Autonomous Intelligent Cyber-defense Agent (AICA) Reference Architecture. Release 2.0
这份报告-其先前版本的主要修订-描述了智能软件代理的参考架构，在计算和通信设备的军事网络上执行主动的，基本上自主的网络防御行动。该报告由北大西洋公约组织（NATO）研究任务组（RTG）IST-152“网络防御和弹性智能自主智能体”编写。在与技术先进的对手的冲突中，北约军事战术网络将在竞争激烈的战场上运作。敌人的软件网络代理-恶意软件-将渗透到友好的网络和攻击友好的指挥，控制，通信，计算机，情报，监视，侦察和计算机化的武器系统。为了打击他们，北约需要人工网络猎人-智能，自主，移动代理专门从事积极的网络防御。考虑到这一点，2016年，北约启动了RTG IST-152。它的目标是通过产生参考架构和技术路线图来帮助加速这些软件代理的开发和过渡到实践。本文提出了自主智能网络防御Agent（AICA）的概念和体系结构。我们描述了AICA概念的基本原理，解释了驱动AICA参考架构定义的方法和目的，并回顾了AICA的一些主要功能和挑战。
2023-03-22 cs.CR
Towards an Active, Autonomous and Intelligent Cyber Defense of Military Systems: the NATO AICA Reference Architecture
在未来的全球信息网格中，复杂的大规模互联系统，孤立的防御车辆，传感器和效应器，以及要求极低故障率的基础设施和系统，人类安全操作员无法轻松访问并且无法对网络攻击做出足够快的反应，需要主动，自主和智能的网络防御。网络防御的多代理系统可以为这一要求提供答案。提出了一种自主智能网络防御Agent（AICA）的概念和体系结构。首先，我们描述AICA概念的基本原理。其次，我们解释了北约IST-152研究和技术小组定义AICA参考架构（AICARA）的方法和目的。第三，我们回顾了多自治智能网络防御代理（MAICA）的一些主要特点和挑战。第四，我们描述了最初假设的AICA参考架构。然后，我们提出了我们的初步研究问题，假设和想法之一。最后，我们提出了未来的研究路线，这将有助于开发和测试AICA / MAICA的概念。
2018-06-07 cs.CR
Doers, not Watchers: Intelligent Autonomous Agents are a Path to Cyber Resilience
今天的网络防御工具大多是观察者。他们不是积极的行动者。当然，观看也是一件要求很高的事情。这些工具监控流量和事件;它们检测恶意签名、模式和异常;它们可能会对观察到的内容进行分类和描述;它们会发出警报，甚至可能在执行所有这些操作时进行学习。但他们没有行动。他们很少计划和执行对攻击的响应，也不计划和执行恢复活动。响应和恢复-网络弹性的核心要素留给人类网络分析师，事件响应者和系统管理员。我们认为事情应该改变。网络防御工具不应该仅仅是观察者。他们需要成为实干家--在维护系统抵御网络威胁的能力方面的积极战士。这意味着，它们的能力应包括高度的自主性和智能，以便对刚刚出现或已经成功的妥协作出快速反应，并迅速恢复，从而有助于整个系统的复原力。通常，应对和恢复工作需要在没有任何人参与的情况下进行，并明智地考虑到这些工作的风险和后果。最近，一个国际团队发表了一份报告，提出了一个自主智能网络防御代理（AICA）的愿景，并提供了这样一个代理的高级参考架构。在本文中，我们将探讨这一愿景。
2022-01-26 cs.CR
Optimizing Investments in Cyber Hygiene for Protecting Healthcare Users
网络卫生措施通常被建议用于加强组织的安全态势，特别是用于防止针对人类元素的社会工程攻击。然而，相关建议通常对所有组织及其雇员都是相同的，而不管不同用户群体的风险性质和程度如何。在现有的网络安全投资模型的基础上，本文提出了一种用于网络卫生保障措施最佳选择的工具，我们称之为最佳保障措施工具。该模型结合了博弈论和组合优化，考虑到每个用户组被攻击的概率，每个组可访问的资产的价值，以及每个控制对于特定组的功效。该模型将间接成本视为员工在实施控制的情况下学习和培训所需的时间。利用博弈论的框架来支持背包优化问题，使我们能够最佳地选择保障措施的应用水平，最大限度地减少在安全投资预算内的总预期损害。我们在医疗保健领域的用例中评估OST。关键互联网安全控制组17，用于为医院的ICT、临床和管理人员实施安全意识和培训计划。我们比较了OST实现的战略对替代常识防御方法为三种不同类型的攻击者：纳什，加权和反。对于所有攻击者类型，纳什防御策略始终优于竞争策略，只有一个小例外，即纳什防御策略的表现至少与其他常识方法一样好。
2020-01-11 cs.CR
