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
Automated CVE Analysis for Threat Prioritization and Impact Prediction
Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina - Charlotte（北卡罗来纳大学夏洛特分校）
针对CVE分析中人工评估效率低、易出错的问题，提出CVEDrill模型，自动估计CVSS向量并分类至CWE层级，实现精准威胁缓解与优先级排序，超越现有工具。
2023-09-06 cs.CR cs.LG
Linking Threat Tactics, Techniques, and Patterns with Defensive Weaknesses, Vulnerabilities and Affected Platform Configurations for Cyber Hunting
存在许多网络威胁和漏洞信息的公共来源，以帮助保护网络系统。本文链接了MITRE的ATT&CK战术和技术矩阵、NIST的常见弱点枚举（CWE）、常见漏洞和暴露（CVE）以及常见攻击模式枚举和分类列表（CAPEC），以进一步了解警报、威胁和漏洞。我们保留了源的所有条目和关系，同时在称为BRON的聚合数据图中启用双向关系路径追踪。在一个示例中，我们使用BRON来增强从前10个最常被利用的CVE列表中导出的信息。我们确定了攻击模式，战术和技术，利用这些CVE，也发现了多少相关的信息存在这些CVE的差异。这促使我们进一步清点BRON的来源收集，以提供公共数据源的覆盖范围和盲点的程度和范围。
2021-02-10 cs.CR
Attacker Control and Bug Prioritization
本研究提出攻击者控制概念及 Shrink and Split 算法，通过提取控制域并计算加权定量控制指标，实现高效精确的漏洞优先级排序，能区分特定漏洞并纠正人工评估错误。
2025-03-31 cs.CR
Automated Vulnerability Validation and Verification: A Large Language Model Approach
Purdue University（普渡大学）
针对已知漏洞复现缺乏高质量数据集、CVE信息不全的问题，提出基于LLM与RAG的端到端多步骤漏洞验证流水线，可自动化构建容器环境生成利用代码，适配多模型且开源相关产物。
2025-11-13 cs.CR
Predicting Known Vulnerabilities from Attack Descriptions Using Sentence Transformers
本研究提出基于变压器的句子嵌入方法，通过攻击描述预测已知漏洞，提升网络攻击与漏洞关联的自动化水平。
2026-02-25 cs.CR
AI Code Sandboxes: A Comparative Security Study. Part 1 of 2 -- Engine-Level Properties (Attack Surface, Leakage, Stackability, CVE History, Patch Cadence, Fuzzing)
orbitalab.dev（orbitalab实验室）；fellows.tech（fellows技术）
本文通过六项引擎级测量，比较五种 AI 沙箱产品隔离访客代码与主机内核的能力，发现引擎类在架构轴上清晰分离，但产品内无差异；补丁策略是主要操作变量；模糊测试投资分为三层，最强组合（微VM × 持续公共模糊测试）空缺。
2026-06-07 cs.AI cs.CR
From Attack Descriptions to Vulnerabilities: A Sentence Transformer-Based Approach
Free University of Bozen-Bolzano（博洛尼亚自由大学）；Masaryk University（马萨里克大学）
针对安全领域攻击与漏洞手动映射不可行的问题，本文评估14种SOTA句子Transformer，发现MMPNet模型性能最优，还发现未记录的攻击-漏洞关联，提升了安全事件响应能力。
2025-09-03 cs.CL cs.CR cs.LG
One Pipeline Does Not Fit All: TAILOR, a Type- and State-Aware Framework for CVE Reproduction
Xidian University（西安电子科技大学）
TAILOR是一个类型与状态感知的多智能体框架，通过自适应执行路径和前置状态构建，在200个CVE数据集上分别复现59.24%的Web漏洞和44.19%的传统漏洞，提供可审计证据。
2026-09-30 cs.CR
Policy-Driven Vulnerability Risk Quantification framework for Large-Scale Cloud Infrastructure Data Security
