Markov Decision Process For Automatic Cyber Defense
对于安全分析师来说,检测或防御网络攻击是一项挑战。此外,传统的防御部署方法需要安全分析人员在防御部署存在不确定性的情况下手动执行防御。因此,开发自动化和弹性防御部署机制以阻止新一代攻击至关重要。在本文中,我们提出了一个框架的基础上马尔可夫决策过程(MDP)和Q-学习自动生成最佳防御解决方案的网络系统状态。该框架由四个阶段组成,即模型初始化阶段、模型生成阶段、Q学习阶段和结论阶段。该模型收集真实的网络信息作为输入,然后将其构建为结构化数据。我们在模型中实现了一个Q学习过程,以学习特定状态下防御行动的质量。为了研究该模型的可行性,我们进行了仿真实验,结果表明,该模型可以降低网络系统的风险,从网络攻击。此外,实验表明,当使用不同的参数进行Q学习时,该模型表现出一定程度的灵活性。
2022-07-13 cs.CR
CTINexus: Automatic Cyber Threat Intelligence Knowledge Graph Construction Using Large Language Models
Virginia Tech(弗吉尼亚理工大学);UC Berkeley(加州大学伯克利分校)
CTINexus利用大语言模型的优化上下文学习,无需大量数据即可自动从CTI报告中提取知识并构建高质量网络安全知识图谱,显著优于现有方法。
2025-04-21 cs.AI cs.CR cs.LG
Automatic Investigation Framework for Android Malware Cyber-Infrastructures
Android系统的普及,不仅在手机设备中,而且在物联网设备中,使其成为恶意软件非常有吸引力的目的地。事实上,恶意软件正在以类似的速度扩张,目标是在大多数情况下依赖互联网正常工作的设备。最先进的恶意软件缓解解决方案主要集中在使用动态和静态分析特征来区分恶意应用程序和良性应用程序的实际恶意Android应用程序的检测上。然而,Android恶意应用程序的互联网/网络维度的覆盖范围很小。在本文中,我们提出了ToGather,一个自动调查框架,以Android恶意软件样本,作为输入,并产生一个关于这些样本家庭的恶意网络基础设施的情况意识。ToGather利用最先进的图论技术来生成可操作的粒度智能,以减轻Android恶意软件应用程序的恶意互联网活动所带来的威胁。我们对来自不同Android家族的真实恶意软件样本进行了ToGather实验,获得的结果非常有趣,非常有前途
2018-06-23 cs.CR
Towards Reconstructing Multi-Step Cyber Attacks in Modern Cloud Environments with Tripwires
快速变化的云环境由高度互连的组件组成,很难保护。现有的解决方案通常试图将许多弱指标关联起来,以识别和重建多步网络攻击。由于这些指标之间缺乏真正的因果联系,管理员仍然有很多假阳性可以浏览。我们认为,如果以结构化和自动化的方式使用,网络欺骗可以提高攻击检测系统的精度,即,以所谓的绊网的形式,其最终跨越攻击图,这有助于攻击重建算法。本文提出了一个框架,结合网络欺骗,自动绊网注入和攻击图,这最终使我们能够在现代云环境中重建多步网络攻击的想法。
2020-09-25 cs.CR
Automatic Mapping of Unstructured Cyber Threat Intelligence: An Experimental Study
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);University of Bern(伯尔尼大学)
主动的安全方法,如对手模拟,利用有关威胁行为者及其技术的信息(网络威胁情报,CTI)。然而,大多数CTI仍然以非结构化形式出现(即,自然语言),例如事件报告和泄露的文档。为了支持主动的安全工作,我们提出了一个实验研究的非结构化CTI的攻击技术,使用机器学习(ML)的自动分类。我们贡献了两个新的CTI分析数据集,并评估了几个ML模型,包括传统的和基于深度学习的ML模型。我们提出了几个关于ML如何执行这项任务的经验教训,哪些分类器表现最好,在哪些条件下,这是分类错误的主要原因,以及CTI分析面临的挑战。
