Benchmarking LLM-Assisted Blue Teaming via Standardized Threat Hunting
State University of New York at Binghamton（纽约州立大学布ingham顿分校）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Duke University（杜克大学）
本文提出CyberTeam基准，通过构建标准化工作流和模块化操作步骤，评估大语言模型在蓝队威胁狩猎中的有效性，并揭示标准化设计带来的改进与开放式推理的局限性。
2026-05-28 cs.AI cs.CR
Polar: LLM-Powered Synthesis of Real-World Cyber Evidence for Prioritization and Mitigation
Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校）；Oakland University（奥克兰大学）；University of Iowa（爱荷华大学）
POLAR利用LLM合成真实世界网络证据，通过推断严重性和利用信号进行威胁优先级排序，并关联修复知识以支持缓解，在零日场景中优于基线。
2026-10-07 cs.AI cs.CR
Multi-Lingual Cyber Threat Detection in Tweets/X Using ML, DL, and LLM: A Comparative Analysis
School of Computing Sciences and Computer Engineering（计算科学与计算机工程学院）；University of Southern Mississippi（密西西比大学）
本研究比较了ML、DL和LLM在多语言推文网络威胁检测中的效果，发现双LSTM架构在多语言场景中表现最佳。
2025-02-04 cs.AI cs.CL
False Alarms, Real Damage: Adversarial Attacks Using LLM-based Models on Text-based Cyber Threat Intelligence Systems
Faculty of Sciences, University of Lisbon（里斯本大学科学学院）；CIENCES, University of Lisbon（里斯本大学CIENCES）
研究针对文本网络威胁情报（CTI）系统的对抗攻击，分析逃避、淹没和投毒三种攻击类型，重点展示对抗文本生成如何欺骗分类器、降低性能并破坏系统功能。
2026-01-28 cs.AI cs.CR cs.LG
Large Language Models Are Unreliable for Cyber Threat Intelligence
Springer Nature Switzerland（斯普林格·自然瑞士）
针对CTI任务自动化需求，提出可量化LLMs一致性与置信度的评估方法，经3个先进LLMs和350份报告数据集实验，发现其性能不足、不一致且过度自信，少样本学习与微调改善有限，揭示依赖LLMs的安全风险。
2025-11-12 cs.AI cs.CR cs.LG
LOCALINTEL: Generating Organizational Threat Intelligence from Global and Local Cyber Knowledge
Mississippi State University（密西西比州立大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
LocalIntel 框架利用 LLM 结合全球零日漏洞报告与组织本地知识库，自动生成组织特定威胁情报和缓解策略，准确率达 93%。
2025-02-09 cs.AI cs.CR cs.IR
Evidential Cyber Threat Hunting
IBM Research（IBM研究院）
一个正式的网络推理框架，自动化的威胁狩猎过程。新的网络推理方法引入了一种操作语义，它在三个子空间（知识、假设和行动）上运行，以实现人机共同创建威胁假设和保护建议。该框架的实现表明，该方法是实用的，可以用来推广基于证据的多标准威胁调查。
2021-04-21 cs.AI cs.CR
Cyber-All-Intel: An AI for Security related Threat Intelligence
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
跟上威胁情报是今天的安全分析师必须。有大量的信息存在于“野生”，影响到一个组织。我们需要开发一个人工智能系统来搜索情报来源，让分析师了解对她的组织构成风险的各种威胁。一个更好地“利用”的安全分析师可能更有效。在本文中，我们提出，网络全英特尔人工智能系统，以帮助安全分析师。它是一个基于网络安全信息学领域的端到端管道中的知识提取，表示和分析系统。它使用多个知识表示，如向量空间和“VKG结构”中的知识图谱来存储传入的情报。该系统还使用神经网络模型来主动改进其知识。我们还创建了一个查询引擎和一个警报系统，分析师可以使用它们来查找可操作的网络安全见解。
