Automated Dataset Generation System for Collaborative Research of Cyber Threat Analysis
网络攻击的目标越来越复杂，攻击者通过伪装成其他攻击者来隐藏自己的身份。网络威胁情报（CTI）作为一种收集有意义的知识的方式，以更好地了解攻击者的意图，并最终预测未来的攻击，正受到越来越多的关注。基于从实际网络事件中获得的数据进行系统的威胁分析是为实现这一目标而生成情报的有用方法。开发分析技术需要大量和高质量的数据。然而，研究人员可能会因为无法获得数据而感到沮丧，因为组织很少向研究界发布数据。由于数据不可访问性问题，学术研究往往偏向于开发CTI过程步骤的技术，而不是分析和生产。在本文中，我们提出了一个自动化的数据集生成系统，称为CTIMiner。该系统从公开的安全报告和恶意软件存储库中收集威胁数据。数据以结构化格式存储。我们向公众发布了源代码和数据集，其中包括2008年1月至2019年6月发布的612份安全报告中的约640，000条记录。此外，我们提出了一个数据集的统计功能和技术，可以使用它开发。此外，我们演示了一个应用程序的数据集，分析事件的相关性和特点的例子。我们相信我们的数据集将促进威胁分析的合作研究，以生成CTI。
2019-10-06 cs.CR
Design and Development of Automated Threat Hunting in Industrial Control Systems
传统的工业系统，例如，发电厂、水处理厂等，都是为了运行高度隔离和控制的能力而建造的。最近，工业控制系统（ICS）已经暴露在互联网上，以便于访问和适应先进技术。但是，它会造成安全漏洞。攻击者经常利用这些漏洞对ICS发起攻击。为此，执行威胁搜索以主动监控ICS网络的安全性，并保护它们免受可能导致系统故障的威胁。威胁猎人手动识别威胁，并根据可用的威胁情报提供假设。在本文中，我们激励的差距，缺乏研究的自动化威胁狩猎在ICS网络。我们提出了一个自动提取的威胁情报和假设的生成和验证。我们提出了一个自动化的威胁狩猎框架的基础上提供的ICS MITRE ATT&CK框架自动化的任务的威胁情报。与现有的基于云、成本高昂且容易出现人为错误的狩猎解决方案不同，我们的解决方案是使用不同的开源技术实现的中央和开源解决方案，例如，Elasticsearch、Conpot、Metasploit、Web单页应用程序（SPA）和机器学习分析器。我们的研究结果表明，所提出的威胁狩猎解决方案可以识别网络的攻击和警报的威胁猎人与基于ICS MITRE ATT&CK的技术，战术和程序（TTP）生成的假设。然后，机器学习分类器自动预测攻击的未来动作。
2022-02-03 cs.CR cs.DC
ThreatKG: An AI-Powered System for Automated Open-Source Cyber Threat Intelligence Gathering and Management
针对现有开源网络威胁情报方案仅聚焦孤立结构化IOC、未充分挖掘非结构化报告关联知识的问题，提出模块化可扩展的AI驱动系统ThreatKG，可多源收集报告、提取威胁实体与关系并构建更新威胁知识图谱，经评估具备实际有效性。
2024-10-30 cs.CR cs.DB
TagZilla: Automated Owner and Abuse Type Tagging for Indicators of Compromise in Threat Reports
IMDEA Software Institute（IMDEA软件研究所）
TagZilla是基于LLM的IoC自动标注平台，采用开放与闭世界分类法，在100份含1534个IoC的报告上F1值达0.94和0.93，可标注多行为者报告并生成IoC档案。
2026-08-31 cs.CR
Automating Cyber Threat Hunting Using NLP, Automated Query Generation, and Genetic Perturbation
Perspecta Labs, Inc.（Perspecta实验室）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
扩大网络搜索问题带来了几个关键的技术挑战。在大型企业网中大规模检测和表征网络威胁是困难的，因为当对手部署各种不断变化的策略来实现其目标时，必须分析大量复杂的数据。有一个伟大的需要自动化的所有方面，事实上，网络狩猎的工作流程。AI提供了许多方法来支持这一点。我们开发了WILEE系统，通过将高级威胁描述转化为许多可能的具体实施，自动化网络威胁搜索。（高级）抽象和（低级）具体实现都使用自定义域特定语言（DSL）表示。WILEE使用这些实现以及其他逻辑（也是用DSL编写的）来自动生成查询，以确认（或反驳）与各个抽象层所表示的潜在对抗性工作流相关的任何假设。
2021-04-23 cs.AI cs.CR