2022-08-25 cs.CL cs.CR cs.LG
Reconfigurable and Scalable Honeynet for Cyber-Physical Systems
本文提出一种面向信息物理系统的可扩展、可重构蜜网,并配套自动攻击生成工具以测试验证系统,同时为攻击检测与分类算法训练提供数据集基础。
2024-04-05 cs.CR
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
AutoCRAT: Automatic Cumulative Reconstruction of Alert Trees
针对网络攻击后网络分诊难度大、需自动化的问题,提出AutoCRAT系统,可自动重构告警树以量化威胁并分诊排序,经真实数据集验证能高效重构告警树并助力可视化。
2024-09-17 cs.CR
SmartValidator: A Framework for Automatic Identification and Classification of Cyber Threat Data
安全运营中心(SOC)使用各种网络威胁信息(CTI)来验证安全事件和警报。安全专家根据CTI手动定义不同类型的规则和脚本来执行验证任务。这些规则和脚本需要不断更新,因为不断变化的威胁,不断变化的SOC的要求和CTI的动态性质。更新规则和脚本的手动过程会延迟对攻击的响应。为了减轻人类专家的负担并加快响应速度,我们提出了一种新的基于人工智能(AI)的框架SmartValidator。SmartValidator利用机器学习(ML)技术实现警报的自动验证。它由三层组成,执行数据汇集、模型构建和警报验证任务。它将验证任务投影为分类问题。而不是建立和保存模型的所有可能的要求,我们建议自动构建验证模型的基础上SOC的要求和CTI。我们构建了一个概念验证(Proof of Concept,简称PMM)系统,其中包含8种ML算法、2种特征工程技术和18项需求,以研究SmartValidator的有效性和效率。评估结果表明,当自动构建预测模型用于对网络威胁数据进行分类时,75%的模型的F1得分高于0.8,这表明该模型具有足够的性能,可用于现实世界的组织。结果进一步表明,预测模型的动态构建所需的模型比所有可能要求的预构建模型少99%。该框架可以被各个行业遵循,以根据其CTI和SOC的偏好加速和自动化警报和事件的验证。
2022-03-15 cs.CR cs.SE
Machine Learning-Based Cyberattack Detection and Identification for Automatic Generation Control Systems Considering Nonlinearities
Khalifa University(哈利法大学);University of Toronto(多伦多大学)
针对AGC系统易受FDIA攻击的问题,提出基于机器学习的检测框架,通过离线训练模型提取扰动前后测量特征检测攻击并分类操纵信号,F1分数达99.98%且误报率低,性能优于现有方法。
2025-04-12 cs.CR cs.LG
An Argumentation-Based Reasoner to Assist Digital Investigation and Attribution of Cyber-Attacks
Imperial College London(帝国理工学院)
我们预计网络攻击的频率和严重程度会增加,同时需要有效的安全对策。确定网络攻击的原因有助于制定有效和有针对性的缓解和预防安全措施。在这项工作中,我们提出了一种基于论证的推理机(ABR)作为概念验证工具,可以在法医证据分析和归因过程中帮助法医分析师。鉴于从网络攻击中收集的证据,我们的推理机可以在调查过程中帮助分析师分析证据并确定谁进行了攻击。此外,它通过提示缺失的证据或新的调查路径,向分析师建议进一步分析的重点。ABR是第一个可以在网络攻击分析中结合技术和社会证据的自动推理器,也可以处理不完整和相互冲突的信息。为了说明ABR如何帮助分析和归因网络攻击,我们使用了公开报告和在线文献中报告的网络攻击及其分析的示例。我们并不打算同意或不同意其中提出的分析或得出归因结论。
2020-01-21 cs.AI cs.CR