2019-05-07 cs.AI cs.CL 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
A systematic literature review on cyber threat hunting
自2016年引入“网络威胁狩猎”一词以来，采取主动防御措施以提高网络安全性的趋势不断上升。这项研究将探讨同行评审的文献对网络威胁狩猎的主题。我们的研究表明，随着机器学习方法的出现，该领域的研究有所增加。关键词：网络威胁，网络安全，威胁狩猎，安全系统，数据驱动，英特尔，分析驱动，TTP
2022-12-10 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
Cyber Threat Hunting: Non-Parametric Mining of Attack Patterns from Cyber Threat Intelligence for Precise Threats Attribution
针对现有网络威胁归因方法精确度低、误报率高的问题，提出基于机器学习的非参数挖掘方法与可视化交互工具CAPE，从威胁情报中提取攻击模式数据集并训练算法，实现精确的威胁行为者归因。
2025-09-15 cs.CR
Towards a scalable AI-driven framework for data-independent Cyber Threat Intelligence Information Extraction
CY4GATE S.p.A.（CY4GATE股份公司）
针对CTI信息抽取依赖标注数据的痛点，提出首个支持监督与零样本学习的模块化框架0-CTI，可无数据运行且监督模式性能超SOTA，输出对齐STIX标准，适配不同数据场景。
2025-01-08 cs.AI cs.CL cs.CR
SCRM: An Actionable Framework for Space Cyber Risk Management
University of Colorado Colorado Springs（科罗拉多大学斯普林斯分校）；The Laboratory for Cybersecurity Dynamics（网络安全动力学实验室）
提出首个空间网络风险管理框架，系统建模基础设施、任务与攻击，提供风险分析与加固算法，经真实SATCOM攻击案例验证，可有效缓解级联效应与网络风险。
2026-10-06 cs.CR
A System for Efficiently Hunting for Cyber Threats in Computer Systems Using Threat Intelligence
University of California, Berkeley（加利福尼亚大学伯克利分校）；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网络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）提供的丰富的外部知识的威胁行为。为了弥补这一差距，我们构建了ThreatRaptor，这是一个使用OSCTI在计算机系统中促进网络威胁搜索的系统。ThreatRaptor建立在成熟的系统审计框架之上，提供了（1）一个无监督、轻量级和准确的NLP管道，可以从非结构化的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领域查询语言TBQL，用于搜索恶意系统活动，（3）一个查询合成机制，可以从提取的威胁行为中自动合成TBQL查询，以及（4）用于搜索大系统审计日志数据的高效查询执行引擎。
2021-02-25 cs.CL cs.CR cs.DB
Research Directions in Cyber Threat Intelligence
网络威胁情报是一个相对较新的领域，它是从网络安全和情报两个不同的领域发展而来的。因此，它从这两个领域汲取知识并将其混合在一起。然而，纵观目前网络威胁情报研究的科学研究，它相对稀缺，这开辟了很多机会。本文对网络威胁情报进行了定义，并简要回顾了网络威胁情报的几个方面。然后，我们分析了现有的研究领域，这些研究领域比网络威胁情报要古老得多，但与之相关。这为从这些旧领域汲取知识和方法提供了机会，并以这种方式推进网络威胁情报，比遵循自己的道路要快得多。通过这种方法，我们有效地为CTI提供了研究方向。
2020-01-18 cs.CR
Leveraging Open Threat Exchange (OTX) to Understand Spatio-Temporal Trends of Cyber Threats: Covid-19 Case Study
