MalBERT: Using Transformers for Cybersecurity and Malicious Software Detection
Université de Moncton（蒙克顿大学）
近年来，我们目睹了不同平台上的网络威胁和恶意软件攻击的增加，对个人和企业造成了重要影响。找到自动化的机器学习技术来主动防御恶意软件已变得至关重要。Transformers是一类基于注意力的深度学习技术，最近在解决主要与自然语言处理（NLP）领域相关的不同任务方面取得了令人印象深刻的结果。在本文中，我们提出了使用一个Transformers的架构来自动检测恶意软件。我们提出了一种基于BERT（Bidirectional Encoder Representations from Transformers）的模型，该模型使用预处理的特征对Android应用程序的源代码进行静态分析，以表征现有的恶意软件并将其分类为不同的代表性恶意软件类别。所得到的结果是有前途的，并显示了高性能的基于transformer的恶意软件检测模型。
2021-03-05 cs.AI cs.CR cs.LG
MimicSat: A Reconfigurable Cyber-Physical Testbed For Small Satellite Systems and Cybersecurity Research
The University of Texas at San Antonio（圣安东尼奥德克萨斯大学）
MimicSat是一个可重构的网络物理测试平台，用于研究卫星子系统行为变化对任务结果的影响，支持软件与硬件执行环境，并应用于网络安全、系统工程和弹性研究。
2026-09-24 cs.CR
Trustworthy AI LLM Scalability Risk Index (LSRI): A Cybersecurity Framework Assessing Agentic-AI Security & Software Model Supply Chain Safety Boosting AI-Generated Malware Defense & Explainability Mitigating Emerging Risks of Generative AI
Virelya Intelligence Research Labs（Virelya 智能研究实验室）；Google（谷歌）
本文研究了大语言模型在代理AI中的可扩展性风险及模型供应链安全问题，提出LSRI指数和模型供应链框架，以提升安全关键环境下的LLM部署安全性。
2026-07-21 cs.CR
Security Vulnerabilities in Software Supply Chain for Autonomous Vehicles
University of Alabama（阿拉巴马大学）
本研究针对自动驾驶汽车开源软件供应链的安全风险问题，使用静态分析工具检测Autoware、Apollo、openpilot等主流开源项目的漏洞并对比结果，呼吁在开发生命周期早期落实安全实践以降低网络安全风险。
2025-09-21 cs.CR
Cybersecurity Awareness Platform with Virtual Coach and Automated Challenge Assessment
在过去的几年里，对工业控制系统的网络攻击数量一直在稳步增加。在众多因素中，适当的软件开发在保持这些系统安全方面起着至关重要的作用。为了实现安全的软件，开发人员需要了解安全编码指南和安全编码最佳实践。这项工作提出了一个面向软件开发人员的平台，旨在提高安全软件开发的意识。作者还介绍了一个交互式游戏组件，虚拟教练，它实现了一个简单的人工智能引擎的基础上阶梯技术的采访。通过一项调查，与现实世界的球员（来自学术界和工业界）实现工件的初步评估显示了开发的平台的积极接受。此外，玩家们一致认为该平台足以训练他们的安全编码技能。我们工作的影响是引入一种新的自动挑战评估方法以及虚拟教练，以改善现有的网络安全意识培训计划。这些培训讲习班可以很容易地远程或离线举行。
2021-02-20 cs.CR cs.SE
Analyzing the Perceived Severity of Cybersecurity Threats Reported on Social Media
The Ohio State University（俄亥俄州立大学）；Leidos Inc.（莱多斯公司）；FireEye LLC（火眼有限责任公司）
网络安全突发事件在一系列网站上共享，包括安全博客（FireEye、卡巴斯基等），除了Facebook和Twitter等社交媒体平台之外。在本文中，我们研究了基于用于在线描述网络安全威胁的语言来分析网络安全威胁严重性的方法。一个由6,000条描述软件漏洞的tweet组成的语料库被注释了作者对漏洞严重性的看法。我们表明，我们的语料库支持自动分类器的发展，高精度的这项任务。此外，我们还证明了分析用户对在线报告的威胁严重性的意见的价值，这是重要软件漏洞的早期指标。我们提出了一种简单而有效的方法，用于将推文中报告的软件漏洞与国家漏洞数据库（NVD）中的常见漏洞和暴露（CVE）联系起来。使用我们预测的严重性分数，我们表明，在预测高严重性漏洞时，可以实现0.86的Precision@50，显著优于基于推文量的基线。最后，我们展示了严重的漏洞报告在线预测现实世界的漏洞。
2019-05-03 cs.CL cs.CR
Fundamental Challenges in Cybersecurity and a Philosophy of Vulnerability-Guided Hardening
本文从哲学视角提出首个网络安全理论，阐明无法对软件系统安全性做出可靠论断的根本原因，并引入漏洞引导式加固的哲学以应对这些挑战。
