Passive Hack-Back Strategies for Cyber Attribution: Covert Vectors in Denied Environment
本文探讨在拒止环境中利用跟踪信标、蜜标、供应链陷阱及AI和量子技术实现被动网络归因与情报收集,并倡导结合延迟主动响应的混合防御框架。
2025-08-17 cs.CR
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
An Argumentation-Based Framework to Address the Attribution Problem in Cyber-Warfare
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);University of Liverpool(利物浦大学);CONICET(国家科学和技术研究委员会)
通过使用多项技术证据(即,恶意软件逆向工程和源跟踪)和常规情报源(即,人或信号情报)是一个困难的问题,这不仅是因为需要努力获得证据,而且对手可以轻易地植入虚假证据。在本文中,我们介绍了一个正式的推理系统称为InCA(智能网络归因)框架,旨在帮助分析师在网络操作的归属,即使当可用的信息是冲突和/或不确定的。我们的方法结合了基于论证的推理,逻辑编程和概率模型,不仅属性的操作,但也解释了分析师为什么系统达到其结论。
2014-04-27 cs.AI cs.CR cs.LO
ARCeR: an Agentic RAG for the Automated Definition of Cyber Ranges
University of Calabria(卡拉布里亚大学);IMT School for Advenced Studies(IMT高级研究学院)
本文提出ARCeR,一种基于智能体式RAG的系统,可将自然语言描述自动转化并部署为网络靶场,且在LLM和基础RAG失效的场景中仍能成功处理提示。
2025-04-16 cs.AI cs.CR
Who Taught the Lie? Responsibility Attribution for Poisoned Knowledge in Retrieval-Augmented Generation
Nankai University(南开大学);University of North Texas(北德克萨斯大学);University of Louisville(路易斯维尔大学)
本文提出黑盒框架RAGOrigin,通过检索排名、语义相关性和生成影响评分并结合无监督聚类,定位RAG知识库中导致错误输出的投毒文本,在多数据集与攻击场景下优于基线。
2025-10-18 cs.CR cs.IR cs.LG
CyberRAG: An Agentic RAG cyber attack classification and reporting tool
University of Calabria(卡利博里大学);IMT School for Advanced Studies(IMT高级研究学院)
CyberRAG是一种基于代理的RAG框架,通过模块化设计实现网络攻击的实时分类、解释和结构化报告,提高检测准确性和可解释性。
2025-09-10 cs.AI cs.CR cs.SE
Darknet Data Mining -- A Canadian Cyber-crime Perspective
探索暗网可以是一项艰巨的任务,本文探讨了加拿大网络犯罪的角度内的应用程序的数据采掘的暗网。通过市场分析和供应商归属来衡量活动在过去被证明是困难的。观察暗网的不同方面,并实施监控和收集数据的方法,希望将来自加拿大的暗网市场的贡献联系起来。重要的发现包括一个小的加拿大存在,测量的产品类别,并通过数据可视化的一个跨市场供应商的属性。结果是通过多阶段处理管道实现的,包括数据抓取、抓取和解析。未来的主要工作包括增强管道,以包括其他媒体,如网络论坛,聊天室和电子邮件。应用机器学习模型,如自然语言处理或情感分析,可以证明在调查过程中是有益的。
2021-05-18 cs.CR
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
Synthetic APTs: the Collapse of TTP-Based Attribution
Alias Robotics(Alias机器人公司);University of Naples Federico II(那不勒斯斐迪南二世大学);Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);CYBER RANGES(网络靶场);PurpleAILAB(PurpleAI实验室)
研究AI驱动的对手模拟是否挑战基于TTP的归因,通过CSI框架配置五个APT组进行实验,发现企业网络均被攻陷且攻击者独立武器化防御工具,表明AI时代TTP归因基础被削弱。
2026-06-05 cs.CR
Analysing the cultural dimensions of cybercriminal groups -- A case study on the Conti ransomware group
本文提出通过泄露通信中的文化维度构建网络犯罪集团画像,并以 Conti 勒索软件集团为例验证其对理解作案手法和攻击归因的价值。
2024-12-06 cs.CR
Adapting Large Language Models to Emerging Cybersecurity using Retrieval Augmented Generation