Taking Control: Design and Implementation of Botnets for Cyber-Physical Attacks with CPSBot
最近,Mirai和Persirai等僵尸网络大规模瞄准物联网设备。我们考虑僵尸网络对网络物理系统(CPS)的攻击,这需要先进的功能,如实时控制物理过程。传统的僵尸网络不适合这一目标,主要是因为它们缺乏进程控制能力,没有针对低延迟通信进行优化,并且僵尸程序通常不利用本地资源。我们认为,这种攻击需要网络物理僵尸网络。网络物理僵尸网络需要协调和异构的机器人,能够执行对抗控制策略,同时受到目标CPS的约束。在这项工作中,我们提出了CPSBot,一个框架来建立网络物理僵尸网络。我们提出了一个例子,集中式CPSBot针对集中控制系统和分散式CPSBot针对系统分布式控制。我们使用MQTT为C&C通道和Modbus/TCP作为目标网络协议实现了以前的CPSBot,并使用它对真实和模拟的水分配发起了几次攻击。我们评估我们的实现与分布式答复和分布式模拟攻击的CPS,并显示恶意控制可以忽略不计的延迟是可能的。
2018-02-01 cs.CR
AttacKG: Constructing Technique Knowledge Graph from Cyber Threat Intelligence Reports
网络攻击变得越来越复杂和多样化,使检测变得越来越具有挑战性。为了应对这些攻击,安全从业人员积极总结和交流他们对网络威胁情报(CTI)报告形式的跨组织攻击的知识。然而,由于以自然语言文本编写的CTI报告不具有用于自动分析的结构,因此报告的使用需要繁琐的手动网络威胁情报恢复工作。此外,单个报告通常仅涵盖攻击模式(技术)的有限方面,因此不足以提供对多种变体攻击的全面了解。为了利用CTI报告提供的威胁情报,我们提出AttacKG自动提取结构化的攻击行为图从CTI报告,并确定所采用的攻击技术。然后,我们汇总报告中的网络威胁情报,以收集技术的不同方面,并将攻击行为图增强为技术知识图谱(TKG)。在我们对来自不同情报来源的1,515份真实CTI报告的评估中,AttacKG有效地识别了28,262种攻击技术和8,393种独特的妥协指标(IoC)。为了进一步验证AttacKG在提取威胁情报方面的准确性,我们在16个手动标记的CTI报告上运行AttacKG。实证结果表明,AttacKG准确地识别了攻击相关的实体、依赖关系和技术,F1得分为0.887、0.896和0.789,优于最先进的方法Extractor和TTPDrill。此外,独特的技术级智能将直接有利于依赖技术规范的下游安全任务,例如,APT检测和网络攻击重建。
2022-05-29 cs.CR
Automated Big Traffic Analytics for Cyber Security
网络流量分析技术是网络安全系统的基石。我们通过三个流行的和当代的网络安全应用程序在入侵检测,恶意软件分析和僵尸网络检测展示其使用。然而,自动化流量分析面临着大流量数据带来的挑战。根据大数据的三个特征-量、多样性和速度,我们回顾了三种最先进的技术,以减轻关键挑战,包括实时流量分类、未知流量分类和分类器的效率。基于统计特征、未知发现和相关分析的新技术在处理大流量数据方面显示出了巨大的潜力。鼓励读者致力于提高网络安全中自动流量分析的性能和实用性。
2018-04-24 cs.CR
Towards Automatic Hands-on-Keyboard Attack Detection Using LLMs in EDR Solutions
Microsoft Security AI Research(微软安全人工智能研究院)
本文提出将端点活动转为叙事文本,利用 LLM 结合窗口切分与双重训练检测 HOK 攻击,实验显示其有望优于传统机器学习方法。
2024-08-04 cs.CR cs.LG
Analysing India's Cyber Warfare Readiness and Developing a Defence Strategy
针对印度数字化快于网络安全发展的问题,本文通过仿真分析网络防御短板,设计基于机器学习的实时威胁检测系统、基础设施整合策略及人才教育框架。
2024-06-18 cs.CR
The Coming Era of AlphaHacking? A Survey of Automatic Software Vulnerability Detection, Exploitation and Patching Techniques