Northeastern University（东北大学）
本文提出MVRAF框架，通过整合异构攻击属性、分析风险因素相关性及累积风险分布，提升大规模CVE安全分析的自动化和量化水平。
2026-03-30 cs.CR
TitanCA: Lessons from Orchestrating LLM Agents to Discover 100+ CVEs
Monash University（莫纳什大学）；Singapore Management University（新加坡管理大学）；The University of Sydney（悉尼大学）；GovTech, Singapore（新加坡政府科技局）
本文介绍TitanCA，一种通过编排多个LLM代理进行漏洞发现的流水线，已在开源软件中发现203个零日漏洞并产生118个CVE。
2026-08-25 cs.CR
Evading and crashing anti-malware solutions via data collection overloading during analysis serialization
Athens University of Economics and Business（雅典经济与商业大学）；University of Piraeus（比雷埃夫斯大学）；Information Management Systems Institute of Athena Research Centre（雅典研究中心信息管理研究所）
本文研究了通过在分析序列化过程中数据收集过载来规避和崩溃反恶意软件解决方案的问题，提出了Telemetry Complexity Attacks（TCAs）这一新类漏洞，利用无界收集机制与有界处理能力之间的不匹配，导致数据处理组件出现拒绝分析（DoA）状态，并评估了该技术对18种商业和开源恶意软件分析平台和终端检测与响应（EDR）解决方案的影响。
2026-05-17 cs.CR
GitHub Engagement Signals for CVE Prioritization: The GitHub Popularity Metric (GPM)
Leiden University（莱顿大学）
针对漏洞优先级排序的挑战，提出基于 GitHub 仓库流行度（星标、分叉、用户数）的 GPM 指标，与现有指标比较并集成到 EPSS v5，为防御者提供新见解。
2026-09-28 cs.CR
From Training to Escalation: Forensic Analysis and Local Recreation of RL/RLHF-Induced Privilege Escalation in AI Agents (CVE-2026-65616)
Universidad de Jaen（哈恩大学）；IA-ismo LAB（IA-ismo实验室）
本文通过取证分析和容器化复现，验证了2026年关于LLM智能体权限升级的报道，复现了CVE-2026-65616漏洞，发现训练与攻击的配置错误模式一致，并指出零信任架构可中和该风险。
2026-10-14 cs.AI cs.CR cs.MA
MalCVE: Malware Detection and CVE Association Using Large Language Models
Norwegian University of Science and Technology（挪威科技大学）
MalCVE利用大语言模型检测恶意软件并关联CVE，实现高准确率的恶意软件识别和漏洞关联。
2026-02-02 cs.CR cs.SE
Automated CVE Analysis: Harnessing Machine Learning In Designing Question-Answering Models For Cybersecurity Information Extraction
Colorado State University（科罗拉多州立大学）
本文针对网络安全非结构化文本信息抽取的挑战，构建了特定领域的问答数据集并训练了机器学习模型，为自动化构建网络安全知识图谱提供了关键支撑。
2024-12-21 cs.CL cs.CR cs.LG
Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科罗拉多斯普林斯分校 (UCCS)）
本文提出基于SBOM图学习的方法，通过构建异构图预测软件供应链中的多漏洞攻击链，验证结果显示模型在识别漏洞关联和预测攻击链方面具有高准确率。
2026-07-17 cs.CR cs.LG cs.SE
CPE-Identifier: Automated CPE identification and CVE summaries annotation with Deep Learning and NLP
ST Engineering（科技工程公司）