Towards AI-enabled Cyber Threat Assessment in the Health Sector
针对医疗行业网络攻击威胁，提出AI赋能平台，从外部收集安全信息、分析并给出风险评分，辅助决策者优化安全投资。
2024-09-19 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
A Decade of Healthcare Cyber Threats: Empirical Analysis, Evidence-Based Prioritisation, and AI Threat Model
Bangladesh University of Business and Technology (BUBT)（孟加拉国商业与技术大学）；University of New South Wales (UNSW)（新南威尔士大学）
本文通过分析2017-2024年的1214条医疗网络威胁记录，揭示攻击者行为转向隐匿战术，发现现有检测指南与攻击者精力错位，确定42项高优先级技术对应AI集成临床系统新兴威胁。
2026-08-04 cs.CR
Intelligent Network Layer for Cyber-Physical Systems Security
近年来，信息物理系统（CPS）取得了巨大的进步，也颠覆了许多技术领域，如智能工业，智能健康，智能交通等，以繁荣国家经济。然而，由于连接到互联网的设备数量众多，并且传统的安全解决方案可能不适合保护高级的特定于应用程序的攻击，CPS安全仍然是广泛采用的问题之一。本文提出了一种可编程设备网络层架构，以对抗攻击和高效的网络监控异构环境CPS应用。我们利用工业控制系统（ICS）来讨论存在的问题，强调先进的网络层的CPS的重要性。可编程数据平面语言（P4）被引入到检测众所周知的HELLO洪水攻击，以最小的努力，在网络级，也用于具有潜在的安全解决方案。
2021-02-01 cs.CR
On the Performance of Cyber-Biomedical Features for Intrusion Detection in Healthcare 5.0
本研究针对医疗5.0中忽视生物医学数据的网络安全问题，采用可解释AI分析整合网络与生物医学数据，发现XGBoost性能优异，且网络数据主导入侵检测，生物医学特征辅助欺骗检测。
2025-06-19 cs.AI cs.CR
Towards Trusted and Intelligent Cyber-Physical Systems: A Security-by-Design Approach
网络物理系统（CPS）中网络攻击的复杂性要求建立一种机制，可以评估操作行为和安全性，而不会对实时系统的操作产生负面影响。在这方面，数字孪生（DT）正在彻底改变CPS。DT在整个产品生命周期中加强了CPS的安全性，同时假设DT数据是可信的，提供了预测和响应实时变化的灵活性。然而，CPS中现有的DTs解决方案受到多个利益相关者之间不可信的数据传播和及时的过程校正的限制。这些限制加强了设计具有实时创建可操作见解能力的可信分布式解决方案的重要性。为此，我们提出了一个框架，通过集成区块链和人工智能（AI），专注于可信和智能DT。在混合方法之后，所提出的框架不仅从CPS的规范中获取过程知识，而且还依赖于AI来学习基于传感器数据的安全威胁。此外，我们集成区块链以保护产品生命周期数据。我们讨论了汽车行业作为CPS用例的拟议框架的适用性。最后，我们确定了开放的挑战，阻碍了智能驱动的体系结构在CPS的实施。
2022-05-02 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
Energy Cyber Attacks to Smart Healthcare Devices: A Testbed
本文构建测试平台研究DDoS和伪造接入点攻击对支持WiFi的智能医疗设备服务中断与能量消耗的影响，量化了攻击速率等关键因素，为未来防御策略奠定基础。
2024-10-15 cs.CR
Blockchain inspired secure and reliable data exchange architecture for cyber-physical healthcare system 4.0
针对医疗4.0数据安全挑战，提出区块链启发的以患者为中心的数据交换架构，集成多种技术，可抵御攻击并支持节点故障恢复。
2023-06-28 cs.CR cs.DC
Autonomous Intelligent Cyber-defense Agent: Introduction and Overview
本章介绍自主智能网络防御智能体AICA的概念、动机与五项功能的参考架构，并讨论行动风险管控及通过设计建立用户信任的方法。
2023-04-24 cs.CR
