Analysis of Threat-Based Manipulation in Large Language Models: A Dual Perspective on Vulnerabilities and Performance Enhancement Opportunities
Atil Samancioglu(独立研究者)
本研究分析三款主流大语言模型在多任务多威胁场景下的响应,构建威胁分类与评估框架,发现模型既存在系统性安全漏洞,也可通过威胁操纵实现最高1336%的性能提升,为AI安全与提示工程提供双重参考。
2025-07-22 cs.AI cs.CR
Deep ahead-of-threat virtual patching
许多应用程序都存在可被利用的安全漏洞。由于测试问题的NP完全性质,实际上不可能找到所有这些问题。安全解决方案通过持续的应用程序测试、快速修补漏洞、自动部署补丁以及部署在网络和端点安全工具中的虚拟补丁检测技术来防御这些攻击。这些技术受到在黑帽之前找到漏洞的需要的限制。我们提出了一种创新的技术,可以在发现漏洞之前对其进行虚拟修补。我们利用测试技术来生成监督学习数据,并展示了人工智能技术如何使用这些数据来创建预测性的深度神经网络模型,这些模型可以读取应用程序的输入,并实时的预测它是否是潜在的恶意输入。我们建立了一个预先威胁实验,在这个实验中,我们生成了旧版本应用程序的数据,然后评估了几年后发现的漏洞的预测模型准确性。我们的实验表明,提前的威胁检测LibXML2和LibTIFF漏洞的准确率分别为91.3%和93.7%。我们希望继续在这一领域的研究工作,并为更多的图书馆提供威胁前的虚拟补丁。这项研究的成功可以改变当前应用程序漏洞后无休止的竞赛状态,并使防御者领先于攻击者一步
2020-07-16 cs.CR
Towards Realistic Threat Modeling: Attack Commodification, Irrelevant Vulnerabilities, and Unrealistic Assumptions
当前的威胁模型通常考虑攻击者可以渗透系统的所有可能方式,并根据某些度量(例如,妥协时间)为每条路径分配概率。在本文中,我们将讨论这种观点如何阻碍当前威胁建模的技术(如攻击图)和战略(如博弈论)方法的真实性,并建议通过更仔细地观察攻击特征和攻击者环境来避开。我们使用一个玩具的ICS攻击的威胁模型,以显示如何从一个简单的分析攻击阶段和攻击者的局限性,攻击实例的现实视图可以出现。
2018-01-14 cs.CR cs.GT
Use of LLMs for Illicit Purposes: Threats, Prevention Measures, and Vulnerabilities
University College London(伦敦大学学院);Tilburg University(蒂尔堡大学)
本文综述了LLMs被非法滥用的威胁、现有防范措施及相关漏洞,提出分类体系梳理三者关系,旨在提升各类用户对LLMs安全局限性的认知。
2023-08-24 cs.CL cs.CR
Attack Techniques and Threat Identification for Vulnerabilities
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Security X-Force Red(IBM安全X-Force红队);Rensselaer Polytechnic Institute(伦斯勒理工学院)
现代组织正在与其网络和应用程序漏洞扫描器发现和报告的无法克服的漏洞数量作斗争。因此,确定优先次序和重点变得至关重要,以便将有限的时间用于最高风险的漏洞。在此过程中,这些组织不仅要了解漏洞的技术描述,还要深入了解攻击者的观点。在这项工作中,我们使用机器学习和自然语言处理技术,以及几个公开的数据集,以提供一个可解释的映射漏洞的攻击技术和威胁演员。这项工作提供了新的安全情报,通过预测哪些攻击技术最有可能被用来利用给定的漏洞,以及哪些威胁行为者最有可能进行利用。缺乏标记数据和不同的词汇表使得将漏洞映射到大规模攻击技术成为一个具有挑战性的问题,无法使用监督或无监督(相似性搜索)学习技术轻松解决。为了解决这个问题,我们首先将漏洞映射到一组标准的共同弱点,然后将共同弱点映射到攻击技术。这种方法产生的平均倒数秩(MRR)为0.95,准确度与国家的最先进的系统报告。我们的解决方案已部署到IBM Security X-Force Red Vulnerability Management Services,并自2021年起投入生产。该解决方案可帮助安全从业人员协助客户管理其漏洞并对其进行优先级排序,为他们提供可解释的漏洞与攻击技术和威胁参与者的映射
2022-06-22 cs.AI cs.CR