针对NVD中CPE与CVE摘要关联耗时的问题，提出CPE-Identifier系统，利用深度学习与NLP自动识别CPE实体，F1达95.48%，性能优于先前工作9%以上。
2024-05-22 cs.AI cs.CL cs.CR
The Security War in File Systems: An Empirical Study from A Vulnerability-Centric Perspective
本文从可扩展性的角度对现代文件系统的安全性进行了系统的研究。具体来说，我们收集了377个文件系统漏洞提交到过去20年的CVE数据库。我们从四个维度来描述它们，包括为什么会出现漏洞，如何利用漏洞，会产生什么后果，以及如何修复漏洞。通过这种方式，我们可以深入了解文件系统面临的攻击面、攻击面造成的威胁以及减轻文件系统中攻击的良好和不良做法。我们设想，我们的研究将带来的见解对未来的发展文件系统，增强文件系统的安全性，以及相关的漏洞缓解解决方案。
2022-04-26 cs.CR
Dynamic Risk Assessment by Bayesian Attack Graphs and Process Mining
DIETI University of Naples Federico II（那不勒斯费德里科二世大学DIETI部门）；Department of Engineering University Campus Bio-Medico of Rome（罗马生物医学大学工程学院）
本文结合贝叶斯攻击图与过程挖掘技术，动态评估系统漏洞被利用的可能性，通过分析网络流量检测漏洞利用行为，更新概率表以实现风险评估。
2026-04-20 cs.CR cs.LG cs.NI
CVE-LLM : Ontology-Assisted Automatic Vulnerability Evaluation Using Large Language Models
Digital Technology and Innovation, Siemens Healthineers USA（美国西门子医疗数字技术与创新部门）；Cybersecurity, Siemens Healthineers Germany（德国西门子医疗网络安全部门）；Corporate Technology, Siemens AG Romania（罗马尼亚西门子公司企业技术部门）
针对漏洞数量激增的安全需求，提出CVE-LLM方法，结合网络安全本体丰富历史数据，无需重训练即可识别新漏洞，已集成到内部系统辅助专家评估，并给出LLM集成安全工具的指南。
2025-02-21 cs.CL cs.CR
An Approach to Generate Attack Graphs with a Case Study on Siemens PCS7 Blueprint for Water Treatment Plants
IC/UFRJ（联邦里约热内卢大学计算机学院）；PPGI/IC/UFRJ（联邦里约热内卢大学计算机学院计算与信息系统研究生项目）；Siemens（西门子）
本文提出一种半自动化方法生成工业控制系统中的攻击图，通过整合网络拓扑与漏洞数据，分析多步骤攻击场景，以西门子PCS7蓝图为例展示其在模拟攻击情景和风险缓解中的应用。
2026-03-26 cs.CR
CVE-Bench: A Benchmark for AI Agents' Ability to Exploit Real-World Web Application Vulnerabilities
University of Illinois, Urbana-Champaign, USA（伊利诺伊大学厄巴纳-香槟分校）
针对LLM智能体利用真实Web漏洞的风险，提出CVE-Bench基准，基于严重CVE构建沙箱评估框架，最先进智能体仅能解决13%漏洞。
2025-06-24 cs.AI cs.CR
NXNSAttack: Recursive DNS Inefficiencies and Vulnerabilities
本文揭示了一个新的漏洞，并介绍了一种相应的攻击，即不存在的名称服务器攻击（NXNSAttack），它会中断并可能瘫痪DNS系统，使Internet用户难以或无法访问网站、Web电子邮件、在线视频聊天或任何其他在线资源。NXNSAttack在DNS解析器和DNS权威名称服务器之间生成数据包风暴。风暴是由解析器对权威名称服务器的无限制引用响应消息的响应产生的。该攻击比NXDomain攻击更具破坏性（例如，Mirai攻击）：i）它在由递归解析器交换的分组的数量上达到大于1620倍的放大因子。ii）除了负缓存之外，攻击还使解析器缓存的“NS”部分饱和。为了减轻攻击的影响，我们提出了对递归解析器算法MaxFetch（k）的增强，以防止不必要的主动获取。我们在BIND解析器上实现了MaxFetch（1）缓解增强，并在真实世界的DNS查询数据集上进行了测试。我们的结果表明，MaxFetch（1）既没有降低递归解析器的吞吐量，也没有降低其延迟。在发现攻击后，进行了负责任的披露程序，几家DNS供应商和公共提供商发布了CVE并修补了他们的系统。
