The CryptoNeo Threat Modelling Framework (CNTMF): Securing Neobanks and Fintech in Integrated Blockchain Ecosystems
本文提出 CryptoNeo 威胁建模框架（CNTMF），通过混合层分析、CRYPTOQ 助记符和 AI 反馈回路扩展 STRIDE 等传统方法，以数据驱动方式应对集成区块链生态系统中新银行与金融科技面临的安全威胁。
2025-07-18 cs.CR cs.ET
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
AI-Driven Cybersecurity Threats: A Survey of Emerging Risks and Defensive Strategies
Bharat Institute of Engineering and Technology（印度海得拉尔邦坦达瓦纳技术工程学院）；Vellore Institute of Technology（印度维洛雷技术学院）
本文调研了人工智能在网络安全中的新兴威胁与防御策略，分析了深度伪造、对抗性AI攻击等风险，并提出混合检测和基准框架等研究方向。
2026-01-06 cs.AI cs.CR
Reasoning Under Threat: Symbolic and Neural Techniques for Cybersecurity Verification
Sarah Veronica（独立研究者）
本文综述自动推理及神经符号技术在网络安全验证中的应用，梳理逻辑系统、SOTA工具与AI集成，并指出可扩展性等研究空白及未来方向。
2025-05-12 cs.AI cs.CR
Surveying the Operational Cybersecurity and Supply Chain Threat Landscape when Developing and Deploying AI Systems
Sandia National Labs（桑迪亚国家实验室）
本文调查了AI系统开发与部署中的运营网络安全和供应链威胁，揭示攻击者转向操纵AI输出的新目标，并强调需构建针对性安全框架以保障AI系统的可靠性与韧性。
2025-08-27 cs.AI cs.CR
AgenticCyber: A GenAI-Powered Multi-Agent System for Multimodal Threat Detection and Adaptive Response in Cybersecurity
TNTech
AgenticCyber通过生成式AI驱动的多智能体系统，实现多模态威胁检测与自适应响应，提升网络安全性能和态势感知能力。
2025-12-06 cs.AI cs.CR
Attention-GAN for Anomaly Detection: A Cutting-Edge Approach to Cybersecurity Threat Management
Grand Canyon University（大峡谷大学）
本文提出融合注意力机制与GAN的Attention-GAN框架，通过生成多样逼真攻击数据增强异常检测，在KDD Cup和CICIDS2017上取得高准确率。
2024-02-27 cs.AI cs.CR
Adversarial Defense in Cybersecurity: A Systematic Review of GANs for Threat Detection and Mitigation
本文系统综述2021年至2025年8月基于 GAN 的网络安全对抗防御，提出四维分类法并评估其成效、挑战与未来路线图。
2026-09-30 cs.AI cs.CR
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
Assessment of POS Owners Awareness of Cybersecurity and Insider Threats in POS Kiosks Related Financial Crimes
本文评估了POS机主对POS亭相关金融犯罪中网络安全和内部威胁的认知水平，指出尼日利亚POS运营模式导致用户卡片易被克隆这一非IT类主要威胁。
2023-08-01 cs.CR
Autonomous AI-based Cybersecurity Framework for Critical Infrastructure: Real-Time Threat Mitigation
School of Computer Science and Technology（计算机科学与技术学院）
本文提出了一种基于AI的自主网络安全框架，用于实时检测和缓解关键基础设施中的网络威胁，以提升系统安全性和韧性。
2025-07-10 cs.AI cs.CR cs.ET
