Phantom Force: Injecting Adversarial Tactile Perceptions into Embodied Intelligence via EMI
The Hong Kong Polytechnic University（香港理工大学）；Simon Fraser University（西蒙菲莎大学）
本文发现霍尔效应指尖触觉传感器易受电磁干扰，通过注入信号可产生“幻力”，使感知力幅值增大9倍以上、方向偏差65度，从而瘫痪基于学习的触觉分类模型，威胁机器人安全操作。
2026-05-22 cs.CR
Vulnerability Clustering and other Machine Learning Applications of Semantic Vulnerability Embeddings
SRI International（SRI国际研究所）
本研究在Vulnerability AI项目中基于NLP技术构建语义漏洞嵌入以表征漏洞空间，验证其可支撑漏洞聚类、分类、可视化等机器学习应用，还提出了评估漏洞空间理论的新型逻辑方法，助力网络安全风险评估工作。
2023-08-23 cs.CL cs.CR cs.LG
Securing Code Understanding: Detecting Natural Backdoor Vulnerability in Code Language Models
Nanjing University（南京大学）；Nanyang Technological University（南洋理工大学）；Soochow University（苏州大学）；Tsinghua University（清华大学）
本研究系统探究代码语言模型中的自然后门漏洞，通过44种场景证明其普遍性，分析其与注入后门的差异及迁移性，并提出检测方法ScanNBT。
2026-06-09 cs.CR cs.SE
PatchRisk: Forecasting Future Vulnerability Exposure in Open-Source Dependency Networks
Augustana College（奥古纳学院）
针对开源依赖网络中的未来传递性漏洞暴露预测问题，提出防泄漏基准PatchRisk，并验证HistoryGraph特征在时间测试下显著提升AUPRC。
2026-10-22 cs.CR cs.SE
Operationalising Artificial Intelligence Bills of Materials (AIBOMs) for Verifiable AI Provenance and Lifecycle Assurance
本文提出了一种扩展CycloneDX标准的AIBOM框架，用于捕捉AI特定的溯源、模型血统和披露元数据，通过结构化架构工程、密码学验证和智能体驱动自动化，实现可验证的软件溯源，展示了98.7%的可重复性保真度、96.2%的漏洞匹配精度和63%的手动监督减少，验证了自动化溯源保证和可重复AI生命周期验证的可行性。
2026-03-17 cs.AI cs.CR cs.LG
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
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
LLMpatronous: Harnessing the Power of LLMs For Vulnerability Detection
针对传统工具误报高和LLM自身局限，本文提出结合RAG与MoA的AI驱动方法，以提升漏洞检测的质量与可靠性。
2025-04-25 cs.AI cs.CR
All You Need Is A Fuzzing Brain: An LLM-Powered System for Automated Vulnerability Detection and Patching
本文介绍了一个基于LLM的自动化漏洞检测与修复系统，在DARPA AIxCC竞赛中排名第四，自主发现28个漏洞（含6个零日漏洞）并修复14个，并公开了系统及基准排行榜。
2025-09-08 cs.CR
VulLink: A Dynamic Open-Access Vulnerability Graph Database for Cybersecurity Data Mining
La Trobe University（拉筹伯大学）；Victoria University（维多利亚大学）
提出VulLink，一种通过自动化ETL管道集成多源漏洞数据、提供图数据库、Web接口和API的动态开放平台，支持漏洞利用性预测等下游挖掘任务。
2026-06-18 cs.CR cs.DB
A comparative study of neural network techniques for automatic software vulnerability detection
Harbin Engineering University（哈尔滨工程大学）；Institute of System Engineering, Chinese Academy of Military Science（军事科学院系统工程研究院）；Shenzhen University（深圳大学）