2020-09-29 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
GARAGE: Characterizing the Automation Boundary in LLM-based Attack Graph Generation
School of Cybersecurity, Korea University（高丽大学网络安全学院）；Samsung Electronics（三星电子）；Agency for Defense Development (ADD)（国防发展局）
研究针对现代车辆安全CTI合成难题，提出GARAGE框架，通过RAG技术将碎片化CTI转化为特定领域知识库用于攻击图生成，经实验验证能准确转移安全知识，还可作为TARA支持工具提供性价比分析以指导在各LLM层级部署。
2026-07-21 cs.CR
Predicting Network Attacks Using Ontology-Driven Inference
Research Institute for ICT (ex ITRC)（信息与通信技术研究所（原ITRC））
图知识模型和本体是非常强大的建模和推理工具。我们提出了一种有效的方法来建模网络攻击和攻击预测，在安全管理中起着重要的作用。本研究的目标是：第一，我们使用知识表示方法，以提供描述逻辑推理和推理的攻击域概念的网络攻击，其先决条件和后果建模。其次，我们提出了一个基于本体的系统，预测潜在的攻击，使用推理和观察信息提供的感官输入。我们生成我们的本体，并使用CAPEC，CWE和CVE分层数据集评估相应的方法。实验结果表明，与传统的层次模型和关系模型相比，该模型具有显著的性能改进。该方法还减少了虚警，提高了入侵检测的有效性。
2013-04-03 cs.AI cs.CR cs.NI
CVE-LLM : Automatic vulnerability evaluation in medical device industry using large language models
Siemens Healthineers USA（西门子医疗美国公司）；Siemens Healthineers Germany（西门子医疗德国公司）；Siemens AG Romania（西门子罗马尼亚公司）
本文提出CVE-LLM，利用大型语言模型从历史数据中学习，实现医疗器械行业漏洞的自动评估，并引入人机协同框架以加速评估流程。
2024-07-19 cs.AI cs.CL cs.CR
From Description to Score: Can LLMs Quantify Vulnerabilities?
University of North Carolina Wilmington（北卡罗来纳大学 Wilmington 分校）
本研究探讨了大语言模型在自动化CVSS评分中的潜力，发现其在某些指标上表现优异，但存在分类错误问题，需改进漏洞描述以提升自动化评分的可靠性。
2026-01-05 cs.AI cs.CR cs.PL
VulnGym: Evaluating Vulnerability Management Strategies against Advanced Persistent Threats
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；Gran Sasso Science Institute（格兰萨索科学研究所）
针对企业网络受APT攻击及现有漏洞管理评估缺陷，提出VulnGym模拟工具，通过模拟基于真实APT配置文件训练的攻击者与执行可配置补丁策略的防御者对抗，依多因素定制漏洞管理，经实验验证其有效性。
2026-07-28 cs.CR
RASP for LSASS: Preventing Mimikatz-Related Attacks
本研究分析Windows认证子系统lsass.exe的漏洞，提出并评估主动防御措施以抵御Mimikatz相关攻击，强调现实环境中的有效性。
2023-12-30 cs.CR cs.OS
V2W-BERT: A Framework for Effective Hierarchical Multiclass Classification of Software Vulnerabilities
Purdue University（普渡大学）；Boise State University（博伊西州立大学）；Pacific Northwest National Lab（太平洋西北国家实验室）；Carnegie Mellon University（卡内基梅隆大学）