School of Electrical and Computer Engineering(电气与计算机工程学院);Georgia Institute of Technology(佐治亚理工学院);Department of Computer Science(计算机科学系);Rochester Institute of Technology(罗切斯特理工学院)
本文提出一个基于RAG的框架,利用外部数据集和Llama-3-8B-Instruct模型,通过优化的混合检索方法提升LLMs在网络安全任务中的知识保留、时间推理准确性和适应性。
2025-10-31 cs.AI cs.CR
Beyond RAG for Cyber Threat Intelligence: A Systematic Evaluation of Graph-Based and Agentic Retrieval
AIT Austrian Institute of Technology(AIT奥地利技术研究所)
本文系统评估了四种RAG架构在CTI分析中的表现,发现图检索在结构化查询中表现更优,混合图文方法在多跳查询中提升答案质量达35%。
2026-04-13 cs.AI cs.CR
A Machine Learning based Empirical Evaluation of Cyber Threat Actors High Level Attack Patterns over Low level Attack Patterns in Attributing Attacks
International Islamic University Islamabad (IIUI)(国际伊斯兰大学伊斯兰堡分校);Seoul National University(首尔大学)
针对网络威胁归因中低层IOC有效性缺乏实证评估、高层IOC数据集难直接训练模型的问题,本研究构建专用真实数据集开展对比实验,证实高层IOC训练的归因模型准确率达95%,远高于低层IOC模型的40%。
2023-07-17 cs.CR cs.LG
Topological Attribution Distance (TAD): Revealing Segment-Level RAG Influence on LLM Output Geometry for Incident Log Analysis
Rochester Institute of Technology(罗切斯特理工学院);Gonzaga University(贡萨加大学)
该研究针对LLM在网络安全应用中证据归因追踪的缺口,提出拓扑归因距离(TAD)方法,可自适应识别对LLM输出关键的事件日志,为证据验证提供可解释追踪。
2026-08-18 cs.AI cs.CR
CyberCane: a privacy-bounded neuro-symbolic retrieval framework for phishing detection under distribution shift
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Bowie State University(鲍威州立大学)
CyberCane结合确定性符号分析与隐私保护RAG,通过形式本体推理实现高召回率的钓鱼检测,在隐私保护和抗AI攻击方面表现优异。
2026-10-20 cs.AI cs.CR cs.IR
On Technique Identification and Threat-Actor Attribution using LLMs and Embedding Models
Stanford University(斯坦福大学)
本研究针对网络攻击人工归因延迟的问题,评估GPT-4等大模型的TTP提取能力,开发从CTI文档到威胁行为者预测的端到端流水线,证明生成的TTP虽有噪声仍可训练出优于基线的归因模型。
2025-05-15 cs.AI cs.CR cs.CY
LLM Embedding-based Attribution (LEA): Quantifying Source Contributions to Generative Model's Response for Vulnerability Analysis
Rochester Institute of Technology(罗切斯特技术学院);Gonzaga University(戈兹加大学)
针对大语言模型用于漏洞分析时来源贡献不透明的问题,提出基于嵌入的归因方法LEA,可量化内部知识与检索内容的贡献,在大模型上场景区分准确率超95%,为审计RAG工作流提供度量。
2025-09-03 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
MoRSE: Bridging the Gap in Cybersecurity Expertise with Retrieval Augmented Generation
Istituto di Informatica e Telematica, Consiglio Nazionale Delle Ricerche(国家研究委员会信息与自动化研究所);TeCIP, Scuola Universitaria Superiore Sant’Anna(圣安娜高等学校TeCIP研究所);University of Padua(帕多瓦大学);Delft University of Technology(代尔夫特理工大学)