Toward Intelligent Autonomous Agents for Cyber Defense: Report of the 2017 Workshop by the North Atlantic Treaty Organization (NATO) Research Group IST-152-RTG
本报告总结了由北约研究小组IST-152-RTG组织的网络防御和弹性智能自主智能体研讨会的讨论和结果。研讨会于2017年10月18日至20日在捷克共和国布拉格举行。越来越多的人认识到，未来的网络防御应该涉及广泛使用部分自主智能体，这些智能体积极巡逻友好网络，并在恶意恶意软件能够造成重大损害、躲避友好代理或摧毁友好代理之前迅速检测和响应恶意活动（远远快于人类反应时间）。这需要网络防御代理具有高度的智能，自主性，自我学习和适应性。该报告重点关注以下问题：在什么样的计算和战术环境中，这样一个代理操作？代理人可以观察或摄取哪些数据？代理人可以采取什么行动？这样一个特工是如何策划一系列复杂的行动的？智能体会从经验中学习吗？如何学习？智能体如何与人类合作？我们如何确保代理人不会采取不受欢迎的破坏性行动？有没有可能用一个简单的例子来帮助想象这样一个代理？
2018-04-20 cs.CR
Security of Healthcare Data Using Blockchains: A Survey
医疗保健行业的进步正在以健康4.0的形式进入一个新时代。网络物理系统（CPS）、大数据、云计算、机器学习和区块链等创新技术与医疗保健服务的整合，通过基于数据的学习和系统互连提高了性能和效率。另一方面，它也增加了复杂性，并由于医疗保健数据的大量涌入，共享和存储而带来了自己的漏洞。通过身份验证访问保护其免受网络攻击以及隐私保护是医疗保健部门面临的重大挑战之一。为此，使用基于区块链的网络可以大大减少医疗保健系统的漏洞并保护其数据。本章探讨区块链在加强医疗保健数据安全方面的作用，回答与什么数据使用，何时需要，为什么需要，谁需要以及最先进的技术如何使用区块链来保护医疗保健数据相关的问题。作为案例研究，我们还探索和分析了区块链在COVID-19大流行的医疗数据安全中的最新实现。为了为未来的研究方向提供一条道路，我们确定并讨论了与基于区块链的医疗数据安全实施相关的技术限制和监管挑战。
2021-03-23 cs.CR
An Overview of Attacks and Defences on Intelligent Connected Vehicles
网络安全是联网车辆系统面临的最重大挑战之一，联网车辆容易受到各种网络安全攻击，危及乘客的安全。智能互联汽车的网络安全由车内安全和车间通信安全组成。电子控制单元（ECU）和控制区域网络（CAN）总线的安全性是车载安全性中最重要的部分。此外，随着4G LTE和5G远程通信技术的发展，车辆到一切（V2X）通信，车辆间通信的安全性是另一个潜在问题。在简要介绍了包括无人驾驶和智能车辆在内的下一代车辆的架构之后，本文确定了智能联网车辆上的几种主要安全攻击。基于这些攻击，我们提供了一个全面的调查，对这些攻击的可用防御，并将它们分为四类，即加密，网络安全，软件漏洞检测，恶意软件检测。我们还探讨了防止智能车辆系统攻击的未来方向。
2019-07-17 cs.CR
Machine Learning for Healthcare-IoT Security: A Review and Risk Mitigation
本文综述了医疗物联网面临的安全与隐私挑战，并探讨了基于机器学习和深度学习的认证机制及分层监测等风险缓解策略，以增强H-IoT的韧性。
2024-01-17 cs.CR
BRIDG-ICS: AI-Grounded Knowledge Graphs for Intelligent Threat Analytics in Industry~5.0 Cyber-Physical Systems
Edith Cowan University（伊迪丝·考恩大学）
BRIDG-ICS通过AI驱动的知识图谱实现工业5.0中网络物理系统的智能威胁分析与韧性评估
2026-03-05 cs.CR
Smart Contracts for Multiagent Plan Execution in Untrusted Cyber-physical Systems
智能网络物理系统可以被建模为具有规划能力的多智能体系统，以适应不断变化的环境。在这样的多智能体系统中，计划执行的协议必须导致正确的完成和顺序的行动，尽管他们的分布式执行。然而，在不可信的情况下，有可能代理不尊重协议，无论是由于故障或由于恶意的原因，从而导致计划失败。为了防止这种情况，我们建议通过智能合约实现代理的执行。这指向一个通用架构，无缝集成基于智能规划的CPS和智能合约。
2018-12-18 cs.CR
Cyber security of OT networks: A tutorial, survey of attacks and overview of current state of defense tools, protocols, & challenges