随着DARPA主办的网络大挑战赛(CGC)的成功举办,自主网络推理系统(CRS)的研究引起了业界和学术界的广泛关注。利用自动化系统来检测,利用和修补软件漏洞似乎是如此有吸引力,因为它的可扩展性和成本效益相比,人类专家为基础的解决方案。在本文中,我们给出了广泛的调查以前的代表性工作相关的底层技术的CRS,包括漏洞检测,利用和修补。作为重要补充,我们随后回顾了几项探索机器学习技术在该领域潜力的先驱研究,并指出Autonomous CRS的未来发展离不开机器学习。
2018-05-30 cs.CR
Data Science Methodology for Cybersecurity Projects
网络安全解决方案传统上是静态的,基于签名。传统的解决方案以及分析模型、机器学习和大数据的使用可以通过自动触发缓解或提供相关意识来控制或限制威胁的后果来改进。这种智能解决方案涵盖在数据科学网络安全的背景下。数据科学通过利用数据(和大数据)、高性能计算和数据采掘(以及机器学习)的力量来保护用户免受网络犯罪的侵害,在网络安全方面发挥着重要作用。为此,一个成功的数据科学项目需要一种有效的方法来涵盖所有问题并提供足够的资源。在本文中,我们将介绍流行的数据科学方法,并将根据网络安全挑战对它们进行比较。还进行了比较讨论,以解释网络安全项目的方法优势和劣势。
2018-03-12 cs.CR cs.CY
A Modular Approach to Automatic Cyber Threat Attribution using Opinion Pools
Eindhoven University of Technology(埃因霍温理工大学)
本文提出利用意见池组合归因器输出的模块化网络威胁归因架构,并设计依次结合对数与线性意见池的 Pairing Aggregator,实验表明其在保持性能的同时提升精确率、召回率和人工取证效率。
2024-01-25 cs.CR cs.LG cs.SE
CTI-HAL: A Human-Annotated Dataset for Cyber Threat Intelligence Analysis
本文提出了一个基于MITRE ATT&CK框架人工构建的CTI数据集CTI-HAL,通过标注一致性验证其可靠性,并在真实业务场景中评估大语言模型,展示了良好的泛化性能。
2025-04-08 cs.CR
Application of Cybernetics and Control Theory for a New Paradigm in Cybersecurity
当前网络安全研究和技术的一个重要局限性是其反应性和应用性。这导致了攻击者扫描网络、开发漏洞和攻击系统的连续“网络周期”,防御者检测攻击、分析漏洞和修补系统。这种反应性的性质使敏感系统非常容易受到攻击,由于未修补的系统和未检测到的漏洞。目前的一些研究试图通过引入实现移动目标防御的系统来解决这一主要限制。然而,这些想法通常是基于直觉,即移动目标防御将使攻击者更难找到和扫描易受攻击的系统,而不是基于理论数学基础。由于持续缺乏开发更安全系统的基础科学和原则,人们对建立“网络安全科学”的兴趣越来越大。本文介绍了使用控制论的概念,控制论,控制理论,系统理论,信息论和博弈论应用于监管系统的跨学科方法,作为发展网络安全原则的基础方法。它从防御的角度探讨了控制论在网络安全中的潜在应用,同时提出了攻击性应用的潜在用途。此外,本文还介绍了建立非平稳系统的基本原理,这是一种比移动目标防御更通用的解决方案。最后,本文讨论了移动目标防御的局限性和一种基于非平稳原理的实现方法。
2013-11-01 cs.CR
AVP-Inspect: Coordinated Cyber-Physical Testing for Privacy Analysis of COTS Apple Vision Pro Applications
George Mason University(乔治梅森大学);William & Mary(威廉与玛丽学院)
针对Apple Vision Pro应用隐私分析,提出协同网络-物理测试框架AVP-Inspect,通过自动设备控制、3D UI探索和隐私分类检测,在324个应用中识别出58.0%存在隐私违规。
2026-09-10 cs.CR