Automated Retrieval of ATT&CK Tactics and Techniques for Cyber Threat Reports
University of Twente（特文特大学）；Siemens Corporate Technology（西门子企业技术部）
在过去几年中，威胁情报共享稳步增长，导致网络安全专业人员访问越来越大量的异构数据。其中，网络攻击的策略、技术和程序（TTP）已被证明对于描述威胁行为者的行为特征特别有价值，从而改进防御对策。不幸的是，这些信息通常隐藏在人类可读的文本报告中，必须手动提取。在本文中，我们评估了几种分类方法，自动检索TTP从非结构化文本。为了实现这些方法，我们利用MITRE ATT&CK框架，一个开放的知识库的对抗战术和技术，训练分类器和标签的结果。最后，我们介绍了rcATT，这是一个建立在我们的研究结果之上的工具，并免费分发给安全社区，以支持网络威胁报告的自动分析。
2020-04-29 cs.CR cs.LG
MCPThreatHive: Automated Threat Intelligence for Model Context Protocol Ecosystems
Vulcan Research（Vulcan研究）
本文提出MCPThreatHive平台，通过AI驱动威胁提取与分类，解决MCP安全威胁建模不完整、威胁情报不连续及分类不统一的问题。
2026-04-15 cs.AI cs.CR
Securing Automated Insulin Delivery Systems: A Review of Security Threats and Protective Strategies
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文综述了自动化胰岛素输送系统面临的安全威胁及防护策略，指出现有安全评估框架不足，需发展轻量级和适应性强的防御机制以提升系统安全性。
2026-01-19 cs.CR
Heimdallr: Characterizing and Detecting LLM-Induced Security Risks in GitHub CI Workflows
National University of Singapore（新加坡国立大学）
本文研究GitHub CI工作流中LLM引发的安全风险，提出Heimdallr框架，通过流程图规范化和威胁向量检测，实现高精度识别LLM节点和威胁向量。
2026-07-10 cs.CR cs.SE
STINER: Automated Extraction of Strategic Cyber Threat Intelligence from X
College of Computing, Mohammed VI Polytechnic University (UM6P)（莫罕默德六世理工大学计算学院）；Deloitte Conseil（德勤咨询）
该研究针对社交媒体CTI提取难题，提出STINER分类体系与语料库，经测试DarkBERT等领域适配编码器表现最优，还利用STINER-DarkBERT完成了2025年上半年欧洲威胁态势分析。
2026-08-17 cs.CR
Protected or Porous: A Comparative Analysis of Threat Detection Capability of IoT Safeguards
首次调查IoT防护措施的威胁检测能力，通过开发自动化实验方法在大型测试床进行数千次测试，发现这些防护措施不仅防风险无效，其云交互与数据收集反而会引入新的隐私风险。
2023-04-06 cs.CR
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
Toward Automated Security Risk Detection in Large Software Using Call Graph Analysis
针对人工威胁建模效率低易出错的问题，提出基于调用图聚类（密度算法+社区检测）的自动化威胁建模方法，经SFO案例验证可行，为云原生环境的可扩展半自动化威胁建模框架提供支撑。
2025-10-30 cs.CR cs.SE
A System for Automated Open-Source Threat Intelligence Gathering and Management
University of California, Berkeley（加州大学伯克利分校）；Microsoft Corporation（微软公司）
为了了解快速发展的网络威胁形势，开源网络威胁情报（OSCTI）越来越受到社区的关注。通常，有关威胁的知识在大量的OSCTI报告中提出。尽管迫切需要高质量的OSCTI，但现有的OSCTI收集和管理平台主要集中在孤立的低级别妥协指标上。另一方面，更高层次的概念（例如，对手的战术、技术和程序）及其关系被忽略了，这些知识包含了关于威胁行为的基本知识，而这些知识对于揭示完整的威胁场景至关重要。为了弥补这一差距，我们提出了SecurityKG，一个自动化OSCTI收集和管理系统。SecurityKG从各种来源收集OSCTI报告，使用AI和NLP技术的组合来提取有关威胁行为的高保真知识，并构建安全知识图谱。SecurityKG还提供了一个支持各种交互类型的UI，以促进知识图谱的探索。