Vanderbilt University（范德堡大学）；Engineering at Amazon（亚马逊工程部门）；Georgia State University（佐治亚州立大学）
本文探讨OT网络安全挑战，分析IT与OT融合带来的攻击面，并介绍提升OT网络安全的现代方法。
2026-07-14 cs.CR
An Emulation Anchored Digital Twin Testbed for Cyberattack and Defense Analysis in Hospital IT OT Environments
Indian Institute of Technology Ropar（印度技术学院罗帕尔分校）
本研究构建了结合数字孪生的医院IT与OT网络安全测试平台，可仿真医疗相关网络环境，支持攻防实验与防御智能体训练，且计算开销低，为医院数字孪生扩展提供基础。
2026-08-19 cs.CR
Using NIST Special Publications (SP) 800-171r2 and 800-172/800-172A to assess and evaluate the Cybersecurity posture of Information Systems in the Healthcare sector
本文介绍了NIST Special Publications（SP）800- 171 r2（保护非联邦系统和组织中受控但非机密的信息），SP.800-172（保护受控非机密信息的增强安全要求）和SP.800- 172 A（评估受控非机密信息的增强安全要求）可用于评估信息系统的网络安全态势以及与HIPAA和HITECH相关的支持框架。它将证明SP.800- 171 r2和SP.800-172/172 A中概述的用于保护受控非机密信息（CUI）的规定和基线安全要求可适用于电子受保护健康信息（ePHI）。将解释这些出版物如何与HIPAA保持一致，以及这种一致性如何足以评估IT环境安全性，以及执行此类评估的过程和程序。最后，将介绍使用这种方法支持正式风险评估的好处。
2021-05-05 cs.CR cs.CY
Application of Intelligent Multi Agent Based Systems For E-Healthcare Security
近年来，用于电子医疗记录（EHR）的广泛系统的可用性和使用增加。在医院和其他实验室等医疗中心，在治疗过程中形成了更多的健康数据集。为了提高医疗保健服务的标准，这些记录可以由不同的用户根据他们的要求共享和使用。因此，在安全和隐私方面存在值得注意的问题，应加以监测和消除，以便更有效地使用EHR。在过去的文献中已经做了各种研究，以提高电子健康系统的安全和隐私标准。尽管如此，它并没有完全增强。在本文中，进行了全面的分析，通过选择现有的方法和模型，提出了电子医疗系统的安全和隐私。提出了一种基于多代理的智能访问控制安全模型（IBAC），以维护和支持电子医疗系统的安全性和隐私性。该系统使用代理，以维护安全和隐私，同时访问电子健康数据之间的用户。
2020-04-02 cs.CR cs.CY
Data Breaches in Healthcare Security Systems
与任何其他领域相比，为健康信息提供安全性被认为是最优先考虑的事项。在医疗领域的患者记录数字化之后，医疗保健/医疗领域已经成为几次内部和外部网络攻击的受害者。医疗保健行业的数据泄露事件正在迅速增加。尽管有健康保险流通与责任法案（Health Insurance Portability and Accountability Act）等安全标准，但数据泄露仍然每天发生。所有类型的数据泄露对医疗数据都有同样的有害影响，特别是对患者的隐私。本文的主要目的是分析医疗保健数据泄露发生的原因以及这些泄露的影响。本文还介绍了可以在当前标准（如HIPAA）中进行的可能改进，以提高医疗保健领域的安全性。
2022-08-31 cs.CR
Evaluating Medical IoT (MIoT) Device Security using NISTIR-8228 Expectations
医疗机构（从小型诊所到大型HDO）如何评估临床环境中使用的医疗物联网（MIoT）的网络安全和隐私保护的遵守情况？本文提出了一种使用美国国家标准与技术研究所（NIST）的指导进行这种评估的方法。通过应用NISTIR 8228期望，可以定量评估网络安全和隐私保护，并确定与推荐标准的相对符合性。这种方法允许组织评估MiOT设备对IT系统构成的风险水平，并确定是否允许其在医疗保健/IT环境中使用。本文回顾了物联网/MiOT网络安全和隐私保护的现状，使用历史和当前的行业指南和最佳实践;联邦机构的建议; NIST出版物;和联邦法律。然后，它介绍了物联网/MiOT设备和“传统”（或经典）信息技术（IT）硬件之间的相似性和差异，并列举了物联网/MiOT对网络安全和隐私保护构成的几个挑战。最后，提供了一种评估网络安全和隐私保护的实用方法，以及验证评估结果的增强功能。这样做将证明其总体符合NIST指南和HIPAA/HITECH要求。