软件漏洞通常是由设计缺陷或实现错误引起的，这些漏洞可能会被利用来破坏系统的安全性。目前，检测软件漏洞最常用的方法是静态分析。大多数相关技术基于规则或代码相似性（源代码级别）工作，并依赖于手动定义的漏洞特征。然而，这些规则和脆弱性特征很难精确定义和设计，使得静态分析在实际应用中面临诸多挑战。为了缓解这一问题，一些研究人员提出使用具有自动特征提取能力的神经网络来提高检测的智能性。然而，神经网络的类型很多，不同的数据预处理方法会对模型性能产生重大影响。对于给定的问题，如何选择合适的神经网络和数据预处理方法是工程师和研究人员面临的一个巨大挑战。为了解决这个问题，我们进行了大量的实验来测试两个最典型的神经网络的性能（即，Bi-LSTM和RVFL）与两种最经典的数据预处理方法（即，向量表示法和程序符号化方法）对软件漏洞检测问题的研究，得到了一系列有趣的研究结论，可为研究人员和工程师提供有价值的指导。具体来说，我们发现：1）RVFL的训练速度始终快于BiLSTM，但Bi-LSTM模型的预测精度高于RVFL; 2）使用doc 2 vec进行向量表示，可以使模型比使用word 2 vec具有更快的训练速度和泛化能力; 3）多级符号化有助于提高神经网络模型的精度。
2021-04-29 cs.CR cs.LG cs.SE
TINKER: A framework for Open source Cyberthreat Intelligence
Rochester Institute of Technology（罗切斯特理工学院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
关于恶意软件攻击和活动的威胁情报越来越多地与其他安全专家共享，收费或免费。其他安全分析师使用这些情报来告知他们危害的指标，攻击技术和预防措施。安全分析师在调查攻击、新出现的网络威胁或最近发现的漏洞后准备威胁分析报告。这些报告统称为网络威胁情报（CTI），通常采用非结构化格式，因此难以无缝集成到现有的入侵检测系统中。本文提出了一个框架，使用聚合CTI的分析和防御规模。使用知识图谱以结构化格式提取和存储信息，使得威胁情报的语义可以被保存并与其他安全分析师大规模共享。具体来说，我们提出了第一个半监督的开源知识图谱为基础的框架，TINKER，捕捉网络威胁信息及其上下文。在TINKER之后，我们生成了网络威胁情报知识图谱（CTI-KG），并使用不同的用例演示了其用法。
2023-01-19 cs.AI cs.CR cs.IR
A Model for Android and iOS Applications Risk Calculation: CVSS Analysis and Enhancement Using Case-Control Studies
各种研究人员已经表明，通用漏洞评分系统（CVSS）有许多缺点，可能无法提供与软件漏洞相关的风险的精确视图。然而，许多威胁情报平台和行业标准都依赖于CVSS评分来评估网络安全合规性。本文建议对CVSS中的影响和可利用性子分数的计算进行几项改进，以提高其准确性，并帮助威胁情报分析师专注于与其资产相关的关键风险。我们将针对与几个Android和iOS应用程序相关的风险应用我们建议的改进，并讨论我们建模的改进和优势，例如时间对整体CVSS分数计算的重要性和影响。
2018-07-27 cs.CR
Code Vulnerability Detection Across Different Programming Languages with AI Models
Istanbul Aydin University（伊斯坦布尔艾登大学）
本文研究利用CodeBERT和CodeLlama等AI模型跨编程语言检测代码漏洞，通过微调、集成学习与可解释AI提升检测性能，准确率超过97%，并探讨混合模型以降低误报。
2025-08-14 cs.AI cs.CL cs.CR
A Qualitative Study on Using ChatGPT for Software Security: Perception vs. Practicality
The University of Adelaide（阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
本文通过Twitter实证研究和漏洞检测实验，定性分析了ChatGPT在软件安全中的认知与实际可行性，发现其输出多为通用信息，尚不适合工业应用。
2024-08-01 cs.AI cs.CR cs.SE
SBOMs into Agentic AIBOMs: Schema Extensions, Agentic Orchestration, and Reproducibility Evaluation
针对传统SBOM无法捕获运行时行为等问题，本文提出智能体AIBOM框架，通过三类多智能体架构扩展SBOM模式，在低开销下提升运行时依赖捕获、可复现性与漏洞解释稳定性。
2026-03-09 cs.AI cs.CR cs.SE
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
Agentic AI for Autonomous Defense in Software Supply Chain Security: Beyond Provenance to Vulnerability Mitigation
Faculty of Computer and Information System（计算机与信息系统学院）；Islamic University of Madinah（麦地那伊斯兰大学）；Faculty of Computer Studies（计算机研究学院）；Arab Open University-Bahrain（巴林阿拉伯开放大学）
本文提出基于代理AI的软件供应链安全框架，结合LLM推理、强化学习和多代理协调，实现主动漏洞缓解，提升检测准确率和响应效率。
2025-12-29 cs.AI cs.CR