Malicious web script-based cyber attack protection technology
最近基于Web的网络攻击正在演变成一种新的攻击形式,例如利用网页内的JavaScript的私人信息窃取和DDoS攻击。这些攻击可以通过访问网站进行,而不会分发恶意代码和感染。基于脚本的网络攻击很难被传统的安全设备(如防火墙和IPS)检测到,因为它们会在正常Web请求的响应消息中注入恶意脚本。此外,它们很难追踪,因为DDoS等攻击可以通过访问网页进行。由于这些原因,预计它们可能导致直接损害和巨大的连锁反应。为了应对这些问题,在这篇文章中,提出了一个建议的技术,用于检测恶意脚本,通过实时的Web内容分析,并自动生成检测签名的恶意JavaScript。
2015-02-13 cs.CR
A Testbed To Study Adversarial Cyber-Attack Strategies in Enterprise Networks
本文构建了一个包含已知漏洞和多条攻击路径的企业网络测试平台,用于邀请参与者扮演黑客实施攻击,并在 VMware ESXi 上实现后通过多种已知攻击策略验证和收集分析攻击数据。
2023-07-06 cs.CR
Structuring the Chaos: Enabling Small Business Cyber-Security Risks & Assets Modelling with a UML Class Model
RMIT University(皇家墨尔本理工大学)
本文提出一种UML类模型,用于帮助小型企业系统化地管理网络安全风险与资产,通过简化术语和结构促进所有利益相关者的参与。
2024-03-21 cs.CR
CRUPL: A Semi-Supervised Cyber Attack Detection with Consistency Regularization and Uncertainty-aware Pseudo-Labeling in Smart Grid
Indian Institute of Technology Dharwad(印度达尔瓦德理工学院);Rajiv Gandhi Institute of Technology(拉吉夫·甘地理工学院)
本文提出半监督方法CRUPL,利用一致性正则化、伪标签与课程学习处理智能电网未标签数据,在未知样本下将检测准确率提升至99%并显著减少误报。
2025-03-01 cs.AI cs.CR cs.LG
Operationalizing Cyber Attack Prediction: A Gap-Prioritized Framework with Dataset and Model Selection Guidelines
University of Jos(乔斯大学)
本文提出一个差距优先级框架,通过分析150+基准数据集和200+研究,识别并优先处理五个实施障碍,并提供数据集质量评估框架和实用路线图,以弥合网络攻击预测研究与实践之间的差距。
2026-06-02 cs.CR
Deriving Cyber-security Requirements for Cyber Physical Systems
今天的网络物理系统(CPS)没有很好地保护免受网络攻击。受保护的CPS通常在其防御中存在漏洞,这是由于当今网络安全设计过程的手动性质。CPS的设计和实施必须实现自动化或半自动化,以满足严格的网络安全要求(CSR),而不会牺牲功能性能,时间和成本限制。第一步是为每个CPS导出从该CPS的特定功能设计流出的CSR。这就是我们的系统所承担的任务,导出网络安全要求,产生受保护的物理系统-DIPPS。DINGS PPS将人工智能(AI)技术,包括规划和基于模型的诊断应用于网络安全的重要领域。
2019-01-07 cs.CR cs.SE
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
RobResilience: Implementing and Evaluating a Resilience Framework for Cyber-Physical Embodied Systems
Örebro University(厄勒布鲁大学);University of Padua(帕多瓦大学)