2024-09-03 cs.CR cs.SE
Large Language Model (LLM) for Software Security: Code Analysis, Malware Analysis, Reverse Engineering
Elsevier B.V.（爱思唯尔公司）；Sayahna Foundation（萨亚纳基金会）；STM Document Engineering Pvt Ltd.（STM文档工程私人有限公司）
本文系统综述了大语言模型在恶意软件代码分析、检测与防御中的应用进展、关键方法、数据集及未来方向，为网络安全研究提供参考。
2025-04-07 cs.AI cs.CR
Advancing Security in Software-Defined Vehicles: A Comprehensive Survey and Taxonomy
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
Cybersecurity for Quantum Computing
随着网络攻击频率和范围的不断增加，量子计算公司、机构和研究团体可能会成为民族国家行为者、网络犯罪分子和黑客分子的目标，因为随着量子计算竞赛的加剧，他们可能会进行破坏、间谍活动和财政动机。量子应用已经扩展到商业、经典的信息系统和服务，接近保护其网络、软件、硬件和数据免受数字攻击的必要性。本文讨论了量子计算技术的现状以及与之相关的量子威胁。我们进而概述了量子计算系统的威胁向量以及相应的防御措施、缓解措施和最佳实践，以抵御快速变化的威胁格局。随后，我们提出了如何通过威胁情报主动减少网络攻击面的建议，并通过量子软件和硬件组件的设计来确保安全性。
2021-10-27 cs.CR quant-ph
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
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
Leveraging Large Language Models for Cybersecurity Risk Assessment -- A Case from Forestry Cyber-Physical Systems
Chalmers University of Technology（楚德斯技术大学）；University of Gothenburg（哥德堡大学）；Carnegie Mellon University（卡内基梅隆大学）；RISE Research Institutes of Sweden（瑞典RISE研究机构）
本文探讨了利用本地托管的大型语言模型结合检索增强生成技术支持林业信息物理系统网络安全风险评估，通过设计科学研究验证了其能辅助专家生成评估、识别威胁并提供冗余检查，同时强调了人工监督的必要性。
2025-10-11 cs.AI cs.CR cs.SE
Exploring the Limits of Transfer Learning with Unified Model in the Cybersecurity Domain
Arizona State University（亚利桑那州立大学）
随着软件系统网络安全漏洞的增加，利用它们的方式也越来越多。除此之外，恶意软件威胁，不规则的网络交互以及公共论坛上关于漏洞利用的讨论也在增加。为了更快地识别这些威胁，从任何文本中检测潜在的相关实体，并了解软件漏洞，自动化方法是必要的。在网络安全领域应用自然语言处理（NLP）技术可以帮助实现这一目标。然而，也存在一些挑战，如网络安全领域所涉及的文本的多样性，无法获得大规模的公开数据集，以及聘请主题专家进行注释的巨大成本。其中一个解决方案是建立多任务模型，可以用有限的数据进行联合训练。在这项工作中，我们引入了一个生成式多任务模型，统一文本到文本网络安全（UTS），在恶意软件报告，钓鱼网站URL，编程代码结构，社交媒体数据，博客，新闻文章和公共论坛帖子上进行了培训。我们发现UTS提高了一些网络安全数据集的性能。我们还表明，通过一些例子，UTS可以适应新的看不见的任务和数据的性质
2023-02-20 cs.AI cs.CL cs.CR
CyberGym-E2E: Scalable Real-World Benchmark for AI Agents' End-to-End Cybersecurity Capabilities
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
提出CyberGym-E2E，一个大规模、真实的端到端网络安全基准，通过自动化流水线将开源漏洞数据转化为评估环境，全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。
2026-07-21 cs.AI cs.CR cs.LG
The SEED Internet Emulator and Its Applications in Cybersecurity Education
在网络安全课程中，进行涉及互联网许多组件的实践活动是相当具有挑战性的，例如关闭互联网，攻击区块链等。为了解决这个问题，我们开发了一个开源的互联网仿真器，这是一个Python库，由互联网的每个基本元素的类组成，包括自治系统，网络，主机，路由器，BGP路由器，它还包括各种服务的类，包括Web服务器，DNS，僵尸网络，暗网，区块链等正在开发中。使用这些类，用户可以构建一个迷你互联网来模拟现实世界的互联网。虽然它很小，但它拥有真正互联网的所有基本要素。构造被编译到Docker容器文件中，模拟由Docker在单个机器或多个云机器上执行。有了这款Internet Emulator，我们可以为网络安全课程开发各种动手活动，包括BGP前缀劫持，攻击智能合约，使用Darknet实现匿名，发动僵尸网络和勒索软件攻击等。虽然最初是为网络安全课程开发的模拟器，但它也可以用于网络课程，让学生学习互联网技术如何工作，如路由，BGP，IP Anycast和DNS。许多其他有趣的网络技术也可以部署在模拟器上，例如内容分发网络和软件定义网络。