A Large Language Model-Supported Threat Modeling Framework for Transportation Cyber-Physical Systems
Clemson University（克莱姆森大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The University of Alabama（阿拉巴马大学）
本文提出基于 LLM 的 TraCR-TMF 框架，融合 RAG、上下文学习与监督微调识别交通 CPS 威胁、攻击路径及对策，并通过真实案例验证其有效性。
2025-07-28 cs.AI cs.CR
Using a Collated Cybersecurity Dataset for Machine Learning and Artificial Intelligence
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
人工智能（AI）和机器学习（ML）算法可以支持指标级（例如异常检测）到行为级网络安全建模和推理的跨度。这一贡献基于一个名为BRON的数据集，该数据集由公共威胁和漏洞行为源合并而成。我们演示了如何BRON可以支持相关的威胁技术和攻击模式的预测。我们还讨论了BRON的其他AI和ML用途，以利用其行为知识。
2021-08-05 cs.AI cs.CR
A Review of Quantum Cybersecurity: Threats, Risks and Opportunities
量子计算的前景并不是加速传统计算，而是为某些类别的问题提供指数优势，例如对网络安全具有深远的影响。随着量子计算机的出现和发展，网络空间安全在不久的将来肯定会成为互联网最关键的问题。相反，先进的量子技术有望改变网络安全。本研究旨在综合有关量子网络安全的基础和基础研究，这些研究可以作为基于系统研究的关键网络安全问题的威胁和解决方案。我们对当前最先进的量子计算和网络安全进行了全面、说明性的描述，并提出了迄今为止提出的方法。量子计算网络安全的研究结果表明，量子计算可以用于改善网络安全威胁，同时它对网络安全构成了最意想不到的威胁。这项系统调查的重点和深度不仅为量子和网络安全从业者和研究人员提供了有关该领域当前趋势的综合知识体系，而且还为该领域的进一步研究奠定了基础。
2022-07-07 cs.CR cs.DC
LLM-Assisted Proactive Threat Intelligence for Automated Reasoning
Arizona State University（亚利桑那州立大学）；National Renewable Energy Laboratory（国家可再生能源实验室）
本研究提出结合GPT-4o与RAG技术，利用Patrowl框架实时检索CVE等威胁情报并在Milvus中存储向量，显著提升了系统对新披露漏洞和高危CVE的检测响应能力。
2025-04-01 cs.AI cs.CR
Integrating Cybersecurity Frameworks into IT Security: A Comprehensive Analysis of Threat Mitigation Strategies and Adaptive Technologies
本文探讨了NIST、零信任和ISO/IEC 27001等网络安全框架及AI与ML技术在金融等行业的应用，并提供了应对实施挑战的切实方案，倡导构建与组织目标一致的风险适宜型防御体系。
2025-02-02 cs.CR
CyberSentinel: An Emergent Threat Detection System for AI Security
ICSI, University of California at Berkeley（加州大学伯克利分校ICSI（国际计算机科学研究所））
针对AI发展带来的网络安全威胁攻击面扩大问题，研究提出单智能体系统CyberSentinel，整合SSH日志暴力破解检测、域名黑名单与启发式URL评分钓鱼评估、机器学习异常检测三类功能，可实时识别新型威胁，强化主动防御。
2025-02-20 cs.AI cs.CR
A dataset for cyber threat intelligence modeling of connected autonomous vehicles
本文构建了首个面向汽车领域的网络威胁情报建模数据集，包含908份真实报告及实体和语义关系标注，并基于该语料库对挖掘算法进行了分析，为汽车网络安全研究提供重要资源。
2024-10-18 cs.CR
SEvenLLM: Benchmarking, Eliciting, and Enhancing Abilities of Large Language Models in Cyber Threat Intelligence
本文提出SEvenLLM框架，通过构建双语指令语料库和包含27个任务的多任务学习流水线，提升大型语言模型在网络安全威胁情报中的事件分析与响应能力，实验证明其能有效增强复杂威胁分析。