针对具身网络物理系统在攻击下无法区分安全退化与灾难危险的问题,本文提出RobResilience框架,在Webots中基于PR2和ROS2实现,通过运行时评估三个谓词并触发缓解,经八个场景验证与理论一致。
2026-09-16 cs.CR cs.RO cs.SY
Cyber Attack Mitigation Framework for Denial of Service (DoS) Attacks in Fog Computing
International Islamic University(伊斯兰国际大学);Seoul National University(首尔大学)
本文提出一种针对雾计算中DDoS攻击的自动化网络威胁缓解框架,采用设备、雾和云多层安全方法,结合防火墙规则、统计和行为分析及深度包检查技术,实现从检测到缓解的全面网络保护。
2025-09-15 cs.CR
Implementing Man-in-the-Middle Attack to Investigate Network Vulnerabilities in Smart Grid Test-bed
本文构建了一个实时网络物理系统测试平台,结合电力系统与通信系统仿真器分析Modbus协议漏洞,实施中间人攻击评估其影响,并提出网络安全防护策略。
2023-05-31 cs.CR
Enabling Efficient Cyber Threat Hunting With Cyber Threat Intelligence
University of California, Berkeley(加州大学伯克利分校);Case Western Reserve University(凯斯西储大学);Nanjing University(南京大学);Princeton University(普林斯顿大学)
基于日志的网络威胁搜索已成为应对复杂攻击的重要解决方案。然而,现有的方法需要手动查询构建的非平凡的努力,并忽略了开源网络威胁情报(OSCTI)提供的丰富的外部威胁知识。为了弥补这一差距,我们提出了ThreatRaptor,一个系统,便于威胁狩猎计算机系统使用OSCTI。ThreatRaptor基于系统审计框架,提供(1)一个无监督,轻量级,准确的NLP管道,从非结构化的OSCTI文本中提取结构化的威胁行为,(2)一个简洁而富有表现力的特定于域的查询语言TBQL,用于搜索恶意系统活动,(3)一个查询合成机制,自动合成TBQL查询用于搜索,以及(4)高效的查询执行引擎以搜索大的审计日志数据。对广泛的攻击案例的评估证明了ThreatRaptor在实际威胁搜索中的准确性和效率。
2021-02-25 cs.CL cs.CR cs.DB
Automatic Attack Script Generation: a MDA Approach
CEDRIC, Conservatoire National des Arts et Métiers (CNAM), Paris, France(CEDRIC,国立工艺与艺术学院(CNAM))
本研究提出了一种基于MDA方法的自动攻击脚本生成技术,通过形式化语言和TOSCA标准实现攻击场景的自动生成与跨平台重用。
2026-03-12 cs.CR cs.SE
Dockerized Android: a container-based platform to build mobile Android scenarios for Cyber Ranges
本文提出Dockerized Android框架,利用容器技术在网络靶场中模拟移动设备,构建脆弱环境,支持复杂移动杀伤链场景,以提升移动安全培训能力。
2022-05-19 cs.CR
From Sands to Mansions: Towards Automated Cyberattack Emulation with Classical Planning and Large Language Models
Northwestern University(西北大学);Zhejiang University(浙江大学);Hofstra University(霍夫斯特拉大学)
本文提出Aurora系统,结合经典规划与大语言模型,实现自动化网络攻击仿真,生成大规模数据集并验证其在入侵检测系统中的有效性。
2026-02-05 cs.CR