计算机系统中的弱点，例如软件的架构、设计或实现中的故障、漏洞和错误，提供了可被攻击者利用以危及系统安全的漏洞。通用弱点枚举（CWE）是一个分层设计的软件弱点字典，它提供了一种了解软件缺陷、利用这些缺陷的潜在影响以及减轻这些缺陷的方法。常见漏洞和暴露（CVE）是简短的低级别描述，用于唯一标识特定产品或协议中的漏洞。将CVE分类或映射到CWE提供了一种了解影响和减轻漏洞的方法。由于手动绘制CVE不是一个可行的选择，自动化方法是可取的，但具有挑战性。本文提出了一种新的基于transformer的学习框架（V2 W-BERT）。通过使用来自自然语言处理、链接预测和迁移学习的思想，我们的方法不仅对于具有大量数据要训练的CWE实例，而且对于具有很少或没有数据要训练的稀有CWE类，都优于以前的方法。我们的方法也显示出显着的改进，在使用历史数据来预测链接未来的实例的CVE，因此，提供了一个可行的方法，为实际应用。使用MITRE和国家漏洞数据库的数据，我们实现了高达97%的预测准确率随机分区的数据和高达94%的预测准确率在时间上分区的数据。我们相信，我们的工作将影响更好的方法和培训模型的设计，以及解决网络安全中日益困难的问题的应用程序。
2021-02-23 cs.CR cs.LG
Iota: A Framework for Analyzing System-Level Security of IoTs
大多数物联网系统涉及物联网设备、通信协议、远程云、物联网应用程序、移动应用程序和物理环境。然而，现有的物联网安全分析只关注所有必要组件的子集，如设备固件，而忽略了物联网系统的交互性，导致攻击检测能力有限。在这项工作中，我们提出了Iota，一个基于逻辑编程的框架来执行物联网系统的系统级安全分析。Iota为物联网系统生成攻击图，显示所有可能受到攻击的系统资源，并列举潜在的攻击痕迹。在构建Iota的过程中，我们设计了新颖的技术来扫描物联网系统中的单个漏洞，并进一步为物联网漏洞创建通用的利用模型。我们还识别和建模不同设备之间的物理依赖关系，因为它们是物联网系统所独有的，并且被对手用来发起复杂的攻击。此外，我们利用NLP技术来提取基于应用描述的物联网应用语义。为了评估漏洞对系统范围的影响，我们根据攻击图提出了两个指标，为加强物联网系统提供指导。通过对127个物联网漏洞的评估表明，Iota的漏洞利用建模模块在预测漏洞的前提条件和影响方面达到了80%以上的准确率。我们将Iota应用于37个基于真实物联网应用和设备的合成灵巧家庭物联网系统。实验结果表明，我们的框架是有效的和高效的。在攻击图显示的27条最短攻击路径中，62.8%是系统管理员没有预料到的。只需1.2秒即可生成和分析由50台设备组成的物联网系统的攻击图。
2022-02-05 cs.CR
Towards Agentic Honeynet Configuration
本文提出基于AI的代理架构，动态调整蜜罐暴露以应对攻击，提高资源受限环境下的效率。
2026-03-14 cs.AI cs.CR
TOSSS: a CVE-based Software Security Benchmark for Large Language Models
University of Twente（特文特大学）；CWI Amsterdam（阿姆斯特丹信息与计算科学研究所）；Erasmus University Rotterdam（埃因霍温大学 Rotterdam分校）；Modat
本文提出TOSSS基准，用于评估大语言模型在选择安全与易受攻击代码片段能力，通过CVE数据库提供可扩展框架，评估14种模型在C/C++和Java代码中的安全得分，范围0.48至0.89。
2026-03-16 cs.CL cs.CR cs.LG
The Human Vulnerabilities & Exploits (HVE) Framework
Charm Security
针对社会工程和欺诈攻击缺乏标准化框架的问题，本文提出HVE框架，基于行为科学理论分类、评分和缓解人类行为心理漏洞。
2026-06-08 cs.CR cs.CY
VULNERLIZER: Cross-analysis Between Vulnerabilities and Software Libraries
University of Innsbruck（因斯布鲁克大学）
本文提出 VULNERLIZER 框架，通过聚类算法对 CVE 与软件库进行交叉分析并训练模型更新权重，实现对未来易受攻击软件库的预测，准确率达 75% 以上。
2023-09-18 cs.CR cs.LG cs.SE
ASSEMBLAGE-DEEPHISTORY: A Cross-Build Binary Dataset with Temporal Coverage
Syracuse University（Syracuse大学）；Booz Allen Hamilton；Independent Researcher（独立研究员）；CrowdStrike
本文提出ASSEMBLAGE-DEEPHISTORY数据集，整合了跨构建多样性、跨版本历史和CVE标签，为二进制分析提供统一框架，通过三个分析验证了其在LLM漏洞检测、版本聚类和二进制相似性分解中的价值。
2026-05-20 cs.CR cs.LG cs.SE
How Can ChatGPT Support Human Security Testers to Help Mitigate Supply Chain Attacks?