2021-02-26 cs.AI cs.CL cs.CR
Semantic Ranking for Automated Adversarial Technique Annotation in Security Text
提出基于多阶段排序架构的方法，从威胁情报文本中提取结构化威胁行为，在零样本设置下性能优于大型语言模型，top-3召回率达81%。
2024-03-25 cs.CR
Transforming Cyber Defense: Harnessing Agentic and Frontier AI for Proactive, Ethical Threat Intelligence
本文探讨智能体AI与前沿AI如何通过重构网络杀伤链、增强威胁情报及嵌入伦理治理，构建融合实时监控与自动化响应的主动、弹性网络防御体系。
2025-02-28 cs.CR
Fully Automated End-to-End Adversary Emulation from MITRE ATT\&CK Based Cyber Threat Intelligence Using LLMs
Chonnam National University（全南国立大学）；Good First Information Technology（古德第一信息技术）
该研究基于MITRE ATT&CK网络威胁情报，利用大语言模型构建全自动端到端对手模拟框架，统一剧本生成、执行与故障恢复流程，经多模型评估，Claude Sonnet 4.5效果最佳，故障恢复机制提升了执行成功率。
2026-07-17 cs.CR
THREAT/crawl: a Trainable, Highly-Reusable, and Extensible Automated Method and Tool to Crawl Criminal Underground Forums
收集关于地下犯罪社区的数据对于安全研究和安全行动都非常有价值。不幸的是，这些社区生活在一个难以渗透的各种在线论坛的星座中，可能会采取爬行监控对策，并需要为每个不同的社区开发专门的抓取器，这使得这项工作在技术上越来越具有挑战性，并且可能昂贵。为了解决这个问题，我们提出了THREAT/crawl，一个高度可重用的爬虫程序，可以学习广泛的（任意）论坛结构的方法和原型工具，可以保持在雷达下的爬行活动，并可以扩展和配置在用户的意愿。我们展示了威胁/爬行能力，并对我们的原型进行了一系列活跃的、实时的地下社区的初步评估。
2022-12-07 cs.CR cs.IR
DisCTI: Who Needs to Know Timely? Automated Sector-Aware Cyber Threat Intelligence Dissemination
本研究针对CTI行业映射缺失问题，构建872条带标签CTI数据集，用BERT实现CTI到行业的自动映射，在自定义数据集上获宏平均F1=0.89、汉明损失0.055，提升CTI分发的时效性与针对性。
2026-08-31 cs.CL 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
An Automated Attack Investigation Approach Leveraging Threat-Knowledge-Augmented Large Language Models
提出一种结合杀伤链对齐威胁知识库的LLM攻击调查框架，通过阶段感知知识检索与因果推理重建多阶段攻击并生成报告，在15个场景中显著优于ATLAS。
2025-09-01 cs.CR
Towards Automated Cyber Threat Intelligence Elicitation in Underground Forums
Politecnico di Milano（米兰理工大学）；BV TECH S.p.A.（BV科技公司）
本文提出首个基于多智能体大语言模型的主动CTI获取系统DarkBot，其在受控与真实世界实验中均优于基线，可从地下论坛高效获取CTI且安全合规。
2026-08-25 cs.CR
From Prompt Injections to Protocol Exploits: Threats in LLM-Powered AI Agents Workflows