Gathering Cyber Threat Intelligence from Twitter Using Novelty Classification
University of Adelaide(阿德莱德大学)
防止组织遭受网络攻击需要及时获得有关网络漏洞和攻击(称为威胁)的情报。网络威胁情报可以从各种来源提取,包括社交媒体平台,用户可以在社交媒体平台上实时的发布威胁信息。从社交媒体网站收集网络威胁情报对于安全分析师来说是一项耗时的任务,可能会延迟对新出现的网络威胁的及时响应。我们提出了一个框架,自动收集网络威胁情报从Twitter使用新颖的检测模型。我们的模型从公共存储库(如常见漏洞和暴露(CVE))中发布的威胁描述中学习网络威胁情报的特征,并将一条新的看不见的推文分类为网络威胁情报的正常或异常。我们使用一个专门构建的数据集来评估我们的框架,这些数据集来自50个有影响力的网络安全相关账户,超过12个月(2018年)。我们的分类器在对网络威胁推文进行分类时达到了0.643的F1分数,并且优于包括二进制分类模型在内的几个基线。我们对分类结果的分析表明,Twitter上的网络威胁相关推文通常不包括相关威胁的CVE标识符。因此,收集这些推文并将其与网络安全应用程序的相关CVE标识符相关联将是有价值的。
2019-09-05 cs.CR cs.LG stat.ML
Automated Malware Design for Cyber Physical Systems
网络物理系统的攻击设计对于在设计时和运行时评估CPS弹性以及从测试平台生成丰富的数据集以供研究至关重要。针对网络物理系统的攻击与IT攻击的区别在于,其主要目标是损害物理系统。因此,设计此类攻击需要网络和物理系统知识。当前生成攻击的做法要么集中在使用IT网络安全现有知识体系的系统的网络部分,要么使用黑客攻击来注入可能损害物理过程的攻击。在本文中,我们提出了一种系统的方法,可以根据CPS安全和控制规范自动生成完整性攻击,而无需了解物理系统或其动态。生成的攻击违反了系统的操作和安全要求,因此对系统的弹性提出了真正的测试。我们提出了一种算法来自动化的恶意软件有效载荷的发展。文中给出了几个例子来说明所提出的方法。
2021-07-06 cs.CR cs.SY eess.SY
Optimizing Investments in Cyber Hygiene for Protecting Healthcare Users
网络卫生措施通常被建议用于加强组织的安全态势,特别是用于防止针对人类元素的社会工程攻击。然而,相关建议通常对所有组织及其雇员都是相同的,而不管不同用户群体的风险性质和程度如何。在现有的网络安全投资模型的基础上,本文提出了一种用于网络卫生保障措施最佳选择的工具,我们称之为最佳保障措施工具。该模型结合了博弈论和组合优化,考虑到每个用户组被攻击的概率,每个组可访问的资产的价值,以及每个控制对于特定组的功效。该模型将间接成本视为员工在实施控制的情况下学习和培训所需的时间。利用博弈论的框架来支持背包优化问题,使我们能够最佳地选择保障措施的应用水平,最大限度地减少在安全投资预算内的总预期损害。我们在医疗保健领域的用例中评估OST。关键互联网安全控制组17,用于为医院的ICT、临床和管理人员实施安全意识和培训计划。我们比较了OST实现的战略对替代常识防御方法为三种不同类型的攻击者:纳什,加权和反。对于所有攻击者类型,纳什防御策略始终优于竞争策略,只有一个小例外,即纳什防御策略的表现至少与其他常识方法一样好。
2020-01-11 cs.CR
Early Warnings of Cyber Threats in Online Discussions
我们引入了一个系统,用于自动生成即将发生或当前网络威胁的警告。我们的系统利用了恶意行为者在暗网上的交流,以及网络安全专家在Twitter等社交媒体平台上的活动。在2016年9月至2017年1月期间,我们的方法生成了661个警报,其中约84%与当前或即将发生的网络威胁有关。在本文中,我们首先说明了我们的系统的基本原理和工作流程,然后我们衡量其性能。我们的分析通过两个案例研究得到了丰富:第一个案例展示了该方法如何预测DDoS攻击,以及它如何使组织能够为2016年10月造成广泛破坏的Mirai攻击做好准备。其次,我们讨论了该方法对各种数据泄露实例的及时识别。
2018-01-29 cs.CR cs.CY cs.SI
