carolina State University(北卡罗来纳州立大学);Federal University of Alagoas(阿拉戈斯联邦大学)
本文研究了多语言交叉过程依赖漏洞检测中四种现代LLM的有效性、推理成本及解释质量,发现Gemini 3 Flash在C语言中具有最佳成本效益,Claude Haiku 4.5在93.6%的案例中正确识别并解释漏洞。
2026-04-09 cs.CR cs.SE
BinderCracker: Assessing the Robustness of Android System Services
在Android中,应用和系统服务之间的通信由基于事务的进程间通信(IPC)机制支持。Binder作为该IPC机制的基石,将通信双方分隔为客户端和服务器端。与任何客户端-服务器模型一样,服务器不应该对客户端事务的有效性(健全性)做出任何假设。令我们惊讶的是,我们发现这一原则在Android系统服务的实现中经常被忽视。在本文中,我们展示了这个漏洞表面的流行程度和严重性,并试图回答为什么开发人员不断犯这个看似简单的错误。具体来说,我们设计并实现了BinderCracker,这是一个自动测试框架,支持参数感知的模糊测试,已经在六个主要版本的Android中识别出了100多个漏洞,包括最新版本的Android 6.0,Marshmallow。其中一些漏洞具有严重的安全影响,导致特权代码执行或永久拒绝服务(DoS)。我们分析了这些漏洞的根本原因,发现其中大多数漏洞的存在是因为系统服务开发人员只考虑通过公共API进行利用。因此,我们强调了只在客户端公共API上进行测试的不足,并认为有必要在Binder接口(实际的安全边界)上进行测试和保护。具体来说,我们讨论了潜在的对策,如预防性测试和运行时诊断的有效性和实用性。
2016-04-23 cs.CR
A Modified Drake Equation for Assessing Adversarial Risk to Machine Learning Models
Auburn University(奥本大学);PeopleTec, Inc(PeopleTec公司)
机器学习模型在部署到生产中时存在对抗攻击的风险。使用经验性措施量化影响因素和不确定性可帮助行业评估下载和部署通用模型类型的风险。这项工作建议修改传统的德雷克方程的形式主义,以估计潜在的成功的对抗攻击的部署模型的数量。德雷克方程是著名的用于参数化的不确定性,它已被用于许多研究领域以外的初衷,以估计无线电能力的外星文明的数量。虽然以前的工作已经概述了在公共模型架构中发现漏洞的方法,但所提出的等式旨在为评估和估计对抗攻击的潜在风险因素提供半定量基准。
2021-07-07 cs.CR cs.LG
MaPPing Your Model: Assessing the Impact of Adversarial Attacks on LLM-based Programming Assistants
University of Oregon(俄勒冈大学)
提出MaPP攻击,通过向编程提示添加少量文本使LLM生成含漏洞代码,在多个模型上有效,表明仅扩展模型规模无法防御此类攻击。
2024-07-12 cs.AI cs.CR
Assessing Vulnerability in Smart Contracts: The Role of Code Complexity Metrics in Security Analysis
Università della Svizzera italiana(瑞士意大利语大学)
本研究探讨了代码复杂度度量在识别智能合约安全漏洞中的作用,发现复杂度度量能有效区分安全与脆弱代码,但单一指标不足以直接导致漏洞。
2026-01-23 cs.CR cs.SE
Is Your Kettle Smarter Than a Hacker? A Scalable Tool for Assessing Replay Attack Vulnerabilities on Consumer IoT Devices
本文提出REPLIOT工具,自动测试消费物联网设备的重放攻击漏洞,发现51%设备不支持本地连接,75%的其余设备易受攻击,检测准确率达0.98-1。
2024-04-20 cs.CR
How Memory-Safe is IoT? Assessing the Impact of Memory-Protection Solutions for Securing Wireless Gateways
针对物联网无线网关内存漏洞威胁突出的问题,本文通过大规模实证分析内存漏洞情况,对比传统与新兴内存保护技术的特性与权衡,指出需结合用例与开销选择安全设计类内存保护方案。
2024-11-02 cs.CR
SecProbe: Adaptive Evaluation of Coding Agents on Cybersecurity Vulnerabilities