2021-05-25 cs.CR
Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework
Department of Business Information Systems, Central Michigan University（中央密歇根大学商业信息系统系）；Department of Information Studies, Trine University（特林大学信息学系）；Department of Computer Science, Maharishi International University（Maharishi国际大学计算机科学系）
针对美国关键基础设施面临的网络威胁，提出一种结合XGBoost、随机森林等机器学习分类器与可解释AI（XAI）技术的入侵检测与网络风险预测框架，通过CICIDS2017数据集验证模型性能与可靠性。
2026-06-04 cs.AI cs.CR
Goal-Driven Risk Assessment for LLM-Powered Systems: A Healthcare Case Study
School of Informatics, Computing, and Cyber Systems（信息学、计算与网络系统学院）；Northern Arizona University（北亚利桑那大学）；Department of Software Science（软件科学系）；Tallinn University of Technology（塔林技术大学）
本文提出了一种面向目标的风险评估方法，用于评估LLM驱动系统的安全风险，通过攻击树详细分析威胁向量和攻击路径，以提升医疗系统等复杂系统的安全性。
2026-03-04 cs.AI cs.CR
Hybrid CNN-LSTM Framework for Intelligent Cyber Attack Detection and Prevention in U.S. Critical Digital Infrastructure: A Comparative Machine Learning Evaluation on CSE-CIC-IDS2018
Department of Computer Science, Maharishi International University（马哈拉吉国际大学计算机科学系）；Department of Information Studies, Trine University（特林大学信息学系）；Department of Business Information Systems, Central Michigan University（中央密歇根大学商业信息系统系）
提出一种结合CNN和LSTM的混合深度学习框架，利用CSE-CIC-IDS2018数据集进行网络攻击检测与防御，通过比较多种机器学习模型，实现高精度入侵检测和自动防御。
2026-06-04 cs.CR cs.LG
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
A Framework for Post Quantum Migration in IoT-Based Healthcare Systems
University of Wyoming（怀俄明大学）；University of New South Wales (UNSW)（新南威尔士大学）；University College Cork (UCC)（科克大学）；Concordia University of Edmonton（埃德蒙顿协和大学）
本文提出一个综合迁移框架，通过分阶段混合方法与加密敏捷性，帮助物联网医疗系统向抗量子加密过渡，重点考虑资源受限设备和互操作性挑战。
2026-04-16 cs.CR
Deep Learning for Cyber Threat Detection and Mitigation in Healthcare-IoT
University of Limerick（利默里克大学）
本研究针对医疗物联网（H-IoT）的网络威胁，构建三类真实数据集，提出轻量型TCN与Res-TCN模型，经量化后部署于树莓派4实现DDoS攻击的低延迟高能效检测与缓解，为H-IoT提供深度学习安全防御方案。
2026-08-04 cs.CR cs.LG eess.SP
DICOMHawk: A Cyber Deception Framework for Medical Imaging Infrastructure