2024-06-03 cs.CR
Intelligence-based Cybersecurity Awareness Training- an Exploratory Project
网络安全培训应适应不断变化的网络威胁形势，具有成本效益，并与其他企业管理组件集成良好。不幸的是，很少有网络安全培训平台能够满足这些要求。本文提出了一种新型的网络安全培训模式，主要目标有三个：（i）培训应通过新出现的相关威胁发起，并首先交付给最脆弱的成员（ii）过程必须敏捷（iii）培训结果必须能够提供可操作的情报。本文首次建立了一个类型系统（本体和相关关系），将网络安全意识培训领域与网络威胁情报领域联系起来。在IBM Watson Knowledge Studio平台的支持下，发现所提出的方法是实用的和可扩展的。主要贡献，如类型系统的导出，100份威胁报告和127个网络安全评估结果的手动注释语料库，用于预注释的词典等都已公开。
2018-12-11 cs.CR
Efficient Collective Action for Tackling Time-Critical Cybersecurity Threats
漏洞发现、网络攻击的建立和传播之间的延迟缩短给网络安全专业人员带来了巨大的压力。为此，安全研究人员越来越多地采取集体行动，以减少描述和驯服突出威胁所需的时间。在这里，我们调查了开源威胁情报共享平台MISP的加入和贡献动态如何影响共同完成威胁描述所需的时间。我们发现，性能，定义为快速表征威胁事件的能力，受到（i）自身的复杂性（负面），（ii）集体行动（正面），（iii）学习，信息集成和模块化（正面）的影响。我们的研究结果表明，如何以模块化的方式大规模组织集体行动，以克服大量时间紧迫的任务，如网络安全威胁。
2022-10-09 cs.CR physics.soc-ph
An AI-Driven VM Threat Prediction Model for Multi-Risks Analysis-Based Cloud Cybersecurity
针对云虚拟化中VM面临的多类安全风险，本文提出MR-TPM，通过量化配置、管理及用户行为风险并利用机器学习分类器预测威胁，实验表明其可将安全威胁降低88.9%。
2023-08-18 cs.CR cs.DC
Detecting Cybersecurity Threats by Integrating Explainable AI with SHAP Interpretability and Strategic Data Sampling
Dept. of Digital Network and Information Security Management（数字网络与信息安全管理系）
本研究通过整合可解释AI与SHAP可解释性及战略数据采样，提升网络安全威胁检测的透明度和效率
2026-02-22 cs.AI cs.CR cs.LG
Cybersecurity of COSPAS-SARSAT and EPIRB: threat and attacker models, exploits, future research
COSPAS-SARSAT是一个以“卫星辅助跟踪”系统（SARSAT）为基础的“搜索和救援”（SAR）任务国际方案。它旨在提供准确、及时和可靠的遇险警报和位置数据，以帮助参与国的搜救当局协助遇险人员和船只。有两种类型的卫星星座为COSPAS-SARSAT服务，即低地球轨道搜索和救援（LEOSAR）和地球静止轨道搜索和救援（GEOSAR）。尽管COSPAS-SARSAT几乎在全球部署，而且至关重要，但不幸的是，我们发现COSPAS-SARSAT协议和标准406 MHz传输缺乏网络安全的基本手段。在本文中，我们研究COSPAS-SARSAT天基/星基系统的网络安全问题。特别是，我们实际上，成功地实现和演示了第一次（据我们所知）COSPAS-SARSAT 406 MHz协议的攻击，即重放，欺骗和协议模糊EPIRB协议。我们还确定了一组核心研究挑战，阻止在该领域进行更有效的网络安全研究，并概述了主要的网络安全弱点和可能的缓解措施，以提高系统的网络安全水平。
2023-02-16 cs.CR
Adapting Large Language Models to Emerging Cybersecurity using Retrieval Augmented Generation
School of Electrical and Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Department of Computer Science（计算机科学系）；Rochester Institute of Technology（罗切斯特理工学院）
本文提出一个基于RAG的框架，利用外部数据集和Llama-3-8B-Instruct模型，通过优化的混合检索方法提升LLMs在网络安全任务中的知识保留、时间推理准确性和适应性。