Wake Forest University（维克森林大学）；Virginia Tech（弗吉尼亚理工大学）
本文探讨利用ChatGPT生成供应链攻击测试的方法，通过模板生成测试用例，发现49个应用中的漏洞，并优于现有工具。
2026-03-29 cs.CR cs.SE
Cascade: Composing Software-Hardware Attack Gadgets for Adversarial Threat Amplification in Compound AI Systems
本文提出通过结合传统软件硬件漏洞与LLM算法攻击，实现复合AI系统中的对抗性威胁放大，展示两种新型攻击方法并系统化分析其组合。
2026-03-12 cs.AI cs.CR
Security Weaknesses in IoT Management Platforms
本研究系统性评估了52个物联网管理平台，发现其中33个存在安全漏洞，包括未授权访问和身份验证破坏，可致远程SIM卡停用、数据伪造及账户接管等攻击，并获11个CVE编号。
2023-07-26 cs.CR
TORCHLIGHT: Shedding LIGHT on Real-World Attacks on Cloudless IoT Devices Concealed within the Tor Network
本研究开发了TORCHLIGHT工具，通过分析Tor流量检测针对无云IoT设备的威胁，12个月内分析26TB流量，揭示45个漏洞（含29个零日漏洞），影响148国约1271万台设备。
2025-01-28 cs.CR
Demystifying RCE Vulnerabilities in LLM-Integrated Apps
本研究提出LLMSmith，通过静态分析与提示注入方法，系统检测并利用LLM集成框架及应用中的RCE漏洞，发现20个漏洞并验证攻击，提出缓解措施。
2025-02-27 cs.CR
OmniBOR: A System for Automatic, Verifiable Artifact Resolution across Software Supply Chains
本文提出OmniBOR系统，通过构建制品依赖图追踪软件依赖，结合编译器和构建追踪两种实现方式，有效支持CVE检测与SBOM计算，保障软件供应链安全。
2024-02-14 cs.CR cs.SE
Breaking to Build: A Threat Model of Prompt-Based Attacks for Securing LLMs
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
该研究针对大语言模型面临的提示攻击安全问题，通过全面文献调研对基于提示的攻击方法分类并构建威胁模型，详述其机制与影响，为研发能抵御未授权蒸馏、微调、编辑的下一代安全大语言模型提供支撑。
2025-09-04 cs.CL cs.CR cs.LG
CyberForge: Verified Vulnerability Injection at Repository Level for Cybersecurity Agent Training
National Institute of Standards and Technology（美国国家标准与技术研究院）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；University of Maryland, College Park（马里兰大学帕克分校）
本研究提出CyberForge框架，通过向真实C/C++项目注入漏洞生成经验证的代码仓库级安全训练数据，微调后可提升智能体在SEC-bench和PatchEval上的漏洞修复性能。
2026-08-10 cs.AI cs.CR cs.SE
Trusting-Trust Attack against an Entire Linux Distribution through Binary Manipulation