University of Notre Dame(圣母大学);Bake AI;Vanderbilt University(范德堡大学);University of Pennsylvania(宾夕法尼亚大学);LMU Munich(慕尼黑大学);University of Washington(华盛顿大学);Stanford University(斯坦福大学);Inria(法国国家信息与自动化研究所)
SecProbe结合项目反应理论与按需合成漏洞修复任务,实现自适应评估,在保持能力估计准确的同时减少任务量,高效揭示编码智能体的漏洞识别与修复差距。
2026-09-29 cs.AI cs.CR
Using Retriever Augmented Large Language Models for Attack Graph Generation
University of California Irvine(加利福尼亚大学欧文分校);Cisco Research(思科研究院)
随着现代系统复杂性的增加,通过有效的漏洞管理和威胁建模技术评估其安全态势的重要性也在增加。网络安全专业人员武器库中的一个强大工具是攻击图,它代表了系统中所有潜在的攻击路径,对手可能会利用这些路径来实现特定目标。生成攻击图的传统方法涉及专家知识、手动管理和计算算法,由于漏洞和漏洞利用的不断演变的性质,这些方法可能无法覆盖整个威胁环境。本文探讨了利用大语言模型(LLM)(如ChatGPT)自动生成攻击图的方法,方法是根据攻击图的前提条件和影响智能地链接常见漏洞和暴露(CVE)。它还展示了如何利用LLM从威胁报告中创建攻击图。
2024-08-11 cs.CR cs.LG
Assessing the Security of OPC UA Deployments
为了满足工业部署日益增长的安全需求,OPC UA是首批明确考虑安全性设计的工业协议之一。但是,安全地部署它需要对广泛的选项进行全面配置。因此,有必要评估OPC UA部署及其配置的安全性,以确保安全操作,最重要的是工业流程的机密性和完整性。在这项工作中,我们提出了流行的Metasploit框架的扩展,以减轻基于网络的OPC UA部署的安全评估。为此,我们讨论了发现OPC UA服务器、测试其身份验证、获取其配置以及检查漏洞的方法。最终,我们的工作使运营商能够验证其系统的(安全)配置并识别潜在的攻击向量。
2020-03-27 cs.CR cs.NI
Evolutionary Large Language Models for Hardware Security: A Comparative Survey
本文综述了在设计阶段利用大型语言模型自动检测与缓解硬件安全漏洞的方法,比较了现有模型的可扩展性与可解释性,并提出了开发专用架构与融合领域知识等未来研究方向。
2024-04-25 cs.CR
BadGD: A unified data-centric framework to identify gradient descent vulnerabilities
UCLA(加州大学洛杉矶分校)
BadGD提出统一数据中心框架,通过三种后门触发器扭曲经验风险、确定性及随机梯度,揭示梯度下降漏洞,强调防御必要性。
2024-05-24 cs.CR cs.LG stat.ML
Attack-Graph Threat Modeling Assessment of Ambulatory Medical Devices
技术不断融入社会的各个方面,突出表明需要查明和了解吸收新技术的风险。当技术用于医疗目的时,如用于监测患者生命体征的移动设备,这种必要性就更高了。这种集成创造了有利于恶意活动的环境。潜在的影响给医学界带来了新的挑战。因此,本研究提出了攻击图建模作为一种可行的解决方案,以识别漏洞,评估风险,并形成缓解策略,以保护流动医疗设备免受攻击。在文献中确定了与移动设备(包括蓝牙传感器和Android应用程序)的各个方面相关的常见和频繁漏洞和攻击策略。基于此分析,本研究提出了一个攻击图建模的理论设备,突出的漏洞和缓解策略,以考虑在设计具有类似组件的移动设备时的例子。
2017-09-15 cs.CR
SoK: What don't we know? Understanding Security Vulnerabilities in SNARKs
本文针对现有SNARK研究重理论安全证明、轻实际实现安全的问题,构建系统与威胁模型,分析141个真实漏洞并给出分类体系,评估现有防御机制并提出安全增强建议,助力SNARK系统更可靠落地。
2024-07-11 cs.CR
Quantifying Security for Networked Control Systems: A Review
KTH Royal Institute of Technology(皇家理工学院);Uppsala University(乌普萨拉大学)
本文综述网络化控制系统脆弱性量化方法与缓解策略,强调概率风险度量在对手知识不完备场景下的价值,并指出未来研究方向。
2025-10-21 cs.CR cs.SY eess.SY
