Empowering Future Cybersecurity Leaders: Advancing Students through FINDS Education for Digital Forensic Excellence
本文提出MCBSG模型,通过整合AI驱动的取证编程、统计推断等技能,提升网络安全教育的系统性和可衡量性,验证其在提高技术能力和研究准备度方面的有效性。
2026-03-14 cs.AI cs.CR
Advancing TTP Analysis: Harnessing the Power of Large Language Models with Retrieval Augmented Generation
Department of Electrical & Computer Engineering(电气与计算机工程系);Rochester Institute of Technology(罗切斯特理工学院)
本研究比较了编码器LLM的监督微调与解码器LLM的检索增强生成在理解TTPs上的效果,发现RAG方法性能更优,且通用提示更有效。
2024-07-22 cs.CR cs.LG
Advancing Inclusivity in Cybersecurity Education: Integrating Intersectionality to Enhance Student Engagement in Australian Higher Education Curriculums Strategies, Barriers, and Future Directions
School of Computing Technologies, RMIT(皇家墨尔本理工大学计算技术学院);University of Tasmania(塔斯马尼亚大学);Adelaide University(阿德莱德大学);Office of Indigenous Education Research and Engagement, RMIT University(皇家墨尔本理工大学原住民教育研究与参与办公室)
本研究通过对澳大利亚15所高校的网络安全学者访谈,分析将交叉性视角融入网络安全课程的策略、障碍与未来方向,为相关课程开发提供了重要指导。
2026-08-19 cs.CR cs.CY
ChatNVD: Advancing Cybersecurity Vulnerability Assessment with Large Language Models
The University of Adelaide, Australia(澳大利亚阿德莱德大学);CSIRO’s Data61, Australia(澳大利亚CSIRO数据61)
针对现有漏洞评估方法晦涩抽象的问题,研究提出基于大语言模型的工具ChatNVD,利用NVD生成易懂的漏洞摘要,对比三款主流LLM后发现GPT-4o Mini准确率超92%、表现最优。
2025-05-20 cs.CL cs.CR
Advancing Autonomous Incident Response: Leveraging LLMs and Cyber Threat Intelligence
OODRIVE-Trusted Cloud Solutions(OODRIVE可信云计算解决方案);L3i Lab, University of La Rochelle(L3i实验室,拉罗什-科尔贝尔大学)
提出基于RAG和LLM的框架,通过混合检索CTI并生成缓解策略,提升事件响应的准确性与效率,减轻分析师负担。
2025-08-14 cs.CR cs.LG
ChatIDS: Advancing Explainable Cybersecurity Using Generative AI
Leipzig University(莱比锡大学);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig(德累斯顿/莱比锡可扩展数据分析与人工智能中心)
ChatIDS利用生成式AI向非专业人士解释IDS警报,以提高家庭网络等的安全性,但需解决信任、隐私等伦理问题。
2026-09-17 cs.CR
Advancing Security in Software-Defined Vehicles: A Comprehensive Survey and Taxonomy
EPITA;VEDECOM;SAMOVAR, Télécom SudParis(SAMOVAR,巴黎电信学院);Institut Polytechnique de Paris(巴黎理工学院)
本文全面调查了软件定义汽车(SDVs)的生态系统与使能技术,提出一种新颖的分层分类法,将漏洞利用技术映射至核心属性与攻击路径,填补了SDV网络安全研究缺乏清晰区分与整合的空白。
2025-10-08 cs.CR
A Survey on Detection of LLMs-Generated Content
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);NEC Laboratories America, Princeton(NEC美国实验室(普林斯顿))
本文是首篇关于LLMs生成内容检测的全面综述,详细梳理了现有检测策略与基准,分析了关键挑战与前景,并呼吁开发更具适应性和鲁棒性的模型及多方位防御方法以应对合成内容带来的威胁。
2023-10-24 cs.AI cs.CL cs.CY
Exploring Traffic Simulation and Cybersecurity Strategies Using Large Language Models