Institut Polytechnique de Paris（巴黎理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
研究针对Linux发行版的信任-信任攻击，利用对成品ELF文件的操作，围绕GNU strip构建攻击。在NixOS引导中植入有效载荷，在实际nixpkgs版本上成功构建安装程序并植入后门，证明该攻击不限于编译器。
2026-09-16 cs.CR cs.SE
Preventing Attacks on Anonymous Data Collection
匿名数据汇集系统允许用户贡献构建服务和应用程序所需的数据，同时保护他们的隐私。然而，恶意代理可能会滥用匿名性，目的是破坏或破坏数据汇集，例如通过注入伪造的数据。在本文中，我们提出了一个有效的机制，以限制攻击者，而不损害隐私和匿名的用户贡献的数据。建议的系统建立在直接匿名证明之上，这是一种经过验证的加密原语。我们描述了一组速率限制规则可以被形式化，以定义一个规范的空间，在该空间中，攻击者发送的消息可以被链接，因此，丢弃。我们提出了在现有的数据汇集系统上构建和部署这种保护所需的所有组件，开销很小。经验评估产生的性能高达125和140消息每秒分别为中继器和收集器上的标称硬件。当使用Tor作为网络层时，通信延迟在第95个百分位数中被限制为4秒。
2018-12-19 cs.CR cs.CY
An In-depth Study of Java Deserialization Remote-Code Execution Exploits and Vulnerabilities
如今，越来越多的应用程序使用了并行化。此技术基于从序列化字节流重建对象实例，可能是危险的，因为如果要验证的数据来自不受信任的源，则它可能使应用程序受到远程代码执行（RCE）等攻击。恶意化漏洞是如此重要，以至于它们被OWASP列为Web应用程序的十大安全风险之一。这主要是由应用程序开发过程中的错误及其依赖关系中的缺陷造成的，即，这些应用程序使用的库中的缺陷。以前的工作没有深入研究过网络化攻击：它们是如何执行的？如何引入和修补漏洞？漏洞在代码库中存在多长时间？为了更深入地了解这种重要的漏洞，我们进行了两个主要的分析：一个是攻击工具，即，Java库中存在的可利用代码片段，以及Java应用程序中存在的漏洞。对于第一个分析，我们通过运行256515个实验进行了探索性的大规模研究，在这些实验中，我们为19个公开可用的漏洞中的每一个改变了库的版本。这种攻击依赖于一个或多个Java库中存在的小工具的组合。Gadget是一种使用攻击者可以控制的对象或字段的方法。我们的目标是精确识别包含小工具的库版本，并了解小工具是如何引入的以及如何修补的。我们观察到，对类中一个看似无辜的细节进行修改--比如将其公开--已经可以引入一个小工具。此外，我们注意到，在所研究的库中，37.5%没有打补丁，这使得小工具可以用于未来的攻击。对于第二个分析，我们手动分析了104个虚拟化漏洞CVE，以了解漏洞是如何在实际的Java…
2022-08-17 cs.CR cs.SE
Systematic Attack Surface Reduction For Deployed Sentiment Analysis Models
Auburn University（奥本大学）；PeopleTec, Inc（PeopleTec公司）
这项工作提出了一种结构化的方法来确定模型的基线，识别攻击向量，并在部署后保护机器学习模型。这种在部署后保护每个模型的方法称为BAD（构建、攻击和防御）架构。BAD架构的两个实现进行评估，以量化的黑盒情感分析系统的对抗生存周期。作为一个具有挑战性的诊断，Jigsaw Toxic Bias数据集被选为我们性能工具的基线。架构的每个实现都将构建一个基准性能报告，攻击一个常见的弱点，并防御传入的攻击。作为一个重要的注意事项：本工作中演示的每个攻击表面都是可检测和可预防的。我们的目标是展示一种可行的方法，用于在生产环境中保护机器学习模型。
2020-06-19 cs.CR cs.LG stat.ML