Department of Computer and Network Engineering, College of Information Technology, United Arab Emirates University（阿联酋大学计算机与网络工程系）；Technology Innovation Institute（技术创新研究所）；Eötvös Loránd University（埃奥瓦大学）；Department of Computer Science, Guelma University（古尔马大学计算机科学系）；De Montfort University（德蒙福特大学）；Khalifa University of Science and Technology（卡里玛科学技术大学）
本文提出了一种统一的端到端威胁模型，系统分类了LLM代理生态系统中的三十多种攻击技术，涵盖输入操纵、模型妥协、系统和隐私攻击及协议漏洞，并提供缓解策略以设计安全的代理AI系统。
2025-12-14 cs.AI cs.CR
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
Anomaly Detection from Cyber Threats via Infrastructure to Automated Vehicle
当在能见度有限的高密度交通情况下自动驾驶时，使用结构到车辆（I2V）信息可以带来很大的好处，因为外部传感器增强了车辆的感知能力。在本研究中，引入了一种方法来提高车辆在交叉路口的自我意识，以应对使用I2V通信时可预见的最大挑战之一：网络安全。引入的异常检测算法在自动驾驶汽车上运行，评估I2V通信的健康状况，以抵御多种网络安全攻击。该分析是在模拟环境中进行的，使用了Secredas项目（跨域可靠依赖自动化系统的网络安全）的网络攻击场景，并提供了车辆在面临不同类型和幅度的I2V网络攻击以及传感器冗余丢失时的局限性。结果表明，自动驾驶汽车可以稳健地检测和缓解注入的异常，使其能够更安全，更舒适地做出反应，并在交叉路口保持正确的目标跟踪。
2021-04-23 cs.CR math.OC
SMSI: System Model Security Inference: Automated Threat Modeling for Cyber-Physical Systems
School of Electrical Engineering and Computer Science, University of Ottawa（奥多亚大学电气工程与计算机科学学院）
本文提出SMSI框架，通过SysML模型生成优先级安全控制列表，采用神经符号混合方法实现CVE到MITRE ATT&CK的映射，并在医疗物联网网关上验证了其有效性。
2026-04-26 cs.AI 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
A Deep Learning Perspective on Connected Automated Vehicle (CAV) Cybersecurity and Threat Intelligence
CAV的自动化和连接性继承了现有技术的大部分网络物理漏洞，例如不断发展的网络架构，无线通信和基于AI的自动化。本书的这一章涉及源自IT、OT和CAV生态系统的物理域的网络物理漏洞和风险，折衷的威胁景观和威胁情报。为了应对CAV生态系统中来自古怪利益相关者的高速、高维、多模态数据和资产中的安全威胁，本章介绍并分析了一些最先进的基于深度学习的威胁情报用于攻击检测。本章介绍了深度学习的前沿领域，即元学习和联邦学习，以及它们面临的挑战。我们提出、训练和测试了用于CAV威胁情报的深度CNN-LSTM架构;评估并比较了所提出模型与其他深度学习算法（如DNN、CNN、LSTM）的性能。我们的研究结果表明了所提出的模型的优越性，尽管DNN和1d-CNN在CAV-KDD数据集上的准确率、精度、召回率、f1分数和AUC也达到了99%以上。深度CNN-LSTM的良好性能伴随着模型复杂性的增加和繁琐的超参数调整。尽管如此，在CAV网络安全范式中采用深度学习仍然存在公开的挑战，这是由于缺乏适当开发的协议和政策，利益相关者之间的权限定义不明确，培训成本更高，对模型的对抗性威胁，以及模型在数据分布下的可推广性差。
2021-09-22 cs.CR cs.SY eess.SY
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
From Threat Intelligence to Detection: Knowledge-driven Enrichment and Template-based Rule Grounding for Automated Sigma Rule Generation
Concordia University（康考迪亚大学）；Ericsson Research（爱立信研究院）
本研究设计了AUTOSIGMA，结合知识驱动丰富化等技术，将非结构化CTI报告自动生成Sigma规则，其在多项指标上优于其他方案。
2026-08-20 cs.AI cs.CR
CyberThreat-Eval: Can Large Language Models Automate Real-World Threat Research?