本研究提出利用大语言模型的多智能体框架,自动化交通场景、攻击与防御设计,案例显示可缓解攻击导致的延误,提升交通网络安全。
2025-06-20 cs.CR
Systemization of Knowledge (SoK)- Cross Impact of Transfer Learning in Cybersecurity: Offensive, Defensive and Threat Intelligence Perspectives
本文全面综述了迁移学习在网络安全攻击、防御和威胁情报等领域的应用,强调其在提升检测准确率与隐私保护等方面的作用,并提出了未来研究路线图。
2023-09-12 cs.CR
Advancing Vulnerability Classification with BERT: A Multi-Objective Learning Model
National Taiwan University of Science and Technology (NTUST)(台湾科技大学)
本文提出一种基于BERT的多目标学习模型,用于对NVD中的CVE报告进行多标签分类,同时预测严重性和漏洞类型,并通过REST API和Streamlit UI实现实时漏洞分析,为自动化漏洞分诊提供开源解决方案。
2025-03-26 cs.AI cs.CR
Exploring Challenges and Opportunities in Cybersecurity Risk and Threat Communications Related To The Medical Internet Of Things (MIoT)
随着设备互连和无处不在的计算继续在医疗保健中激增,医疗物联网(MIoT),也被称为医疗物联网(IoMT)或医疗物联网(IoHT),肯定会在全球数十亿人的健康和福祉中发挥重要作用。当涉及到与物联网相关的各种网络安全风险和威胁时,重点一直是技术挑战和技术解决方案。然而,特别是在医疗保健领域,还存在另一个重大且潜在的严峻挑战。这是一项挑战,即如何向依赖这些互联医疗技术来改善甚至维持生命的患者彻底准确地传达网络安全风险和威胁的性质和程度。本案例研究旨在评估网络安全风险的范围和深度以及向极其脆弱的患者群体提供的威胁通信,并与美国各地的心脏医疗器械专家进行了半结构化访谈。这项研究为医疗保健网络安全领域提供了科学数据,并协助学者和从业人员推进MIoT患者通信领域的教育和研究。
2019-08-02 cs.CR cs.CY
Systematic Cybersecurity Risk Analysis of European Rail Traffic Management System
Technical University of Munich(慕尼黑工业大学);Fraunhofer AISEC(弗劳恩霍夫AISEC研究所)
本研究系统建模ERTMS组件,分析其面临的安全威胁,发现遗留标准引入的漏洞在多种部署场景中持续存在,并指出全面转向ETCS 2级是提升网络安全的关键措施。
2026-06-24 cs.CR
MORPHEUS: A Multidimensional Framework for Modeling, Measuring, and Mitigating Human Factors in Cybersecurity
Department of Computer Science, University of Bari Aldo Moro(巴里阿尔多莫罗大学计算机科学系)
针对网络安全中人为因素研究碎片化的问题,提出MORPHEUS框架,基于认知-情感-行为模型和归因理论,整合50个人为因素,映射302个实证交互,提炼12种交互机制,并提供99个心理测量工具,支持风险诊断和干预。
2026-07-02 cs.CR cs.HC
Approaching the Automation of Cyber Security Testing of Connected Vehicles
车辆和汽车系统的数字化进步为创建和增强舒适性和安全性相关系统带来了许多优势,从线控驾驶,包括先进的显示器,娱乐系统到复杂的驾驶辅助和自动驾驶。然而,它也包含被用于非预期目的的固有风险,从小型未经授权的定制到影响几辆车的全面网络攻击的可能性,再到整个车队和转向和发动机控制等重要系统。为了防止这种情况并减轻网络安全风险对道路交通安全的影响,必须在大规模的汽车测试中采用网络安全测试。目前,由于测试复杂系统的时间和成本,手动渗透测试过程无法满足日益增长的需求。我们提出了一种(半)自动化汽车网络安全测试的架构方法,允许进行更经济的测试,从而跟上新车辆功能引起的不断增长的需求,以及向互联和自动驾驶汽车的发展。
2019-11-15 cs.CR
Classification of cyber attacks on IoT and ubiquitous computing devices
本文对物联网恶意软件进行分类,识别主要攻击目标与利用方式,指出设备定义和安全目标缺失是核心障碍,并强调现有攻击大多可通过既有技术措施缓解。
2023-12-01 cs.CR
Advancing CAN Network Security through RBM-Based Synthetic Attack Data Generation for Intrusion Detection Systems
针对CAN网络缺乏攻击数据导致IDS性能受限的问题,提出基于RBM生成合成攻击数据的方法,提升训练数据均衡性,显著提高CANet和EfficientNet的检测准确率。
2025-03-27 cs.CR
A Review on C3I Systems' Security: Vulnerabilities, Attacks, and Countermeasures