2022-01-10 cs.CR
Cybersecurity Assessment of Smart Grid Exposure Using a Machine Learning Based Approach
University of North Dakota（北达科他大学）
本研究采用XGB分类器基于公开数据集评估智能电网网络攻击，实现对攻击、自然及无事件三类扰动的准确识别与分类。
2025-01-24 cs.CR cs.LG
The Dangers of Computational Law and Cybersecurity; Perspectives from Engineering and the AI Act
计算法已经开始在社会中发挥作用，这已经预测了一段时间。自动化决策和协助用户的系统现在已在不同的司法管辖区使用，但随着这种成熟，也带来了某些警告。计算法则存在于使其成为可能的平台上，在这种情况下是数字系统，这意味着它继承了相同的缺陷。网络安全解决了这些潜在的弱点。在本文中，我们通过已知的问题，并讨论他们在各个层面，从设计到物理领域。我们还研究了机器学习特定的对抗性问题。此外，我们对计算法以及现有和未来的立法进行了某些考虑。最后，我们提出了三个建议，这是必要的计算法的功能，全球性的，并遵循安全和安全工程的想法。如前所述，我们发现，计算法必须认真考虑，它不仅面临着与其他类型的软件和计算机系统相同的风险，而且它内部的故障可能会造成财务或物理损失，以及不公正。计算法律系统失败的后果比仅仅是软件和硬件更严重。如果系统采用机器学习，它必须注意到这带来的非常具体的危险，其中数据投毒是一个典型的例子。计算法也必须明确立法，我们表明目前欧盟的情况并非如此，这也适用于与之相关的网络安全方面。但欧盟拟议的人工智能法案有很大的希望，它为将计算法带来的具体问题纳入法律领域做出了重要尝试。我们对计算法和网络安全的建议是：适应威胁，充分使用，人类仍然是部署的中心。
2022-07-01 cs.CR cs.CY
Illuminati: Towards Explaining Graph Neural Networks for Cybersecurity Analysis
The George Washington University（乔治华盛顿大学）；University of North Texas（北德克萨斯大学）
图神经网络（GNN）已经被用于为从欺诈检测到软件漏洞分析的许多网络安全应用创建多层图模型。不幸的是，与传统的神经网络一样，GNN也缺乏透明度，即解释模型预测具有挑战性。先前的工作集中在GNN模型的特定因素解释。在这项工作中，我们设计并实现了Illuminati，这是一个使用GNN模型的网络安全应用程序的全面而准确的解释框架。给定一个图和一个预训练的GNN模型，Illuminati能够识别出有助于预测的重要节点、边和属性，而不需要GNN模型的先验知识。我们在两个网络安全应用程序中评估光照派，即，代码漏洞检测和智能合约漏洞检测。实验表明，Illuminati比现有的方法获得了更准确的解释结果，具体来说，Illuminati识别的子图中有87.6%能够保留其原始预测，比其他方法提高了10.3%，为77.3%。此外，光照派的解释可以很容易地被领域专家理解，这表明了网络安全应用程序开发的重要作用。
2023-03-26 cs.CR cs.LG
Offensive Robot Cybersecurity
该论文提出利用机器学习和博弈论实现自动化进攻性安全方法，通过理解攻击者策略和识别漏洞来提升机器人网络安全，并设计自主防御的认知引擎架构。
2025-06-18 cs.CR cs.RO
From Texts to Shields: Convergence of Large Language Models and Cybersecurity
New York University（纽约大学）
本报告探讨了大型语言模型与网络安全的融合，分析了其在漏洞检测等领域的应用，强调了智能体LLMs的作用，并针对信任与伦理等挑战提出了人机协同等策略，规划了前瞻性研究议程。
2025-05-01 cs.AI cs.CR
Game Theory Meets LLM and Agentic AI: Reimagining Cybersecurity for the Age of Intelligent Threats
Quanyan Zhu
本文探讨了博弈论、Agentic AI与网络安全的交叉点，提出利用LLM智能体将博弈论策略转化为实际防御决策，以应对智能威胁并构建安全自适应的网络系统。
2025-07-14 cs.AI cs.CR cs.CY
Constructing a Knowledge Graph from Textual Descriptions of Software Vulnerabilities in the National Vulnerability Database
Simula Research Laboratory（西穆拉研究实验室）；University of Oslo（奥斯陆大学）；Norwegian Computing Center（挪威计算中心）；BI Norwegian Business School（BI挪威商学院）
提出从NVD文本构建漏洞知识图谱的新方法，结合NER、关系抽取与实体预测，修复缺失实体并评估性能。
2023-05-15 cs.AI cs.CL cs.CR
Confronting the Reproducibility Crisis: A Case Study of Challenges in Cybersecurity AI