了解网络攻击的时空演变所表现出的特性可以提高网络威胁情报。此外，更好地了解威胁模式是网络威胁预防、检测和管理以及增强防御的关键功能。在这项工作中，我们研究了来自所有行业的160，000名全球参与者共同面临的新威胁的不同方面。首先，我们对收集的网络威胁进行探索性数据分析。我们调查了最有针对性的国家，最常见的恶意软件和本地化的攻击频率分布。其次，我们提取了国家层面的攻击传播模式。我们使用带有从一个国家切换到另一个国家的概率的转换图来对这些行为进行建模。最后，我们分析网络威胁受COVID-19爆发及政府为防止病毒传播而实施的卫生措施影响的程度。
2021-09-03 cs.CR
Cybersecurity threats in FinTech: A systematic review
Korea University（高丽大学）；University of Southern Queensland（南昆士兰大学）；University of Gloucestershire（格洛斯特大学）；Monash University（莫纳什大学）
本文通过PRISMA系统综述和主题建模，梳理金融科技领域74项研究，识别出11类核心网络威胁和9种防御策略，为各方利益相关者提供应对挑战的见解与未来研究方向。
2023-12-04 cs.AI 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
Cyber Threat Intelligence for Secure Smart City
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）；North Orissa University（北奥里萨大学）
智慧城市通过实施物联网（IoT）等信息通信技术（ICT）提高了市民的生活质量。然而，智慧城市是一个关键的环境，需要保护网络和数据免受入侵和攻击。本文提出了一种基于卷积神经网络（CNN）和准递归神经网络（QRNN）的网络威胁情报（CTI）混合深度学习（DL）模型，以提高威胁分类性能。我们使用QRNN来提供实时威胁分类模型。与现有模型相比，该模型的评价结果表明，该模型优于其他模型。因此，它将有助于在合理的时间内对智慧城市威胁进行分类。
2020-07-26 cs.AI cs.CR
A Global Analysis of Cyber Threats to the Energy Sector: "Currents of Conflict" from a Geopolitical Perspective
KASTEL Security Research Labs（KASTEL安全研究实验室）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文利用生成式人工智能结构化网络威胁情报，结合多数据库地缘政治比较与检测工具评估，揭示能源领域网络威胁趋势及基于学习技术的防御价值。
2025-09-26 cs.AI cs.CR
Proactive security defense: cyber threat intelligence modeling for connected autonomous vehicles
本文提出汽车网络威胁情报建模框架Actim，通过构建本体模型、标注首个汽车CTI语料库并设计基于跨句上下文的挖掘模型，实现威胁实体与关系的有效提取和知识图谱构建，支持网联自动驾驶汽车的主动安全防御。
2024-10-21 cs.CR
Cyber Threat Intelligence Model: An Evaluation of Taxonomies, Sharing Standards, and Ontologies within Cyber Threat Intelligence
该研究评估了网络威胁情报领域相关本体、共享标准和分类法在威胁多维度要素等方面的覆盖与表达能力，指出现有全面性本体建设不足、存在设计不完善等问题。
2023-08-28 cs.CR
Cyber Threat Intelligence : Challenges and Opportunities
越来越多的网络攻击需要网络安全和取证专家几乎实时地检测，分析和防御网络威胁。在实践中，如果不深入研究攻击特征并采取相应的智能防御行动，就不可能及时处理如此大量的攻击，这在本质上定义了网络威胁情报概念。然而，如果没有人工智能、机器学习和先进的数据采掘技术来收集、分析和解释网络攻击证据，这种智能是不可能实现的。在这一介绍性章节中，我们首先讨论网络威胁情报的概念及其主要挑战和机遇，然后简要介绍本书的章节，这些章节要么解决了已确定的挑战，要么提出了提供威胁情报的机会主义解决方案。
2018-08-03 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
Rethinking Information Sharing for Actionable Threat Intelligence