Uncovering Vulnerabilities of LLM-Assisted Cyber Threat Intelligence
Binghamton University（宾夕法尼亚州立大学）；Duke University（杜克大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文通过人机协同分类框架，识别并验证了LLM在CTI推理中的三种领域特定认知失败模式（虚假关联、矛盾知识和受限泛化），并证明针对性防御可显著降低失败率。
2026-05-28 cs.AI cs.CR
Open-Source Intelligence for Code Provenance and the Security Patterns that Separate Human and Large-Language-Model Implementations of Common Programming Tasks
Department of Computer Science AI and Media Analysis Lab Berlin, Germany（柏林计算机科学与AI与媒体分析实验室）
研究开发者代码来源（人类答案和大语言模型输出）的差异，利用开源构建管道收集样本，训练分类器区分溯源，报告安全差异，通过案例研究发现修复情况及问题，管道数据驱动可添加新任务或语言。
2026-07-15 cs.CR cs.SE
Attack Techniques and Threat Identification for Vulnerabilities
IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；IBM Security X-Force Red（IBM安全X-Force红队）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
现代组织正在与其网络和应用程序漏洞扫描器发现和报告的无法克服的漏洞数量作斗争。因此，确定优先次序和重点变得至关重要，以便将有限的时间用于最高风险的漏洞。在此过程中，这些组织不仅要了解漏洞的技术描述，还要深入了解攻击者的观点。在这项工作中，我们使用机器学习和自然语言处理技术，以及几个公开的数据集，以提供一个可解释的映射漏洞的攻击技术和威胁演员。这项工作提供了新的安全情报，通过预测哪些攻击技术最有可能被用来利用给定的漏洞，以及哪些威胁行为者最有可能进行利用。缺乏标记数据和不同的词汇表使得将漏洞映射到大规模攻击技术成为一个具有挑战性的问题，无法使用监督或无监督（相似性搜索）学习技术轻松解决。为了解决这个问题，我们首先将漏洞映射到一组标准的共同弱点，然后将共同弱点映射到攻击技术。这种方法产生的平均倒数秩（MRR）为0.95，准确度与国家的最先进的系统报告。我们的解决方案已部署到IBM Security X-Force Red Vulnerability Management Services，并自2021年起投入生产。该解决方案可帮助安全从业人员协助客户管理其漏洞并对其进行优先级排序，为他们提供可解释的漏洞与攻击技术和威胁参与者的映射
2022-06-22 cs.AI cs.CR
POLAR: Automating Cyber Threat Prioritization through LLM-Powered Assessment
该研究聚焦大语言模型在网络威胁情报应用中的内在脆弱性，提出融合分层、自回归细化与人在回路监督的分类方法分析失败案例，揭示三类核心脆弱性并给出系统设计的可行见解。
2025-10-02 cs.AI cs.CR
Lazarus Group Targets Crypto-Wallets and Financial Data while employing new Tradecrafts
本报告通过静态与动态分析一份恶意软件样本，识别其持久化、C2通信和数据窃取功能，关联已知TTP以推断Lazarus Group的能力与动机，并提供检测假设和告警优化建议以增强对高级持续性威胁的主动防御。
2025-06-30 cs.CR cs.OS
ExTRUST: Reducing Exploit Stockpiles with a Privacy-Preserving Depletion System for Inter-State Relationships
针对多国重复储备相同漏洞利用却因保密顾虑难以披露的问题，本文提出隐私保护系统ExTRUST，支持多方私密比对库存并验证其可扩展性与抗攻击能力。
2023-06-01 cs.CR cs.CY
Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities
The University of Alabama（阿拉巴马大学）；Alabama Water Institute（阿拉巴马水研究所）
研究自动驾驶车辆漏洞相关结构化威胁信息生成问题，利用开放权重语言模型，通过构建CAV-STIXGen数据集评估11个模型，分析CWE和MITRE ATT&CK共现，展示AI辅助转换可自动化威胁情报并优先防御运输安全。
2026-07-20 cs.AI cs.CR
Adversarial Machine Learning and Cybersecurity: Risks, Challenges, and Legal Implications
本报告基于2022年CSET与斯坦福网络政策中心的专家研讨会，探讨AI漏洞与传统软件漏洞的异同，分析信息共享障碍与法律问题，并提出改善AI漏洞管理与缓解的广泛建议。
2023-05-23 cs.AI cs.CR cs.CY