2025-10-31 cs.AI cs.CR
Exploring the Integration of Differential Privacy in Cybersecurity Analytics: Balancing Data Utility and Privacy in Threat Intelligence
University of Chadli Bendjedid, Faculty of Sciences & Technology（查德利·本杰迪德大学，科学与技术学院）
本文探讨了差分隐私在网络安全分析中的应用，通过平衡数据效用与隐私保护，提升威胁情报的安全共享能力。
2026-01-01 cs.CR
Cybersecurity Threat Hunting and Vulnerability Analysis Using a Neo4j Graph Database of Open Source Intelligence
New Mexico Cybersecurity Center of Excellence, New Mexico Tech（新墨西哥网络安全卓越中心，新墨西哥理工学院）；Sandia National Laboratories（桑迪亚国家实验室）
构建基于开源情报文本共享连接的Neo4j图数据库，通过关联IOC、CVE和MITRE ATT&CK技术ID等，实现威胁狩猎、恶意软件家族聚类和漏洞分析，并展示四个具体连接示例。
2026-06-12 cs.CR
SecureBERT 2.0: Advanced Language Model for Cybersecurity Intelligence
Cisco AI San Jose（思科AI圣何塞）
SecureBERT 2.0通过改进的长上下文建模和分层编码，提升网络安全领域威胁情报的语义搜索、分析和漏洞检测能力。
2025-10-10 cs.AI cs.CR cs.LG
RelExt: Relation Extraction using Deep Learning approaches for Cybersecurity Knowledge Graph Improvement
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Laboratory for Physical Sciences（物理科学实验室）
在“安全运营中心”（SoC）工作的安全分析师在确保组织的安全方面发挥着重要作用。他们拥有的关于不断发展的和新的攻击的背景知识的数量在他们检测攻击的能力上有很大的不同。开源威胁情报源，如关于网络攻击的文本描述，可以以结构化的方式存储在网络安全知识图谱中。网络安全知识图谱在帮助安全分析师检测网络威胁方面可能是至关重要的，因为它以可以查询的语义三元组的形式存储了大量的网络威胁信息。语义三元组包含两个网络安全实体，它们之间存在关系。在这项工作中，我们提出了一个系统来创建语义三元组的网络安全文本，使用深度学习方法来提取可能的关系。我们使用通过我们的系统生成的语义三元组的集合来在网络安全知识图谱中断言。安全分析师可以从知识图谱中检索这些数据，并使用这些信息来形成有关网络攻击的决策。
2019-05-16 cs.AI cs.CL cs.CR
An Adversarial Risk Analysis Framework for Cybersecurity
网络威胁影响着所有类型的组织。风险分析是网络安全的重要方法，因为它允许组织处理可能影响他们的网络威胁，优先考虑其资产的防御，并决定应该实施什么样的安全控制。许多风险分析方法存在于网络安全模型、合规框架和国际标准中。然而，其中大多数采用风险矩阵，其缺点可能导致次优的资源分配。我们提出了一个全面的网络安全风险分析框架，涵盖了对抗性和非故意威胁的存在，并将保险作为安全组合的一部分。一个案例研究说明了拟议的框架，作为模板，更复杂的情况下。
2019-03-18 cs.CR
Modeling Interdependent Cybersecurity Threats Using Bayesian Networks: A Case Study on In-Vehicle Infotainment Systems
本文以车载IVI系统为案例，将基于STRIDE的攻击树转换为贝叶斯网络，结合CPT、归一化DREAD、do-calculus和敏感性分析评估相互依赖的网络安全风险。
2025-05-14 cs.CR
Darknet and Deepnet Mining for Proactive Cybersecurity Threat Intelligence
Arizona State University（亚利桑那州立大学）