在过去十年中，信息安全和威胁形势显著增长，使得单个防御者难以同时防御所有攻击。这需要引入信息共享，这是一种在信任社区中共享威胁指标以促进防御的范例。在文献中提出了指标的表示、交换和消费的标准，尽管各种问题被削弱了。在本文中，我们通过强调值得进一步探讨的各种问题，重新思考可操作情报的信息共享。我们认为，信息共享可以受益于定义良好的使用模型，威胁模型，通过测量和鲁棒的评分，良好理解和保存的指标的隐私和质量，以及鲁棒的机制，以避免搭便车行为的自私代理。我们呼吁利用数据和社区结构的差异性来优化共享。
2017-02-02 cs.CR
Cyber Threat Intelligence for Artificial Intelligence Systems
Orange Innovation Poland（Orange创新波兰）
本文探讨了面向人工智能系统的网络威胁情报框架，分析了传统威胁情报的不足，并提出了构建AI特定知识库和测量技术的方案。
2026-03-05 cs.AI cs.CR
TTPXHunter: Actionable Threat Intelligence Extraction as TTPs from Finished Cyber Threat Reports
提出TTPXHunter方法，利用领域特定NLP技术从网络威胁报告中自动提取TTPs威胁情报，构建了两个数据集并在其上取得高F1分数，显著提升了威胁情报分析的自动化水平。
2024-03-21 cs.CR
A Cyber Threat Intelligence Management Platform for Industrial Environments
开发智能的、可互操作的网络威胁信息（CTI）共享技术可以帮助建立强大的防御现代网络威胁的能力。CTI允许社区共享有关网络犯罪分子的威胁和漏洞以及防御措施或检测恶意活动的信息。成功的关键是与网络风险相关的数据是可以理解的，有组织的，并且质量良好。接收方可以掌握其内容并有效利用。本文介绍了一种用于工业环境的创新网络威胁情报管理平台（CTIMP），这是Cyber-pi项目的重要组成部分之一。特别是，建议的架构使用来自可信公共来源的网络知识，并以完全可互操作和智能的方式将其与来自组织监督基础设施的相关信息集成。当与高级可视化机制和用户界面相结合时，上述服务为管理员提供了他们所需的态势感知，同时还允许扩展合作，智能选择高级应对策略，以及一组用于处理威胁的自动自我修复规则。
2023-01-09 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
Technique Inference Engine: A Recommender Model to Support Cyber Threat Hunting
MITRE Center for Threat-Informed Defense（MITRE威胁知情防御中心）
提出Technique Inference Engine推荐模型，利用最大规模CTI报告数据集与隐式反馈推荐算法，预测攻击活动中的潜在TTPs，辅助网络分析师进行威胁狩猎。
2025-03-04 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
Towards Explainable and Lightweight AI for Real-Time Cyber Threat Hunting in Edge Networks
针对边缘网络实时威胁检测，提出可解释轻量级AI框架ELAI，结合决策树、注意力和联邦学习，在保证高检测率低误报的同时显著降低计算开销。
2025-04-18 cs.AI 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
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
Threat Actor Type Inference and Characterization within Cyber Threat Intelligence
随着网络威胁形势不断变得越来越复杂和多变，了解敌人及其行动方式以减少威胁变得越来越重要。尽管网络安全社区在描述和共享用于通知防御组件的技术指标方面已经发展了一定的成熟度，但我们仍然在努力处理不统一，非结构化和模糊的更高级别信息，例如威胁行为者上下文，从而限制了我们与不同来源相关联以获得更多上下文，准确和相关情报的能力。我们认为有必要克服这一限制，以提高我们制作和更好地操作网络威胁情报的能力。我们的研究表明，通常商定的用于表征威胁参与者及其操作的受控词汇表可用于丰富网络威胁情报，并在可解释和可查询的更高上下文级别上推断新信息。特别是，我们提出了一个本体论的方法来自动推断的威胁行为者的类型的基础上，他们的人物角色，了解他们的性质，并捕捉多态性和变化，他们的行为和特征随着时间的推移。这种方法不仅通过提供用于共享高度上下文网络威胁情报的结构化方式和手段来实现互操作性，而且还以机器速度获得新信息，并最大限度地减少人工分类方法所带来的认知偏差。
2021-09-20 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
cyberaCTIve: a STIX-based Tool for Cyber Threat Intelligence in Complex Models