"It's Not Something We Have Talked to Our Team About": Results From a Preliminary Investigation of Cybersecurity Challenges in Denmark
尽管据报道,丹麦是欧洲数字化程度最高的国家之一,但丹麦公司的IT安全并没有随之而来。为了揭示企业在实施IT安全方面遇到的挑战,我们进行了一项初步研究,对来自四家不同公司的四名员工进行了半结构化访谈,询问他们的IT安全以及他们需要什么来降低网络威胁的风险。我们的研究结果表明,企业缺乏基本的安全保护,需要指导和工具来帮助他们实施基本的安全实践,同时提高对网络威胁的认识。根据我们的调查结果,并在最新报告和国际安全标准的启发下,我们讨论了进一步调查的步骤,以制定一个针对希望采用直接和可操作的IT安全指导的中小企业的框架。
2020-07-10 cs.CR cs.CY
Learning from Mutants: Using Code Mutation to Learn and Monitor Invariants of a Cyber-Physical System
Singapore University of Technology and Design(新加坡科技设计大学)
网络物理系统(CPS)由传感器、执行器和控制器组成,所有这些都通过网络进行通信;如果任何子集受到损害,攻击者都可能造成重大损害。通过访问数据日志和CPS模型,可以在造成任何损害之前检测到攻击的物理影响。然而,手动构建一个在实践中足够准确的模型是非常困难的。在本文中,我们提出了一种新的方法来构建模型的CPS自动,通过应用监督机器学习的数据轨迹后,系统地播种其软件组件的故障(“突变体”)。我们展示了这种方法在现实世界的净水厂模拟器上的有效性,提出了一个自动生成突变体,收集数据跟踪和学习基于SVM的模型的框架。使用交叉验证和统计模型检验,我们表明,学习模型的特点是不变的物理性质的系统。此外,我们证明了有用的不变的系统进行55网络和代码修改攻击,并表明它可以检测到85%的数据日志在运行时生成的。
2018-06-13 cs.CR cs.LG cs.SE
On Securing Cloud-hosted Cyber-physical Systems Using Trusted Execution Environments
最近,云控制系统作为实现网络化网络物理系统(CPS)的解决方案越来越受到研究界的关注。这样的架构可以降低部署和维护成本,尽管代价是额外的安全和隐私问题。在本文中,首先,我们讨论了云控制系统的最新安全解决方案及其局限性。然后,我们提出了一种新的控制体系结构的基础上可信执行环境(TEE)。我们表明,这种方法可以潜在地解决云托管控制系统的主要安全和隐私问题。最后,我们提出了一个基于英特尔软件防护扩展(SGX)的实施设置,并在测试平台系统上验证了其有效性。
2021-04-01 cs.CR cs.SY eess.SY
Cyber-Attack Consequence Prediction
由于具有有限处理、通信和功率能力的异构设备的互连,网络物理系统面临着复杂的安全挑战。此外,物理空间和网络空间的聚集进一步使得很难制定一个跨越这两个空间的单一安全计划。网络安全研究人员每天都要处理大量的网络警报,其中许多都是误报。在本文中,我们使用机器学习和自然语言处理技术来预测网络攻击的后果。这个想法是为了让安全研究人员能够使用工具,以便更容易地与可能几乎没有网络安全专业知识的各种利益相关者沟通攻击后果。此外,使用所提出的方法,研究人员的认知负荷可以通过自动预测攻击的后果来减少,以防发现新的攻击。我们通过各种机器学习模型,采用使用tf-idf和Doc 2 Vec模型获得的词向量来比较性能。在我们的实验中,使用tf-idf特征获得了60%的准确率,使用Doc 2 Vec方法获得了57%的准确率。
2020-12-02 cs.CR cs.HC
Enhancing Industrial Cybersecurity: SoftHSM Implementation on SBCs for Mitigating MITM Attacks
针对工业场景下MITM攻击风险与传统HSM成本高的问题,提出在SBC上部署集成AES、RSA算法的SoftHSM方案,验证了其密钥防护能力与良好的性能功耗表现,提供低成本工业安全方案。
2024-09-16 cs.AR cs.CR