A Formal Framework for Assessing and Mitigating Emergent Security Risks in Generative AI Models: Bridging Theory and Dynamic Risk Mitigation
College of IST(信息科学与技术学院);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一个形式化框架,通过分层方法整合实时监控、持续红队测试和对抗模拟,对生成式AI中潜在空间利用、多模态交叉攻击及反馈回路退化等新兴安全风险进行分类与动态缓解,为未来实证研究提供方法论和评估指标。
2024-10-15 cs.CR cs.LG
Understanding the Quality of Container Security Vulnerability Detection Tools
虚拟化使信息和通信技术行业能够更好地管理计算资源。在这方面,虚拟化方法的改进以及对一致的运行时环境、更低的开销和更小的包大小的需求导致了容器的日益普及。这是一种技术,它将应用程序、其依赖项和操作系统(OS)打包为一个独立的单元运行。然而,使用容器的紧迫问题是它对安全攻击的敏感性。因此,许多集装箱扫描工具可用于检测集装箱安全漏洞。因此,在这项研究中,我们通过提出两个反映覆盖率和准确性的指标来调查现有集装箱扫描工具的质量。我们使用不同的容器扫描工具(如Clair,Closore和Microscanner)分析了DockerHub上托管的Java应用程序的59个流行的公共容器映像。我们的研究结果表明,现有的容器扫描方法不能检测应用程序包漏洞。此外,现有的工具不具有高准确性,因为34%的漏洞被性能最好的工具遗漏。最后,我们还通过评估完整的漏洞环境来展示托管在DockerHub上的Java应用程序的Docker映像的质量,即,在图像中检测到的漏洞数量。
2021-01-11 cs.CR
Multi-Agent Reinforcement Learning for Assessing False-Data Injection Attacks on Transportation Networks
Pennsylvania State University(宾夕法尼亚州立大学);Massachusetts Institute of Technology(麻省理工学院);Washington University St. Louis(圣路易斯华盛顿大学)
针对导航依赖下交通网络易遭虚假数据注入攻击的问题,提出含对抗模型与分层多智能体强化学习的计算框架,以寻找最坏攻击策略,并在Sioux Falls网络上验证了适用性。
2024-03-06 cs.AI cs.CR cs.LG
Systematically Assessing the Security Risks of AI/ML-enabled Connected Healthcare Systems
University of British Columbia(不列颠哥伦比亚大学);National Research Council Canada(加拿大国家研究委员会)
本研究揭示AI/ML赋能的互联医疗系统因外围设备及通信漏洞存在危及患者安全的风险,通过血糖监测系统攻击案例验证漏洞,指出现有风险评估技术不足,呼吁研发新型分析方法。
2024-04-12 cs.CR cs.CY cs.LG
The Effect of Security Education and Expertise on Security Assessments: the Case of Software Vulnerabilities
尽管软件安全的重要性日益增加,行业对劳动力中更多网络安全专业知识的需求也越来越大,但安全教育和经验对评估复杂软件安全问题能力的影响最近才被调查。作为全方位软件安全技能的代表,我们考虑了通过工业中广泛使用的结构化分析方法来评估软件漏洞严重性的问题(即通用漏洞评分系统(\CVSS)v3),并设计了一项研究,以比较具有信息技术背景但在网络安全方面具有不同专业经验和教育的个人评估软件漏洞的严重性。我们的研究结果提供了一些结构性的见解评估员的教育或经验和他们的评估质量之间的复杂关系。特别是,我们发现个人特征比专业经验或正规教育更重要;显然,一个人拥有的技能(包括所研究系统的实际知识)的\emph{combination},而不是专业或多年的经验,对评估质量的影响更大。同样,我们发现,专业知识所带来的整体优势在很大程度上取决于个人安全技能的构成以及可用的信息。
2018-08-20 cs.CR cs.CY
sec-certs: Examining the security certification practice for better vulnerability mitigation