本文提出MoRSE,首个网络安全专用AI聊天机器人,采用并行检索的RAG系统,从非参数知识库实时检索信息,在600个问题上比GPT-4和Mixtral 7x8提升超10%的准确性与相关性。
2024-07-22 cs.AI cs.CR cs.IR
Enhancing Network Security Management in Water Systems using FM-based Attack Attribution
Louisiana State University(路易斯安那州立大学);Vanderbilt University(范德堡大学)
针对水系统网络攻击归因问题,提出基于因子分解机(FM)的模型无关方法,利用传感器-执行器交互提供细粒度解释,在SWaT和WADI数据集上相比SHAP和LEMNA平均改进约20%。
2025-03-03 cs.CR cs.LG cs.SY
AttackQA: Development and Adoption of a Dataset for Assisting Cybersecurity Operations using Fine-tuned and Open-Source LLMs
SambaNova Systems(桑巴诺瓦系统公司)
本研究构建了含25335个带推理依据问答对的网络安全数据集AttackQA,通过开源模型生成与质量校验,结合微调开源嵌入及大模型搭建RAG系统,性能超越GPT-4o,还实现了全开源高速RAG与评估流水线。
2024-11-01 cs.AI cs.CR cs.LG
Explainable Threat Attribution for IoT Networks Using Conditional SHAP and Flow Behavior Modelling
University of East London(伦敦东安大学);ECE Ecole D’Ingenieur(工程师学院)
本文利用条件SHAP和流量行为建模,对物联网网络中的多类威胁进行可解释归因,通过梯度提升模型和SHAP提供全局和类特定解释,提升入侵检测系统的准确性和可解释性。
2026-03-24 cs.CR cs.LG
Cyber Knowledge Completion Using Large Language Models
Pacific Northwest National Laboratory(西北太平洋国家实验室)
针对CPS网络安全知识不完整导致风险评估困难的问题,提出基于RAG和向量嵌入的方法,利用预训练模型生成攻击模式与对抗技术的结构化映射,有效解决网络攻击知识图谱补全挑战。
2024-09-24 cs.AI cs.CR
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
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
Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations
National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”(乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”)
本文探讨将国际最佳实践整合到国家监管体系中,提出利用大语言模型实现自动化安全配置的方法,以应对高密度混合威胁环境下的网络安全挑战。
2026-04-07 cs.AI cs.CR
AuthRank: Scoring Source Credibility to Counter Poisoning in CTI LLM Pipelines
Applied Research Laboratories, The University of Texas at Austin, Texas, USA(应用研究实验室,德克萨斯大学奥斯汀分校,德克萨斯州,美国)
RAGRank通过PageRank算法提升CTI LLM流水线的抗污染能力,通过降低恶意文档权威分数并增强可信内容传播。
2026-11-03 cs.AI cs.CR cs.IR
Comparative Survey of Cyber-Threat and Attack Trends and Prediction of Future Cyber-Attack Patterns
该研究针对2010年至今的网络威胁与攻击趋势开展比较调研,分析攻击模式与驱动因素,指出国家行为体参与及监管缺失加剧网络安全风险,为预判未来安全挑战提供依据。
2024-10-04 cs.CR cs.CY
Document-Authored Control-Signal Impersonation: A Low-Cost Indirect Prompt Attack on RAG Safety Boundaries
Chengdu University of Information Technology(成都信息工程大学)
研究检索增强生成系统中文档文本冒充控制信号的安全漏洞,提出非命令式间接注入攻击方法DACSI,并在多个模型上验证其有效性。
2026-06-08 cs.CL cs.CR
Modeling Behavioral Preferences of Cyber Adversaries Using Inverse Reinforcement Learning
THINC Lab, School of Computing, University of Georgia(THINC实验室,计算学院,佐治亚大学)
本文提出用逆强化学习从审计日志取证数据中学习网络攻击者的行为偏好,首次证明低层级取证数据可自动揭示对手固有偏好,并可作为独特行为签名改进威胁归因。