在本文中，我们提出了一个操作系统，用于从互联网上的各种社交平台，特别是暗网和深网上的网站收集网络威胁情报。我们专注于从黑客论坛讨论和提供专注于恶意黑客的产品和服务的市场收集信息。我们开发了一个操作系统，用于从这些网站获取信息，以识别新出现的网络威胁。目前，该系统平均每周收集305个高质量的网络威胁警告。这些威胁警告包括有关新开发的恶意软件和尚未在网络攻击中部署的漏洞的信息。这为网络维护者提供了重要的服务。通过使用各种数据采掘和机器学习技术，该系统得到了显著增强。通过使用机器学习模型，我们能够高精度地召回市场上92%的产品和论坛上80%的与恶意黑客有关的讨论。我们对收集的数据进行初步分析，展示其应用程序，以帮助安全专家更好地进行威胁分析。
2016-07-28 cs.AI cs.CR cs.CY
Exploring Challenges and Opportunities in Cybersecurity Risk and Threat Communications Related To The Medical Internet Of Things (MIoT)
随着设备互连和无处不在的计算继续在医疗保健中激增，医疗物联网（MIoT），也被称为医疗物联网（IoMT）或医疗物联网（IoHT），肯定会在全球数十亿人的健康和福祉中发挥重要作用。当涉及到与物联网相关的各种网络安全风险和威胁时，重点一直是技术挑战和技术解决方案。然而，特别是在医疗保健领域，还存在另一个重大且潜在的严峻挑战。这是一项挑战，即如何向依赖这些互联医疗技术来改善甚至维持生命的患者彻底准确地传达网络安全风险和威胁的性质和程度。本案例研究旨在评估网络安全风险的范围和深度以及向极其脆弱的患者群体提供的威胁通信，并与美国各地的心脏医疗器械专家进行了半结构化访谈。这项研究为医疗保健网络安全领域提供了科学数据，并协助学者和从业人员推进MIoT患者通信领域的教育和研究。
2019-08-02 cs.CR cs.CY
Space Cybersecurity Norms
本文探讨了太空系统环境的演变、网络威胁与脆弱性、应对威胁的替代方法及规范意义，以及制定和强化太空网络安全规范的途径。
2023-06-12 cs.CR
Artificial Intelligence for Cybersecurity: Threats, Attacks and Mitigation
National Institute of Technology Silchar（锡尔查尔国家理工学院）；Mizoram University（米佐拉姆大学）
随着数字时代的到来，由于技术的进步，每天的任务都是自动化的。然而，技术还没有为人们提供足够的工具和保障。随着互联网连接全球越来越多的设备，保护连接设备的问题以螺旋式的速度增长。数据盗窃、身份盗窃、欺诈性交易、密码泄露和系统漏洞正在成为日常新闻。最近人工智能的进步使网络攻击的威胁激增。人工智能几乎应用于不同科学和工程的各个领域。人工智能的介入不仅使特定任务自动化，而且还将效率提高了许多倍。因此，很明显，这样一个美味的传播将是非常诱人的网络犯罪分子。因此，传统的网络威胁和攻击现在是“智能”威胁。本文讨论了网络安全和网络威胁，以及防御网络攻击的传统和智能方法。最后，以人工智能在网络安全中的未来的潜在前景结束讨论。
2022-09-27 cs.AI cs.CR cs.CY
Systemization of Knowledge (SoK)- Cross Impact of Transfer Learning in Cybersecurity: Offensive, Defensive and Threat Intelligence Perspectives
本文全面综述了迁移学习在网络安全攻击、防御和威胁情报等领域的应用，强调其在提升检测准确率与隐私保护等方面的作用，并提出了未来研究路线图。
2023-09-12 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
Generating Fake Cyber Threat Intelligence Using Transformer-Based Models
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；University of North Carolina, Wilmington（北卡罗来纳大学威尔明顿分校）
正在开发网络防御系统，以自动摄取包含半结构化数据和/或文本的网络威胁情报（CTI），以填充知识图谱。一个潜在的风险是，可以通过开源情报（OSINT）社区或Web生成和传播虚假CTI，从而对这些系统进行数据投毒攻击。攻击者可以使用虚假的CTI示例作为训练输入来破坏网络防御系统，迫使模型学习不正确的输入来满足其恶意需求。在本文中，我们自动生成虚假CTI文本描述使用Transformers。我们发现，给定一个初始提示句，一个公共的语言模型，如GPT-2微调，可以产生可信的CTI文本的能力，破坏网络防御系统。我们利用生成的假CTI文本对网络安全知识图谱（CKG）和网络安全语料库进行数据投毒攻击。中毒攻击带来了不利影响，例如返回不正确的推理输出，表示中毒以及其他依赖AI的网络防御系统的损坏。我们使用传统方法进行评估，并与网络安全专业人员和威胁猎人进行人工评估研究。根据这项研究，专业的威胁猎人同样有可能认为我们生成的虚假CTI是真实的。