网络威胁情报（CTI）是收集的实际真实世界信息，目的是评估网络物理系统（CPS）中的威胁。共享CTI的一个实用符号是STIX。STIX提供了创建、可视化和共享模型的工具;然而，即使是一个适度简单的项目也可以在STIX中表示为一个相当复杂的图表，这意味着将CTI分散到多个更简单的子项目中。我们的工具旨在加强STIX为基础的建模任务的背景下，这种简化是不可行的。例子可以是微电网，更一般地说，是智能电网。
2022-05-12 cs.CR cs.SE
Using cyber threat intelligence to support adversary understanding applied to the Russia-Ukraine conflict
在军事组织中，网络威胁情报（CTI）通过向指挥官提供有关对手、其能力和目标的基本信息来支持网络空间作战。本文将CTI与MITRE ATT&CK框架相结合，以建立对手概况。此外，通过分析2022年1月在乌克兰发生的WhisperGate行动，确定了攻击阶段的特征，并提出了防御的最低必要措施。
2022-05-06 cs.CR
Discerning Reliable Cyber Threat Indicators for Timely Cyber Threat Intelligence
本研究利用CNN从社交媒体提取失陷指标，以99.65%检出率识别IP、URL等威胁，并评估其有效性与自动账户传播作用，为主动防御提供可靠情报。
2025-08-11 cs.CR
Threats, Protection and Attribution of Cyber Attacks on Critical Infrastructures
随着关键国家基础设施变得越来越容易受到网络攻击，它们的保护对于任何组织和国家来说都成为一个重要问题。此外，指认能力是避免网络空间有罪不罚现象的一个重要因素。在这篇文章中，我们提出了关键基础设施的主要威胁，以及一个国家可以采取的保护措施，并根据法律，技术，组织，能力建设和合作方面进行分类。最后，我们提供了一个关于网络归属和网络和平维护的当前方法和实践的概述
2019-01-12 cs.CR
Defending against cybersecurity threats to the payments and banking system
支付和银行系统的网络安全威胁已成为全球性的威胁。这种现象迫使金融机构将风险作为其业务模式的一部分。因此，对先进技术和安全措施的有意投资已成为必要，以防止因网络攻击而可能发生的重大财务损失和信息泄露。网络犯罪的扩散是银行业各利益相关者的巨大担忧。通常，网络攻击是通过在网络空间中的计算系统上运行的软件系统来执行的。因此，为了防止对软件系统的网络攻击风险，必须识别在网络空间内运行的实体，并在分析漏洞和开发防御机制后隔离对应用程序安全的威胁。本文将研究识别网络空间中资产的各种方法，对网络威胁进行分类，提供安全防御，并将安全措施映射到控制类型和功能。因此，采用正确的应用程序来应对安全威胁和防御将有助于IT专业人员和用户做出决策，以开发强大的深度防御机制。
2022-12-15 cs.CR cs.CY
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
An Unsupervised Learning Approach For A Reliable Profiling Of Cyber Threat Actors Reported Globally Based On Complete Contextual Information Of Cyber Attacks
针对监督学习依赖结构化数据且耗时的问题，提出一种基于完整上下文信息的无监督凝聚层次聚类技术，通过识别网络威胁行为者的共同特征进行有效聚合与画像，为防御网络攻击提供支持。
2025-09-15 cs.CR
Generating Cyber Threat Intelligence to Discover Potential Security Threats Using Classification and Topic Modeling
University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）；University of Regina（里贾纳大学）；Tampere University（坦佩雷大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
由于网络攻击或威胁的多样性，网络安全社区将传统的安全控制机制提升到先进水平，以便自动化工具可以遇到潜在的安全威胁。最近，网络威胁情报（CTI）由于其自动化的网络安全威胁预测而被视为主动和强大的机制之一。一般来说，CTI从各种来源收集和分析数据，例如，在线安全论坛，社交媒体，网络爱好者，分析师，甚至网络犯罪分子讨论网络或计算机安全相关主题，并根据分析发现潜在威胁。由于手动分析每个此类讨论（在线平台上的帖子）耗时，效率低下且容易出错，CTI作为一种自动化工具可以独特地检测网络威胁。在本文中，我们确定和探讨相关CTI黑客论坛利用不同的监督（分类）和无监督学习（主题建模）技术。为此，我们从一个真实的黑客论坛中收集数据，并构建了两个数据集：一个二进制数据集和一个多类数据集。然后，我们应用几个分类器以及基于深度神经网络的分类器，并在数据集上使用它们来比较它们的性能。我们还将标记泄漏数据集上的分类器作为我们的基础事实。我们使用无监督技术进一步探索数据集。为此，我们利用两个主题建模算法，即潜在狄利克雷分配（LDA）和非负矩阵分解（NMF）。