Technical University of Denmark（丹麦技术大学）；CSIS（网络安全与信息系统安全中心）
研究针对医学成像系统网络攻击问题，提出DICOMHawk网络欺骗框架，通过逼真交互等模拟相关服务，经多阶段测试，该框架吸引更多有效会话，避免被检测，捕获多次攻击，提升了对威胁的可见性。
2026-08-26 cs.CR
Audit to Forget: A Unified Method to Revoke Patients' Private Data in Intelligent Healthcare
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出审计引导遗忘与知识纯化方法，并开发开源软件AFS，统一实现智能医疗中患者隐私数据的使用审计与从预训练模型中的撤销，验证了其通用性。
2023-02-20 cs.CR cs.LG
SoK: Security and Privacy Risks of Healthcare AI
Washington University in St. Louis（圣路易斯华盛顿大学）
本文系统审查医疗AI的安全与隐私风险，提出统一框架识别研究空白，分析攻击与防御，并通过实验揭示该领域网络安全研究的迫切性。
2025-04-30 cs.AI cs.CR cs.LG
Deep Learning Approach for Intelligent Named Entity Recognition of Cyber Security
Amrita School Of Engineering, Amrita Vishwa Vidyapeetham（阿姆里塔大学阿姆里塔工程学院）；Cincinnati Children’s Hospital Medical Centre（辛辛那提儿童医院医疗中心）
近年来，以非结构化文本形式（例如社交媒体资源、博客、文章等）生成的网络安全数据量异常增加。命名实体识别（NER）是将非结构化数据转换为可供许多应用程序使用的结构化数据的第一步。现有的网络安全数据的NER方法是基于规则和语言特征的。提出了一种嵌入条件随机场的基于深度学习的方法。评估了几种DL架构以找到最佳架构。双向门控递归单元（Bi-GRU）、卷积神经网络（CNN）和CRF的组合在公开可用的基准数据集上与各种其他DL框架相比表现更好。这可能是因为双向结构保留了与序列中的未来和先前单词相关的特征。
2020-03-31 cs.CL cs.CR cs.LG
ANALYSE -- Learning to Attack Cyber-Physical Energy Systems With Intelligent Agents
University of Oldenburg（奥尔登堡大学）；OFFIS - Institute for Information Technology（OFFIS信息技术研究所）；City University of Applied Sciences Bremen（不来梅应用技术城市大学）
提出基于机器学习的ANALYSE软件套件，利用智能体自主发现信息物理能源系统中的未知攻击并重现已知策略，以分析漏洞并辅助制定对策。
2023-04-21 cs.CR cs.LG cs.SY
On Security Strategies for Addressing Potential Vulnerabilities in 6G Technologies Deployable in Healthcare
本文面向医疗保健场景分析6G关键支撑领域及5G遗留安全漏洞，并提出包括零信任在内的安全防护策略。
2023-08-19 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
Structuring Security: A Survey of Cybersecurity Ontologies, Semantic Log Processing, and LLMs Application
本文综述本体、语义日志处理与LLM在网络安全中的协同应用，梳理从原始日志自动构建知识图谱及智能本体驱动防御的挑战与机遇。
2025-10-18 cs.CR
A Global Cybersecurity Standardization Framework for Healthcare Informatics
National Sun Yat-sen University（国立中山大学）；Thumbay Institute for AI in Healthcare（通贝医疗人工智能研究院）；Gulf Medical University（海湾医科大学）；University of Derby（德比大学）
针对医疗数字化下PHI保护法规不完善的问题，本研究结合德尔菲法、DBSCAN与TOPSIS构建医疗网络安全标准化框架，划分5类安全活动并排序，为医疗领域隐私安全落地提供参考。