指挥、控制、通信和情报(C3I)系统越来越多地用于关键的民用和军事领域,以实现信息优势、作战效能和更高的态势感知。与面临广泛网络攻击的传统系统不同,C3I战术行动的敏感性使其网络安全成为关键问题。例如,在军事战场上篡改或拦截机密信息不仅会损害C3I行动,而且会造成不可逆转的后果,如人员伤亡和任务失败。因此,C3I系统已成为网络对手的焦点。此外,C3I系统的技术进步和现代化大大增加了C3I系统遭受网络攻击的潜在风险。因此,网络对手利用高度复杂的攻击媒介来利用C3I系统中的安全漏洞。尽管C3I系统的网络安全的重要性迅速发展,现有的文献缺乏一个全面的审查,以系统化的C3I系统的安全知识体系。因此,在本文中,我们收集,分析和综合了C3I系统网络安全的最新技术。特别是,本文已经确定了安全漏洞,攻击向量和对策/防御C3I系统。此外,我们的调查使我们能够:(i)提出安全漏洞,攻击向量和对策的分类;(ii)将攻击向量与安全漏洞和对策相互关联;(iii)提出未来的研究方向,以推进C3I系统网络安全的最新技术。
2022-01-31 cs.CR cs.SY eess.SY
Collaboration is not Evil: A Systematic Look at Security Research for Industrial Use
随着最近物联网引发的数字化趋势,工业应用也将进一步发展。生产互联网以制造和生产领域为重点,通过建立分布式知识库,追求数字化、全球互联但安全的环境。背景作为我们通过网络安全和隐私推进工业应用范围的合作研究的一部分,我们确定了一系列常见的挑战和陷阱,这些挑战和陷阱出现在这种应用跨学科合作中。瞄准我们的目标与本文是支持研究人员在新兴领域的网络安全在工业环境中,通过正规化我们的经验作为其他研究工作的参考,在工业界和学术界一样。法根据我们的经验,我们得出了一个过程周期,执行这样的跨学科研究,从最初的想法,最终的传播和论文写作。本文提出的方法力求成功地引导进一步的研究,并鼓励在这一新兴领域的进一步工作。结果除了我们新提出的过程周期外,我们还报告了我们的经验,并应用这种方法进行了案例研究,提高了对工业应用网络安全研究挑战的认识。我们进一步详细介绍了我们的过程周期和应用研究数据管理中的数据生命周期之间的相互作用。最后,我们增加了我们的讨论与工业以及对这一研究领域的学术观点,并强调这两个领域仍然需要克服重大挑战,以可持续和安全地推进工业应用。结论.通过我们提出的网络安全和工业应用交叉领域跨学科研究的过程周期,我们为进一步的研究提供了基础。
2021-12-21 cs.CR
Advancing Security in AI Systems: A Novel Approach to Detecting Backdoors in Deep Neural Networks
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
提出基于张量分解(IVA、MCCA、PARAFAC2)的后门检测方法,无需训练数据即可分析DNN权重,在三个视觉数据集上显著提升检测准确性和效率。
2024-03-13 cs.CR cs.CV
CyberSOCEval: Benchmarking LLMs Capabilities for Malware Analysis and Threat Intelligence Reasoning
针对现有评估未充分覆盖现实安全场景的问题,本文提出CyberSOCEval基准,评估LLMs在恶意软件分析和威胁情报推理任务的能力,为开发者和用户提供方向,指出模型改进机会。
2025-11-10 cs.AI cs.CR
LENS-XAI: Redefining Lightweight and Explainable Network Security through Knowledge Distillation and Variational Autoencoders for Scalable Intrusion Detection in Cybersecurity
Kırıkkale University(克尔克卡拉大学);University College Dublin(都柏林大学学院);CeADAR;School of Computer Science(计算机科学学院)
针对工业物联网入侵检测的高计算成本与可解释性不足,提出融合知识蒸馏、变分自编码器和归因解释的 LENS-XAI 框架,仅用10%训练数据即在四个基准上取得优异准确率。
2025-01-07 cs.AI cs.CR cs.CY
AI Security Priorities: A Field-Wide Agenda
Irregular;RAND(兰德公司);Watertight AI;Palo Alto Networks(帕洛阿尔托网络公司);Prometheus;Redwood Research;The Hoover Institution(胡佛研究所)
本文基于多领域专家访谈与研讨会,提出AI安全优先议程,涵盖四大主题,为AI安全领域的协调行动提供实践基础,服务从业者与新进入者。
2026-07-30 cs.AI cs.CR cs.CY
SecReEvalBench: A Multi-turned Security Resilience Evaluation Benchmark for Large Language Models
本文提出SecReEvalBench基准,通过四类韧性指标、六种多轮提问序列及覆盖七领域十六技术的定制数据集,系统评估五个主流开源大语言模型抵御对抗性提示攻击的安全韧性。
2025-09-19 cs.CR