2022-11-14 cs.CR cs.LG
Enhancing Cyber Threat Hunting -- A Visual Approach with the Forensic Visualization Toolkit
本文提出取证可视化工具包（FVT），通过高级可视化增强网络威胁狩猎，提升安全分析师的态势感知与威胁响应能力，并已在欧盟项目中应用。
2025-09-11 cs.CR
Cyber Threats to Canadian Federal Election: Emerging Threats, Assessment, and Mitigation Strategies
本文针对2025年加拿大联邦选举的网络安全风险，遵循NIST SP 800-30框架开展国家级威胁评估，识别三类核心威胁，分析其特性与影响，并提出多维度风险缓解策略以保障选举安全。
2024-10-07 cs.CR
Threat-Informed Cyber Resilience Index: A Probabilistic Quantitative Approach to Measure Defence Effectiveness Against Cyber Attacks
本文提出基于威胁情报与POMDP的网络弹性指数CRI，将攻击者TTPs和不确定性纳入动态评估，以单一量化指标衡量组织防御有效性并支持资源配置决策。
2024-09-06 cs.CR
Security evaluation of cyber networks under advanced persistent threats
本文致力于衡量网络在高级持续性威胁（APT）下的安全性。首先，基于APT的网络攻防过程被建模为一个个体级的动力系统。其次，动态模型显示出的全局稳定性。在此基础上，定义了一种新的网络安全度量--极限安全度，即网络中受损节点的极限期望分数。其次，通过理论分析和计算机模拟说明了不同因素对极限安全性的影响。这项工作有助于了解APT下的网络安全。
2017-07-12 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
On the Integration of Course of Action Playbooks into Shareable Cyber Threat Intelligence
CACAO是第一个开放标准，它统一了我们以机器可读格式记录行动过程的方式，以实现互操作性，以及利用、耦合和共享行动过程剧本与网络威胁情报所带来的网络安全行动的好处，我们引入了一个统一的元数据模板，该模板支持管理行动过程剧本并将其集成到知识表示和知识中管理系统。我们通过两个用例实现证明了我们的方法的适用性。我们利用剧本元数据模板来引入功能并将行动剧本（如CACAO）集成到MISP威胁情报平台和OASIS威胁执行者上下文本体中。
2021-11-22 cs.CR
AegisShield: Democratizing Cyber Threat Modeling with Generative AI
针对传统威胁建模难以规模化的问题，开发了AegisShield工具，结合STRIDE、MITRE ATT&CK框架及实时威胁情报，实验显示其能降低复杂性、匹配专家结果，助力资源不足组织应对风险
2026-08-07 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
Current Challenges of Cyber Threat and Vulnerability Identification Using Public Enumerations
识别网络威胁是安全团队的基本任务之一。目前，可以使用组织成各种格式、枚举和知识库的知识来识别网络威胁。本文研究了当前使用资产枚举和数据识别网络空间中的漏洞和威胁的挑战。虽然枚举在实践中使用，我们指出了几个问题，仍然降低了脆弱性和威胁识别的质量。由于漏洞识别方法是基于网络监控和代理的，因此问题与资产发现、漏洞发现的精度和数据量有关。另一方面，威胁识别利用基于图的、自然语言的、机器学习的和本体论的方法。目前的趋势是提出利用战术，技术和程序而不是低级别的妥协指标的方法，使网络威胁识别更加成熟。通过分析公共枚举和知识库之间的关系，来自威胁、漏洞和资产管理的标准之间的合作也是一个未解决的问题。最后，我们研究了MITRE ATT&CK知识库中使用网络监控捕获数据进行威胁建模的技术的可用性。虽然网络流量不是最常用的数据源，但它允许对MITRE ATT&CK的几乎所有战术进行建模。
2022-06-29 cs.CR