本文通过大规模自动化分析通用准则证书,训练无监督模型识别影响认证产品的漏洞及其引用关系,并找出与更高安全性相关的安全要求,从而改进漏洞缓解。
2024-07-01 cs.CR
Assessing the Cross-Version Applicability of Java Library Vulnerability Exploits
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全国家重点实验室);Queen’s University(女王大学)
本文通过大规模实证研究探讨披露的Java库漏洞利用在不同版本间的泛化能力,构建包含259个漏洞利用的数据库,验证漏洞利用在不同版本间的适用性,并提出10种迁移策略以提升召回率。
2026-07-31 cs.CR cs.SE
LLM-SmartAudit: Advanced Smart Contract Vulnerability Detection
针对智能合约安全风险高、现有检测工具覆盖漏洞类型单一且精度不足的问题,提出基于多智能体协作的LLM-SmartAudit框架,实验证明其在准确率、效率上优于传统工具,还能检测被遗漏的复杂逻辑漏洞。
2024-11-04 cs.CR
Assessing Risks and Modeling Threats in the Internet of Things
威胁建模和风险评估是识别、估计国家、组织和个人运营和资产的风险并确定其优先级的常用方法。在物联网(IoT)出现之前,已经提出了几种威胁建模和风险评估方法,其关注信息技术(IT)中的威胁和风险。由于这些方法的缺点以及物联网和IT之间存在显着差异的事实,我们综合并调整这些方法,以提供一个专注于物联网中威胁和风险的威胁建模框架。在此过程中,我们开发了一种物联网攻击分类法,描述了对抗性资产、对抗性行为、可利用的漏洞以及作为任何物联网攻击组成部分的受损属性。我们使用这种物联网攻击分类作为设计联合风险评估和成熟度评估框架的基础,该框架作为交互式在线工具实现。该工具编码的评估框架为组织提供了关于应将资源用于减轻风险的具体建议。在多个工业制造公司的背景下实施的案例研究突出了这个物联网框架的有用性,这个框架的交互式实施可以在http://iotrisk.andrew.cmu.edu上找到。
2021-10-14 cs.CR cs.CY
Assessing the Software Security Comprehension of Large Language Models
University of Notre Dame(诺丁汉大学)
本研究评估了五种大语言模型在软件安全方面的认知能力,发现其在低阶任务表现良好,但在高阶任务如推理和系统设计上存在显著不足,并识别出51种常见误解模式。
2025-12-24 cs.CR cs.LG cs.SE
From CVE Entries to Verifiable Exploits: An Automated Multi-Agent Framework for Reproducing CVEs
Boston University(波士顿大学);UC Santa Barbara(加州大学圣塔芭芭拉分校);Arizona State University(亚利桑那州立大学);UNSW Sydney(新南威尔士大学)
本文提出CVE-GENIE框架,通过自动化多智能体方法重现CVE漏洞,生成高质量可验证漏洞利用数据集,用于安全研究与评估。
2026-02-12 cs.CR
A Technical Review of Wireless security for the Internet of things: Software Defined Radio perspective
使用物联网设备的网络攻击的增加暴露了构成物联网的基础设施中的漏洞,并显示了小型设备如何影响网络和服务功能。本文回顾了承载物联网的无线技术的脆弱性,并评估了使用软件定义无线电(SDR)技术实施针对物联网的无线攻击的经验。进行了系统的文献综述。比较了可能影响物联网生态系统和SDR无线电平台的无线技术的漏洞和攻击类型。在物联网系统模型层,感知层被认为是最脆弱的。此级别的大多数攻击都是由于硬件的限制、设备的物理暴露以及技术的异构性而发生的。基于SDR无线电的未来网络安全系统具有显著的优势,因为它们具有适应新通信技术的灵活性以及开发先进工具的潜力。然而,物联网的网络安全挑战非常复杂,需要将SDR硬件与认知技术和智能技术(如深度学习)融合,以适应快速的技术变化。
2020-09-21 cs.CR eess.SP
Cybersecurity in the Quantum Era: Assessing the Impact of Quantum Computing on Infrastructure
University of Montreal(蒙特利尔大学);Canadian Institute for Cybersecurity (CIC), University of New Brunswick(加拿大网络安全研究所(CIC),新不伦瑞克大学)