2025-05-02 cs.AI cs.CR cs.LG
Batten the Hatches: Cybersecurity with Military Mariners
Georgia Institute of Technology(佐治亚理工学院)
本研究通过访谈20名美国海军和海岸警卫队海员,揭示军事海上网络安全实践中组织抽象性、非正式风险建模及安全导向响应模型,并提出融合航海条令与现代系统的改进建议。
2026-09-14 cs.CR
Tracing Target Answers in Poisoned Retrieval Corpora via Token Influence Attribution
National Yang Ming Chiao Tung University(阳明交通大学);IBM Research(IBM研究院);Hon Hai Research Institute(宏海研究院)
提出TRACE框架,通过令牌影响归因识别检索增强生成系统中的语料投毒攻击,无需额外分类器或LLM验证,在三个QA基准和六个LLM上验证了有效性。
2026-08-27 cs.CL cs.CR cs.IR
Hidden-in-Plain-Text: A Benchmark for Social-Web Indirect Prompt Injection in RAG
University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
OpenRAG-Soc 提供了一种用于评估 RAG 系统在社会网络间接提示注入攻击下的基准测试工具,通过标准化的端到端评估和可部署的缓解措施,帮助从业者跟踪风险并增强部署安全性。
2026-01-20 cs.CR cs.HC
LSF-IDM: Automotive Intrusion Detection Model with Lightweight Attribution and Semantic Fusion
针对车载网络中隐藏于上下文特征的攻击,本文提出LSF-IDM,利用BERT提取语义并通过知识蒸馏让BiLSTM学习融合特征,在低资源条件下提升检测效果。
2023-09-26 cs.CR
PARD-SSM: Probabilistic Cyber-Attack Regime Detection via Variational Switching State-Space Models
Visvesvaraya Technological University (VTU)(维斯瓦什瓦拉亚理工大学);Aliens on Earth (AoE) Autonomous Research Group(外星人地球(AoE)自主研究组)
本文提出PARD-SSM模型,通过变分方法建模网络流量为依赖于四个隐藏状态的切换线性动态系统,实现对网络攻击阶段的实时检测,并在CICIDS2017和UNSW-NB15数据集上取得高F1分数和低延迟的检测性能。
2026-04-02 cs.CR
Rent-a-RAG: Embedding-Space Watermarks for Auditing Third-Party RAG
IMDEA Networks Institute(IMDEA网络研究所);Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Singapore Management University(新加坡管理大学)
针对第三方RAG市场的文档复用审计难题,提出DirBucket嵌入空间水印框架,可在黑盒访问下准确检测不合规复用,且具备抗攻击性与跨基准迁移性。
2026-09-04 cs.CL cs.CR
Traceback of Poisoning Attacks to Retrieval-Augmented Generation
CCS\&CS, DISSec, Nankai University(计算机科学与技术系、信息安全与保密系、南开大学);University of Louisville(路易斯维尔大学);University of North Texas(北德克萨斯大学)
针对RAG知识库投毒攻击,本文提出首个溯源系统RAGForensics,通过迭代检索与LLM提示检测定位投毒文本,并在多数据集上验证其防御有效性。
2025-10-18 cs.CR cs.IR cs.LG
Knowledge Base Poisoning Attacks and Defense for Policy-Aware LLM-RAG Framework
Tennessee Tech University(田纳西科技大学);University of North Carolina at Pembroke(北卡罗来纳大学彭布罗克分校);Texas A&M University - Central Texas(德克萨斯农工大学中央德州分校)
研究针对战场物联网任务控制的PA-LLM-RAG框架的对抗安全。提出查询无关语义检索中毒攻击,能注入规则致大语言模型上下文损坏。还提出CLD-KB防御框架,在检测中毒和知识保存方面性能优异。
2026-07-07 cs.CR
Beyond Gradient-Based Attacks: Adversarial Robustness and Explainability Stability in Cybersecurity Classifiers
Palo Alto Networks(帕洛阿尔托网络公司);Quicken Inc.(Quicken公司)