Microsoft Research（微软研究院）；Microsoft（微软）
CyberThreat-Eval通过专家标注的基准测试评估大型语言模型在威胁情报工作流程中的实际表现，揭示其在复杂细节处理和信息区分上的不足。
2026-03-10 cs.CL cs.CR
AI-Driven Security in Cloud Computing: Enhancing Threat Detection, Automated Response, and Cyber Resilience
Colorado Technical University - Colorado Springs Campus（科罗拉多理工大学科罗拉多斯普林斯校区）
本文研究如何利用人工智能增强云安全，通过预测分析、行为威胁检测和AI驱动加密提升威胁检测与自动响应能力，并指出未来需结合区块链等技术进一步提升可靠性、模块化与伦理合规性。
2025-05-06 cs.AI cs.CR
An AI Security Agent for University ACMIS: Multi-Vector Threat Detection and Automated Response
University ACMIS（ACMIS大学）
提出一种结合监督异常检测、行为分析和NLP聊天机器人的AI安全代理，针对ACMIS的五个操作层进行监控，并通过四级风险升级框架实现自动响应，在模拟数据集上达到0.91的F1分数。
2026-10-21 cs.AI cs.CR cs.CY
ASTRIDE: A Security Threat Modeling Platform for Agentic-AI Applications
Old Dominion University（老奥布里恩大学）；Accenture Technology Labs（埃森哲技术实验室）；Florida International University（佛罗里达国际大学）；Nanyang Technological University（南洋理工大学）；University of Colombo（科伦坡大学）
ASTRIDE是首个专为AI智能体应用设计的自动化威胁建模平台，通过扩展STRIDE框架并结合微调的视觉语言模型与推理LLM，实现基于图的威胁建模自动化。
2025-12-04 cs.AI cs.CR
An Automated Framework for Extracting Reachable Attack Chains from Cyber Threat Intelligence Reports
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东新型安全情报技术重点实验室）；School of Computer Science and Technology（计算机科学与技术学院）；Harbin Institute of Technology（哈尔滨工业大学）；New Network Research Department（新网络研究部）；Peng Cheng Laboratory（鹏城实验室）；Great Bay University（大湾区大学）
该研究针对CTI报告非结构化无法用于自动化攻击路径推理的问题，提出将攻击步骤建模为含条件和行为的单元，经多阶段管道结合大语言模型提取并规范化，编译成规则推理，在数据集上有更好表现，能有效提取可达攻击链。
2026-07-23 cs.AI cs.CR
The Chronos Vulnerability: A Taxonomy of Temporal Persistence and Memory-Based Deception in Agentic AI
研究人工智能中Chronos漏洞，形式化基于持久性攻击的威胁模型，指出传统端点内容过滤器不足，综合深度防御格局并分类新兴框架，应对智能体内存攻击等安全威胁。
2026-07-23 cs.AI cs.CR
Time for aCTIon: Automated Analysis of Cyber Threat Intelligence in the Wild
NEC Laboratories Europe（NEC欧洲实验室）；NEC Corporation India（NEC印度公司）；NEC（NEC公司）
针对现有网络威胁情报自动化提取工具性能不足、缺乏通用评估基准的问题，该研究发布了规模大两个数量级的标注基准数据集，并提出基于GPT3.5的aCTIon工具，在10种对比方案中取得最优性能，F1值提升10至50个百分点。
2023-07-14 cs.CR cs.LG
Application of LLMs to Threat Assessment of Foreign Peacekeeping Missions
HENSOLDT Austria（海恩索尔特奥地利公司）；Austrian Ministry of Defence（奥地利国防部）
提出利用大语言模型（LLMs）结合风险模型和OSINT媒体数据，自动提取维和任务相关威胁，评估显示自动结果与人工判断高度一致。
2026-07-08 cs.AI cs.CR
ThreatLens: LLM-guided Threat Modeling and Test Plan Generation for Hardware Security Verification
Department of Electrical and Computer Engineering, University of Florida（电子与计算机工程系，佛罗里达大学）
提出 LLM 驱动的多智能体框架 ThreatLens，结合 RAG、威胁推理与用户反馈自动生成硬件安全威胁模型和测试计划，并在 NEORV32 SoC 上验证有效。
2025-05-11 cs.AI cs.CR cs.ET
ATLAS: AI-Assisted Threat-to-Assertion Learning for System-on-Chip Security Verification
Department of Electrical and Computer Engineering, University of Central Florida（电子与计算机工程系，中央佛罗里达大学）；Intel Corporation（英特尔公司）
ATLAS通过结合人工智能和形式验证技术，实现了基于漏洞知识的自动化SoC安全验证，提高了安全设计的可靠性。
2026-03-01 cs.AI cs.CR
LLMCloudHunter: Harnessing LLMs for Automated Extraction of Detection Rules from Cloud-Based CTI
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
针对现有开源云威胁情报分析自动化方法的不足，研究提出LLMCloudHunter框架，利用大语言模型从多模态OSCTI数据生成检测规则，在API调用、IoC提取及规则编译上表现优异。
2024-07-06 cs.CL cs.CR cs.LG
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
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
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
Toward Autonomous SOC Operations: End-to-End LLM Framework for Threat Detection, Query Generation, and Resolution in Security Operations
Ontario Tech University（安大略技术大学）
本文提出端到端威胁管理框架，通过集成基于集成的检测、语法约束查询生成和检索增强的解决支持，自动化安全操作流程，提升效率与准确性。
2026-04-30 cs.AI cs.CR cs.IR