本文探讨量子计算对关键基础设施和云服务的影响,提出九个关键组件的安全蓝图,以增强对量子威胁的防御能力。
2024-04-16 cs.CR
Navigating Quantum Security Risks in Networked Environments: A Comprehensive Study of Quantum-Safe Network Protocols
本文系统分析 TCP/IP 各层 TLS、IPsec、SSH、PGP 等协议在量子计算下的漏洞、迁移风险及后量子密码防护效果,为协议设计、实现与政策制定提供应对指导。
2024-05-06 cs.CR
Reporte de vulnerabilidades en IIoT. Proyecto DEFENDER
该报告全面研究了工业物联网(IIoT)设备的类别、运行场景及安全漏洞,分析了攻击阶段与真实事件,并提出以机器学习为核心的安全对策。
2025-07-14 cs.CR
JailBreakV: A Benchmark for Assessing the Robustness of MultiModal Large Language Models against Jailbreak Attacks
The Ohio State University(俄亥俄州立大学);Peking University(北京大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出JailBreakV-28K基准,通过2.8万个文本与图像测试用例评估LLM越狱技术向多模态大语言模型的迁移性,发现MLLMs存在源于文本处理能力的高攻击成功率漏洞,呼吁加强多模态对齐研究。
2024-11-24 cs.AI cs.CL cs.CR
A Novel Evaluation Framework for Assessing Resilience Against Prompt Injection Attacks in Large Language Models
本研究提出一个新颖的评估框架,通过115个精选攻击和基于LLM的可解释评分量化大型语言模型应用对提示注入攻击的抵御能力,实验证明较新模型Llama2比ChatGLM更具鲁棒性。
2024-01-02 cs.CR
Red Teaming Quantum-Resistant Cryptographic Standards: A Penetration Testing Framework Integrating AI and Quantum Security
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
针对BB84与NIST量子抗性算法,提出融合AI红队、自动化渗透测试和实时异常检测的框架,以识别量子网络漏洞并强化安全机制。
2025-09-26 cs.AI cs.CR cs.NI
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
Assessing biomedical knowledge robustness in large language models by query-efficient sampling attacks
UC San Francisco(加州大学旧金山分校);UC Berkeley(加州大学伯克利分校)
针对高风险领域LLMs知识鲁棒性问题,提出基于幂缩放距离加权采样的嵌入空间攻击,通过类型一致实体替换生成对抗实体,在低查询预算下评估生物医学知识鲁棒性,揭示两类对抗实体特征及对解释的操纵性,补充模型可信度评估。
2024-11-28 cs.CL cs.CR stat.AP
Towards Robust Knowledge Unlearning: An Adversarial Framework for Assessing and Improving Unlearning Robustness in Large Language Models
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出动态遗忘攻击(DUA)评估LLM遗忘脆弱性,并设计潜在对抗遗忘(LAU)框架,通过最小-最大优化增强遗忘鲁棒性,显著提升遗忘效果且几乎不影响模型能力。
2024-08-20 cs.AI cs.CL cs.CR
An Extensive Comparison of Static Application Security Testing Tools
本研究通过150万次测试执行,对静态应用安全测试工具进行全面评估,发现其精确率高但召回率低,建议改进重点应放在提升召回率和扩大漏洞检测类型上。
2024-03-14 cs.CR cs.CY cs.SE