研究对抗攻击对网络安全分类器预测和SHAP解释稳定性的双重威胁,提出可解释性稳定性指数(ESI),并揭示梯度攻击对XGBoost的退化现象,强调预测鲁棒性与解释稳定性需联合评估。
2026-07-03 cs.AI cs.CR cs.LG
UniC-RAG: Universal Knowledge Corruption Attacks to Retrieval-Augmented Generation
Pennsylvania State University(宾夕法尼亚州立大学)
提出UniC-RAG,一种针对检索增强生成系统的通用知识污染攻击,通过优化少量对抗文本同时攻击大量多样查询,实现高攻击成功率并揭示现有防御不足。
2025-08-26 cs.CL cs.CR
CyGATE: Game-Theoretic Cyber Attack-Defense Engine for Patch Strategy Optimization
National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);Queen's University Belfast(女王大学贝尔法斯特分校)
针对现有网络攻防博弈方法静态假设多、适配性不足的问题,提出结合LLM与RAG的CyGATE博弈论框架,将攻防建模为POSG,可动态优化补丁优先级,适配多类场景。
2025-08-01 cs.AI cs.CR
CyberMetric: A Benchmark Dataset based on Retrieval-Augmented Generation for Evaluating LLMs in Cybersecurity Knowledge
Technology Innovation Institute (TII)(技术创新研究所(TII));University of Oslo(奥斯陆大学);Khalifa University(哈利法大学)
本文提出基于检索增强生成构建的网络安全多选题基准数据集CyberMetric,用于评估大语言模型在网络安全领域的通用知识,并对比了25个最先进模型与人类专家的表现。
2024-06-03 cs.AI cs.CR
Smart Grid: Cyber Attacks, Critical Defense Approaches, and Digital Twin
本文综述智能电网面临的网络攻击、关键防御方法及数字孪生技术,旨在打破领域知识壁垒,为基于数字孪生的智能电网安全设计提供指导。
2025-07-07 cs.CR cs.NI
RoMA: Robust Malware Attribution via Byte-level Adversarial Training with Global Perturbations and Adversarial Consistency Regularization
College of Information Science and Technology, Jinan University(暨南大学信息科学技术学院);The Hong Kong Polytechnic University(香港理工大学);College of Information and Computational Science, Jilin University(吉林大学信息与计算科学学院);School of Computer Science, Xiangtan University(湘潭大学计算机学院)
针对 APT 恶意软件归因模型易受对抗攻击的问题,提出单步对抗训练框架 RoMA,融合全局扰动与对抗一致性正则化,并构建 AMG18 数据集,显著提升鲁棒性、准确率和训练效率。
2025-02-15 cs.CR cs.CV
Argumentation-based Security for Social Good
University of Cyprus(塞浦路斯大学);Technical University of Crete(克里特理工大学);Imperial College London(帝国理工学院)
互联互通的增加及其对日常生活的影响正在引发新的和现有的安全问题,这些问题对社会公益越来越重要。我们介绍了两个特殊的问题:网络攻击归因和监管数据共享。对于这两个问题,关于应用哪些规则的决定,应该在不完整和上下文相关的信息下做出。我们提出的解决方案是基于论证推理,这是一个非常适合的技术,在冲突和不完整的信息下实现决策机制。我们的建议允许我们识别网络攻击的攻击者,并决定在使用和共享数据时应使用的监管规则。我们通过具体的例子来说明我们的解决方案。
2017-05-01 cs.AI cs.CR
MITRE-SAGE: A Multi-Agent Cybersecurity Question-Answering Model
University of Guilan(吉兰大学)
针对网络安全领域LLM的不足,研究提出多智能体框架MITRE-SAGE,结合MITRE-QA基准验证其在多项网络安全问答任务中优于基线方法,轻量级配置表现突出。
2026-09-01 cs.CR cs.IR cs.LG
Self-Verifying Anomaly Detection using Explainable AI for Cybersecurity of DER Networks
Iowa State University(爱荷华州立大学)
针对分布式能源网络,提出基于XAI的自验证异常检测框架ExCYDER,结合LightGBM与SHAP验证警报,实现高准确率与可解释性。
2026-09-14 cs.AI cs.CR cs.LG