2021-06-18 cs.AI cs.CR
AI Security Threats against Pervasive Robotic Systems: A Course for Next Generation Cybersecurity Workforce
Mississippi State University（密西西比州立大学）
机器人技术、自动化和相关的人工智能（AI）系统已经变得普遍，带来了与安全性、准确性和信任相关的担忧。随着人们越来越依赖与人类密切接触的物理机器人，这些系统的安全性变得越来越重要，以防止可能导致隐私侵犯、关键操作破坏和身体伤害的网络攻击。目前缺乏专业人员谁可以捍卫这种系统要求开发和整合这样的课程。本课程描述包括关于“针对普适机器人系统的AI安全威胁”的七个独立和自适应模块的详细信息。主题包括：1）介绍，攻击的例子和动机; 2）-机器人AI攻击表面和渗透测试; 3）-输入传感器的攻击模式和安全策略; 4）-训练攻击和相关的安全策略; 5）-推理攻击和相关的安全策略; 6）-执行器攻击和相关的安全策略;和7）-人工智能，机器人和网络安全的伦理。
2023-02-15 cs.AI cs.CR cs.LG
TinyML-Driven Cybersecurity for Autonomous Spacecraft: Latency-Accuracy Analysis for SPARTA RF and Cyber Threat Detection
Virginia Tech（弗吉尼亚理工学院）；Hampton University（哈姆普顿大学）
针对自主航天器，基于SPARTA攻击模型分析TinyML兼容经典模型（随机森林、逻辑回归、SVM、MLP）在检测多种网络射频威胁时的延迟-精度权衡，发现逻辑回归在微秒级推理下仅比随机森林精度低1%，适合作为机载自主基线。
2026-06-04 cs.AI cs.CR stat.ML
A Review of Cybersecurity Incidents in the Water Sector
本研究对水务部门披露的、记录在案的和恶意的网络安全事件进行了严格审查，以告知针对网络安全威胁的保障工作。该审查是在工业控制系统架构，攻击防御模型和安全解决方案的技术背景下提出的。通过搜索策略选择并分析了15起事件，其中包括从联邦调查报告到科学论文的各种公共信息源。对于每一个单独的事件，情况，反应，补救措施和经验教训进行了汇编和描述。本次审查的结果表明，水部门面临的网络威胁的频率、多样性和复杂性都有所增加。虽然发现了新的威胁，如勒索软件或加密劫持，但类似的漏洞和威胁，如内部威胁的复发也很明显，强调需要一种适应性，合作性和全面的方法来进行水网络防御。
2020-07-25 cs.CR
A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
针对海事网络安全研究不足的问题，研究通过对21名高级海员的调查与访谈，揭示了培训不足、工具缺乏等系统性问题，并提出威胁分类与改进建议以增强系统弹性。
2025-07-14 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
Cybersecurity for Modern Smart Grid against Emerging Threats
本专著系统综述智能电网网络安全问题的来源、威胁分类及缓解方法，梳理最新研究成果与开放挑战，为初学者和研究者提供教程与参考。
2024-04-06 cs.CR
ICAR, a categorical framework to connect vulnerability, threat and asset managements
本文提出ICAR，一个基于范畴论的统一数学框架，用于整合NIST与MITRE网络安全本体，构建知识图谱以识别信息系统攻击与弱点结构，并定义十个查询辅助风险评估与防御组织。
2023-06-21 cs.CR math.CT
Safeguarding Skies: Airport Cybersecurity in the Digital Age
Rajamangala University of Technology Tawan-ok（大城皇家理工大学）
本文系统分析了机场面临的新兴威胁，结合现实案例和文献，首次将MITRE ATT&CK矩阵应用于机场安全风险评估，提出基于网络安全框架和零信任架构的防护策略，为航空行业应对复杂网络安全挑战提供指导。
2026-04-26 cs.CR
Enhancing cybersecurity defenses: a multicriteria decision-making approach to MITRE ATT&CK mitigation strategy
本文针对日益复杂的网络安全威胁，提出将MITRE ATT&CK框架与多准则决策技术相结合的方法，通过确定并优先排序安全控制措施来制定防御策略，帮助组织提升网络安全态势的稳健性与弹性。