Do (Not) Tell Me About My Insecurities: Assessing the Status Quo of Coordinated Vulnerability Disclosure in Germany Amid New EU Cybersecurity Regulations
Technische Universität Berlin(柏林工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
通过纵向研究分析德国DAX 40家公司的CVD项目采用率、挑战与经验,发现采用率从50%增至90%以上,法律义务是主要驱动力,但缺乏人力和报告质量参差不齐是障碍。
2026-06-25 cs.CR
Cyber Knowledge Completion Using Large Language Models
Pacific Northwest National Laboratory(西北太平洋国家实验室)
针对CPS网络安全知识不完整导致风险评估困难的问题,提出基于RAG和向量嵌入的方法,利用预训练模型生成攻击模式与对抗技术的结构化映射,有效解决网络攻击知识图谱补全挑战。
2024-09-24 cs.AI cs.CR
Real-World Usability of Vulnerability Proof-of-Concepts: A Comprehensive Study
Tianjin University(天津大学);Nanyang Technological University(南洋理工大学)
本文首次大规模研究真实世界漏洞PoC,通过跨平台数据集、BERT-NER组件提取和人工复现实验,揭示其在可获得性、完整性与可复现性上的不足并提出改进策略。
2025-10-21 cs.CR cs.SE
Adaptive MTD Security using Markov Game Modeling
大型云网络由分布式网络和计算元素组成,这些元素处理关键信息,因此安全性是任何环境的关键要求。不幸的是,评估这样的网络的安全状态是一项具有挑战性的任务,并且安全专家过去使用的工具,例如分组过滤、防火墙、入侵检测系统(IDS)等,提供反应式安全机制。在本文中,我们介绍了一种基于移动目标防御(MTD)的主动安全框架,用于监控攻击,它可以让我们识别和推理针对云网络中存在的软件漏洞的多阶段攻击。我们制定的多阶段攻击的情况下,作为一个两个球员的零和马尔可夫游戏(攻击者和网络管理员之间)的攻击图。通过利用通用漏洞评分系统(CVSS)中的专家知识获得奖励和转移概率。我们的框架确定了攻击者的最佳策略,并采取对策,以确保这种攻击策略总是被检测到,从而迫使攻击者使用一个次优的策略,成本更高。
2018-11-01 cs.CR
A Comprehensive Study of Exploitable Patterns in Smart Contracts: From Vulnerability to Defense
Hainan University(海南大学)
本文全面分析了以太坊智能合约的关键安全风险,重点研究重入和整数溢出两种漏洞的底层机制、攻击复现及有效防御对策。
2025-04-30 cs.AI cs.CR cs.SE
Cyber-Physical Energy Systems Security: Threat Modeling, Risk Assessment, Resources, Metrics, and Case Studies
信息物理系统(CPS)是一种互连的体系结构,它采用模拟、数字和通信资源与物理环境进行交互。CPS是企业、工业和关键基础设施的支柱。因此,它们的极端重要性使其成为恶意攻击的突出目标,目的是破坏其业务。针对网络物理能源系统(CPES)的攻击,鉴于其关键任务的性质,可能会造成灾难性的后果。CPES的安全性可以利用测试平台功能来增强,以复制电力系统操作,发现漏洞,制定安全对策,并在故障引发或恶意构建的情况下评估电网运行。在本文中,我们提供了一个全面的概述CPS的安全格局,重点是CPES。具体来说,我们展示了一种威胁建模方法,以准确地表示CPS元素,它们的相互依赖性,以及可能的攻击入口点和系统漏洞。利用威胁模型的制定,我们提出了一个CPS框架,旨在描绘的硬件,软件和建模所需的资源来模拟CPS和构建高保真模型,可用于评估系统的性能在不利的情况下。系统性能是使用特定于CIO的指标进行评估的,而风险评估则支持系统漏洞优先级排序,将对系统操作的影响考虑在内。总体框架建模,模拟,评估和缓解CPS中的攻击说明使用四个有代表性的攻击场景针对CPES。本文的主要目标是展示一个循序渐进的过程,可用于制定深入的网络安全分析,从而实现更具弹性和安全性的CPS。
2021-02-19 cs.CR cs.SY eess.SY
Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems
University of MEDEA(迈迪亚大学);Faculty of Technology(技术学院);Faculty of Science(理学院)