The Beacom College of Computer & Cyber Sciences（比科姆计算机与网络安全学院）；Dakota State University（达科他州立大学）
本研究通过案例验证揭示网络安全AI对抗鲁棒性研究中的可复现性危机，强调标准化、容器化与文档化对保障关键应用可靠性的核心作用。
2024-08-16 cs.AI cs.CR cs.LG
Preliminary study on artificial intelligence methods for cybersecurity threat detection in computer networks based on raw data packets
本文研究直接从原始网络数据包实时检测攻击的深度学习方法，提出将数据包堆叠成窗口并转为2D图像以利用计算机视觉模型处理，并在CIC IDS-2017数据集上验证了该方法的可行性。
2025-11-03 cs.AI cs.CR cs.CV
SD-WAN Internet Census
软件定义广域网（SD-WAN或SDWAN）的概念是现代计算机网络的核心，特别是在企业网中。根据定义，这些系统形成网络边界，并连接互联网、WAN、扩展和分支机构，这使得它们从网络安全的角度来看至关重要。本文的目标是使用常见的威胁情报方法为SD-WAN系统提供被动和主动指纹识别的结果。我们使用知名的Shodan和Censys搜索引擎以及自定义开发的自动化工具探索基于互联网和基于云的公开可用SD-WAN系统，并表明大多数SD-WAN系统都存在与过时软件和不安全配置相关的已知漏洞。
2018-10-29 cs.CR cs.NI
RatGPT: Turning online LLMs into Proxies for Malware Attacks
Luxembourg Tech School asbl（卢森堡技术学校协会）
本研究利用公开插件将在线 LLM（如 ChatGPT）作为攻击者与受害者间的代理，提出 RatGPT 概念验证，实现恶意软件传播、规避检测及 C2 服务器通信，揭示了 LLM 插件的网络安全风险并呼吁制定缓解策略。
2023-09-07 cs.CR cs.LG
SastBench: A Benchmark for Testing Agentic SAST Triage
Rival Labs（Rival实验室）
SastBench是一个用于评估SAST分拣代理性能的基准，结合真实CVE和过滤后的SAST发现，提供性能比较和未来发展的讨论。
2026-01-06 cs.AI cs.CL cs.CR
BreachSeek: A Multi-Agent Automated Penetration Tester
King Fahd University of Petroleum and Minerals (KFUPM)（法赫德国王石油与矿业大学）
针对传统渗透测试耗时、耗力且难以及时应对新威胁的问题，本文提出基于LLM、LangChain与LangGraph的多智能体平台BreachSeek，可自动识别、利用漏洞并生成安全报告。
2024-08-31 cs.AI cs.CR
Automated Penetration Testing: Formalization and Realization
针对手动渗透测试劳动密集问题，提出自组织架构并在ADAPT工具中实现，成功自动测试多个目标系统，验证了自动化渗透测试的可行性。
2024-12-17 cs.CR cs.SE
SBOMproof: Beyond Alleged SBOM Compliance for Supply Chain Security of Container Images
本研究评估了SBOM生成与漏洞扫描工具的互操作性，发现其不兼容导致漏洞漏报，并揭示了SBOM混淆漏洞，强调需提升SBOM准确性以保障容器供应链安全。
2025-10-07 cs.CR cs.SE
Automatically Attacking Software Reverse Engineering AI Agents
Naval Postgraduate School（海军学院）
提出基于遗传算法的对抗性提示生成技术（AutoDAN变体），通过注入无关字符串变量欺骗LLM驱动的反汇编与反编译系统，导致其错误分析二进制可执行文件。
2026-05-28 cs.AI cs.CR
CyberForge: Verified Vulnerability Injection at Repository Level for Cybersecurity Agent Training
National Institute of Standards and Technology（美国国家标准与技术研究院）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；University of Maryland, College Park（马里兰大学帕克分校）
本研究提出CyberForge框架，通过向真实C/C++项目注入漏洞生成经验证的代码仓库级安全训练数据，微调后可提升智能体在SEC-bench和PatchEval上的漏洞修复性能。
2026-08-10 cs.AI cs.CR cs.SE
Securing Healthcare with Deep Learning: A CNN-Based Model for medical IoT Threat Detection
针对医疗物联网融合带来的网络安全挑战，本研究提出基于CNN的攻击检测方法，在含18类攻击的CICIoMT2024数据集上多任务准确率达99%，优于传统ML及DNN模型，有效提升医疗物联网安全防护能力。
2025-02-21 cs.AI cs.CR cs.LG