2024-07-27 cs.CR
Is Generative AI the Next Tactical Cyber Weapon For Threat Actors? Unforeseen Implications of AI Generated Cyber Attacks
Quinnipiac University（昆尼皮亚克大学）；University of North Texas（北德克萨斯大学）；Texas Christian University（德克萨斯基督教大学）；West Virginia University（西弗吉尼亚大学）
本文探讨了大型语言模型被滥用生成网络攻击的威胁，介绍了switch和character play等方法绕过安全机制，并提出定制微调模型Occupy AI自动化执行钓鱼、恶意软件注入等攻击，呼吁加强伦理规范与防御。
2024-08-23 cs.AI cs.CR
CyTReX: Explainable AI-Based Cybersecurity Threat Reasoning Framework for DER Networks
Iowa State University（爱荷华州立大学）
针对DER网络，提出基于证据的威胁推理框架CyTReX，利用结构化证据包约束LLM推理，将异常警报转化为可追溯的排序威胁假设，支持SOC分诊，提升假设特异性和分析基础性。
2026-10-06 cs.AI cs.CR cs.LG
Assessing the influence of cybersecurity threats and risks on the adoption and growth of digital banking: a systematic literature review
该研究通过系统综述2015至2024年间78篇文献，评估网络安全威胁对数字银行安全、采用及合规的影响，发现网络钓鱼和恶意软件为主要威胁，MFA和生物识别等防护措施有效，但第三方金融科技带来新风险，需加强监管。
2025-03-23 cs.CR cs.CY
Generative AI in Cybersecurity: A Comprehensive Review of LLM Applications and Vulnerabilities
Guelma University（盖勒马大学）；Technology Innovation Institute（技术创新研究院）；Concordia University（康考迪亚大学）；University of Oslo（奥斯陆大学）；Khalifa University of Science and Technology（哈利法科技大学）
该综述梳理了大语言模型在多类网络安全场景的应用、现有漏洞与防护策略，评估了42款模型的安全性能与相关数据集，总结了优化LLM安全应用的技术，为LLM融入网络安全框架提供方向。
2025-01-17 cs.AI cs.CR
Cyber Security Threat Awareness Framework for High School Students in Qatar
网络安全被认为是当今世界任何人的必需品。网络安全标准和最佳实践的意识已经成为强制性的，以保护一个孩子在这个时代。今天的高中生不了解网络安全威胁，因为缺乏父母的参与或缺乏高中的教育材料和课程。这项研究开发了一个框架，解决了高中生缺乏网络安全意识的问题。建议的框架提供了一个流程的步骤，为K12提供有效的认识方法。这是通过创建一个功能操作框架的方法来实现的，该框架包括四个阶段，即威胁和攻击识别、现有意识发现、创建意识方法和意识方法评估。这一产出产生了专门针对k-12年龄段的网络安全意识方法，该方法利用了网络安全表情符号。因此，通过探索这种方法，安全社区可以招募和吸引青少年参与网络安全，提高安全意识的程度。
2022-07-02 cs.CR
AgentCyTE: Leveraging Agentic AI to Generate Cybersecurity Training & Experimentation Scenarios
针对网络安全场景设计依赖人工、LLM无约束生成易失效的问题，提出融合LLM推理与约束网络仿真的AgentCyTE框架，通过智能体反馈循环迭代优化场景，实现可靠可扩展的威胁场景生成。
2025-10-29 cs.CR
MITRE ATT&CK Applications in Cybersecurity and The Way Forward
National University of Singapore（新加坡国立大学）；NCS Cyber Special Ops R&D（NCS网络特种作战研发部门）
本文综述417篇同行评审论文，梳理MITRE ATT&CK在威胁情报、检测响应及跨框架互操作中的应用，并评估其行业挑战与未来方向。
2025-02-15 cs.AI cs.CR