针对物联网安全漏洞,提出CNN与LSTM结合的入侵检测系统,在CICIoT2023上训练并以CICIDS2017验证,实现98.42%准确率与98.57%的F1分数,有效增强物联网防护。
2024-05-28 cs.AI cs.CR
Poisoning Attacks and Defenses in Recommender Systems: A Survey
本综述从攻击者视角系统梳理了推荐系统中的投毒攻击流程(含设定目标、评估能力、分析架构与实施策略),并将防御策略分为数据过滤与鲁棒训练,指出了现有局限与未来方向。
2024-06-05 cs.CR cs.IR
ChirpOTLE: A Framework for Practical LoRaWAN Security Evaluation
低功耗广域网(LPWAN)正在成为物联网不可或缺的一部分。因此,企业、行政部门以及社会本身都依赖于这些通信网络的可靠性和可用性。LoRaWAN于2015年发布,获得了普及并吸引了安全研究的焦点,揭示了许多漏洞。这导致了2017年底修订的LoRaWAN 1.1规范。以前的大部分工作集中在模拟和理论方法。互操作性和各种实施方式使特定LoRaWAN网络的风险评估复杂化。在本文中,我们通过引入ChirpOTLE来解决这些问题,ChirpOTLE是一种LoRa和LoRaWAN安全评估框架,适用于快速迭代和测试测试床中的攻击,并评估真实网络的安全性。我们通过验证一种新的拒绝服务攻击的适用性来证明我们的框架的潜力,该攻击针对使用普通现成硬件的测试床中的自适应数据率机制。此外,我们展示了B类信标欺骗攻击的可行性,这在实践中还没有得到证明。
2020-05-23 cs.CR cs.NI
A Comprehensive Survey of Attack Techniques, Implementation, and Mitigation Strategies in Large Language Models
本文综述 100 余篇研究,系统梳理针对 LLM 本身及其应用的攻击技术、真实实现、缓解措施与未来防御方向。
2023-12-18 cs.CR
ConVerse: Benchmarking Contextual Safety in Agent-to-Agent Conversations
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Microsoft(微软);ELLIS Institute Tübingen and MPI for Intelligent Systems(图宾根ELLIS研究所和智能系统研究所);Tübingen AI Center(图宾根人工智能中心)
ConVerse基准通过多智能体对话场景中的864个情境化攻击,系统评估语言模型在隐私泄露和工具滥用方面的安全脆弱性,发现最强模型反而泄露更多,从而将安全重新定义为通信的涌现属性。
2025-11-07 cs.CL cs.CR cs.CY
Beyond the Benchmark: Innovative Defenses Against Prompt Injection Attacks
Dept. of CS, SDS BRAC University(计算机科学系,BRAC大学);Dept. of CSE, SDS BRAC University(计算机工程系,BRAC大学)
本文提出创新防御机制,通过迭代优化防御提示,有效缓解LLM中的目标劫持漏洞,提升小型开源模型的安全性与部署效率。
2025-12-18 cs.AI cs.CR
Exploring Jailbreak Attacks on LLMs through Intent Concealment and Diversion
Zhongguancun Laboratory(中关村实验室);University of the Chinese Academy of Sciences(中国科学院大学)
针对现有LLM越狱攻击查询多、泛化差及评估场景单一的问题,提出基于意图隐藏与转移的黑盒越狱方法ICE和双场景评估数据集BiSceneEval,验证了其高效性与强迁移性,指出需混合安全策略增强LLM安全。
2025-05-20 cs.AI cs.CR
AutoRedTeamer: Autonomous Red Teaming with Lifelong Attack Integration
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Stanford University(斯坦福大学);Meta AI;University of Chicago(芝加哥大学)
针对现有LLM红队测试依赖人工、覆盖新兴攻击不足的问题,提出结合多智能体架构与记忆引导攻击选择的AutoRedTeamer框架,可自动发现整合新攻击,在HarmBench上攻击成功率提升20%、成本降46%,测试用例多样性媲美人工基准。
2025-03-20 cs.AI cs.CR