2024-10-06 cs.CR cs.LG
Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation
Wilmington University（威尔明顿大学）；Washington University of Science and Technology（华盛顿科技大学）；South Dakota School of Mines & Technology（南达科他矿业理工学院）；South Dakota State University（南达科他州立大学）；St. Francis College（圣弗朗西斯学院）；Stanton University（斯坦顿大学）
该研究针对云环境复杂网络攻击问题，提出自适应DQN网络防御框架，经CICIDS2017等数据集验证，其入侵检测与威胁缓解性能优于多种传统机器学习模型，展现出强化学习在云自主网络安全中的应用潜力。
2026-08-13 cs.AI cs.CR
Abusing the Internet of Medical Things: Evaluating Threat Models and Forensic Readiness for Multi-Vector Attacks on Connected Healthcare Devices
University College London（伦敦大学学院）
本文提出融合威胁建模与数字取证的医疗物联网安全方法，揭示多向攻击对连接医疗设备的威胁及取证挑战。
2026-01-18 cs.CR cs.CY
Lightweight Electronic Signatures and Reliable Access Control Included in Sensor Networks to Prevent Cyber Attacks from Modifying Patient Data
针对无线传感器网络中患者数据易遭攻击与现有防护不足的问题，提出融合对称加密、非对称访问控制及签名和 Lesamnta-LW 的轻量级安全方案，实验与安全分析证明其优于既有方法。
2025-06-10 cs.CR
Securing The Future Of Healthcare: Building A Resilient Defense System For Patient Data Protection
本研究利用梯度提升分类器模型预测医疗数据泄露严重程度，发现黑客和IT事件为主要泄露类型，建议加强网络安全以保护服务器。
2024-07-23 cs.CR cs.CY cs.NI
REACT: Autonomous Intrusion Response System for Intelligent Vehicles
针对智能网联汽车现有入侵响应依赖安全运营中心、耗时且扩展性不足的问题，提出车载动态入侵响应系统REACT，含响应列表、评估与选择方法，经嵌入式平台与两个攻击用例验证，具备响应快、占存小、可动态调参等优势。
2024-01-16 cs.CR
An Overview of Cyber Threats, Attacks, and Countermeasures on the Primary Domains of Smart Cities
智慧城市是通过数字技术增强现有设施和服务以造福人民和公司的地方。这个城市最重要的基础设施是相互连接的。增加市政领域之间的数据交换旨在管理基本资产，从而提高城市治理的自动化程度，并优化动态提供的服务。然而，对于这些数据流的建模，没有明确的指导方针或标准。因此，运营商、市政当局、政策制定者、制造商、解决方案提供商和供应商被迫接受可扩展性有限且需求多变的系统。尽管如此，提高对智慧城市网络安全的认识并采取适当措施保护公民的隐私和安全至关重要，因为网络威胁似乎是有组织的，多样化的和复杂的。本研究旨在概述智能城市主要领域（智能政府，智能移动，智能环境，智能生活，智能医疗，智能经济和智能人）的网络威胁，攻击和对策，以向决策者提供从最先进技术中提取的信息，以感知关键情况，同时成为科学界的宝贵资源。
2022-07-10 cs.CR
On the Cost of Cyber Security in Smart Business
在一个像我们这样复杂且不断变化的世界中，云计算是塑造IT格局和改变我们开展业务方式的驱动力。当前的趋势表明，人、物和服务都通过物联网（IoT）以数字方式相互连接。这尤其适用于智能设备和智能服务为智能工厂和智能企业铺平道路的工业环境。本文通过用例驱动的研究，探讨了利用智能设备实现直接、自动化和语音控制的智能业务的潜力。此外，本文还对云服务网络安全控制成本的测量方法进行了初步研究。
2019-05-15 cs.CR
Explainable Artificial Intelligence Applications in Cyber Security: State-of-the-Art in Research
本调查对当前关于网络安全应用的可解释人工智能（XAI）方法的文献进行了全面回顾。由于近年来互联网连接的系统和人工智能的快速发展，包括机器学习（ML）和深度学习（DL）的人工智能已经被广泛用于包括入侵检测、恶意软件检测和垃圾邮件过滤的网络安全领域。然而，尽管与传统的基于签名和基于规则的网络安全策略相比，用于检测和防御网络攻击和威胁的基于人工智能的方法更加先进和高效，但大多数基于ML的技术和基于DL的技术都是以黑盒方式部署的，这意味着安全专家和客户无法解释这些程序如何得出特定结论。现有人工智能技术的透明度和可解释性的缺陷将降低人类用户对用于防御网络攻击的模型的信心，特别是在当前网络攻击变得越来越多样化和复杂的情况下。因此，在建立网络安全模型时应用XAI至关重要，以创建更易于解释的模型，同时保持高准确性，并允许人类用户理解，信任和管理下一代网络防御机制。虽然有论文回顾人工智能在网络安全领域的应用，以及在医疗保健，金融服务和刑事司法等许多领域应用XAI的大量文献，但令人惊讶的事实是，目前没有调查研究文章集中在XAI在网络安全中的应用。
2022-08-31 cs.CR
Emerging Cyber Attack Risks of Medical AI Agents
CUHK（香港中文大学）；The University of Oxford（牛津大学）；Stanford University（斯坦福大学）；Imperial College London（伦敦帝国学院）
本研究揭示了医疗AI智能体因访问互联网而面临的网络攻击漏洞，发现攻击者可通过网页对抗性提示词注入虚假信息、操纵推荐、窃取隐私并劫持系统，且大多数主流LLM均受影响，推理模型最为脆弱。
2025-04-02 cs.AI cs.CR
Safeguarding Virtual Healthcare: A Novel Attacker-Centric Model for Data Security and Privacy
针对远程医疗中健康数据的安全风险，本文提出以攻击者为中心的威胁模型ACA，通过多层威胁识别与缓解策略，增强数据保护并促进虚拟护理安全采用。
2024-12-18 cs.CR
Hash-MAC-DSDV: Mutual Authentication for Intelligent IoT-Based Cyber-Physical Systems
以物联网（IoT）形式连接的网络物理系统（CPS）容易受到各种安全威胁，这是由于IoT设备的基础设施部署较少。这些网络的设备到设备（D2 D）认证确保了部署区域中信息的完整性、真实性和机密性。文献提出了不同的方法来解决CPS技术中的安全问题。然而，它们大多基于集中式技术或特定的系统部署，具有较高的计算和通信成本。因此，有必要开发一种有效的方案，可以解决物联网设备CPS技术中的安全问题。本文提出了一种轻量级的Hash-MAC-DSDV（Hash Media Access Control Destination Sequence Distance Vector）路由方案，以解决CPS技术中的认证问题，并以物联网网络的形式连接。为此，分别从本地链和公共链开发了物联网设备（多WSNs）的CPS。所提出的方案通过Hash-MAC-DSDV相互方案来确保D2 D认证，其中在第一阶段中注册各个设备的MAC地址，并在第二阶段中在网络中通告。该方案允许合法设备修改其路由表并单播单向散列认证机制，以将其捕获的数据从源传输到目的地。我们的评估结果表明，哈希- MAC-DSDV超过现有的计划在攻击检测，能源消耗和通信指标。
2021-05-17 cs.CR cs.NI
Automated Alert Classification and Triage (AACT): An Intelligent System for the Prioritisation of Cybersecurity Alerts
Sophos（Sophos公司）；Flare
本文提出AACT智能系统，通过学习分析师分诊决策实时自动关闭良性警报并优先处理关键警报，在真实SOC中六个月减少61%分析师可见警报，漏报率仅1.36%。
2025-05-14 cs.CR cs.LG stat.AP
Towards Autonomous Cybersecurity: An Intelligent AutoML Framework for Autonomous Intrusion Detection
Ontario Tech University（安大略理工大学）；Western University（西安大略大学）
本文提出基于 AutoML 的自主入侵检测框架，自动完成数据平衡、特征选择、模型调优与集成，并在 CICIDS2017 和 5G-NIDD 上验证其优于现有方法。
2024-09-05 cs.CR cs.LG cs.NI