An Overview of UPnP-based IoT Security: Threats, Vulnerabilities, and Prospective Solutions
从小型传感器到复杂的云基础设施以及各种网络技术和通信协议,智能设备的开发和可用性提高,支持了物联网部署的快速扩展。通用即插即用(UPnP)协议已被广泛接受并用于IoT领域,以支持异构IoT设备之间的交互,部分原因是零配置实现,这使得它适用于大规模网络。UPnP支持物联网系统的普及性和普遍性需要探索与使用该协议进行物联网部署相关的安全风险。在这项工作中,我们分析了基于UPnP的物联网系统的安全漏洞,并识别利用漏洞的对手的攻击机会。最后,我们提出了前瞻性的解决方案,以保护基于UPnP的物联网系统免受对抗性操作的影响。
2020-11-04 cs.CR
Security Vulnerabilities in Quantum Cloud Systems: A Survey on Emerging Threats
本综述全面分析了量子云系统中的多租户漏洞与经典-量子接口安全挑战,探讨了串扰攻击等威胁对量子电路的影响,并提出了新兴安全解决方案及未来研究方向。
2025-04-27 cs.CR cs.DC
A Relevance Model for Threat-Centric Ranking of Cybersecurity Vulnerabilities
本文提出基于MITRE ATT&CK对手标准构建漏洞管理框架,聚合公开数据生成个性化排序策略,相比CVSS显著提升漏洞优先级识别效果并降低修补成本。
2024-06-09 cs.CR
CTI4AI: Threat Intelligence Generation and Sharing after Red Teaming AI Models
Mississippi State University(密西西比州立大学)
随着基于人工智能(AI)和机器学习(ML)技术的实用性的增长,对抗攻击的威胁不断增加。有必要对这个生态系统进行红色团队,以识别系统漏洞、潜在威胁、表征将增强系统鲁棒性的属性,并鼓励创建有效的防御。第二个需求是在不同的利益相关者(如模型开发人员、用户和AI/ML安全专业人员)之间共享这种AI安全威胁情报。在本文中,我们创建并描述了一个原型系统CTI 4AI,以克服系统地识别和共享AI/ML特定漏洞和威胁情报的需求。
2022-08-16 cs.AI cs.CR cs.LG
Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities
The University of Alabama(阿拉巴马大学);Alabama Water Institute(阿拉巴马水研究所)
研究自动驾驶车辆漏洞相关结构化威胁信息生成问题,利用开放权重语言模型,通过构建CAV-STIXGen数据集评估11个模型,分析CWE和MITRE ATT&CK共现,展示AI辅助转换可自动化威胁情报并优先防御运输安全。
2026-07-20 cs.AI cs.CR
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
Detecting Network Security Vulnerabilities and Proactive Strategies to Mitigate Potential Threats
在多层网络系统、自定义应用程序、Web服务和平台环境中,存储数据和信息资产对任何组织来说都是一项挑战。虽然有不同的方法来保护网络系统,但测试安全级别的最佳方法是进行渗透测试。在本文中,我们描述了我们如何进行现场渗透测试的特定网络,即192.168.3.0/24(案例研究)通过识别系统漏洞,使其渗透。在破坏系统后,必须找到关键数据(标志),表明我们成功渗透。作为专业的渗透测试人员,我们使用了互联网上恶意行为者使用的一系列渗透测试工具,如Nmap,Nessus,Sparta和Metasploit等。通常情况下,由于其在识别系统环境中安全漏洞方面的重要性,我们在侦察和扫描阶段而不是系统探索阶段投入了大量精力。漏洞分析突出了最关键的威胁,即令牌是获得访问的优势,即FTP服务,HTTP和人为错误。然而,包括系统是不够的,因为关键数据(标志)通常需要管理员权限。因此,团队经常检查系统,以找到将权限提升到根级别的方法。此外,一些关键数据(标志)需要解密算法或对捕获的数据包进行分析,以使其可读。我们找到了八个旗帜并确定了一个系统安全漏洞。建议针对已识别的漏洞采取缓解策略,以确保给定网络免受未来攻击。
2022-12-22 cs.CR
ThreatZoom: CVE2CWE using Hierarchical Neural Network
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
常见漏洞和暴露(CVE)代表用于共享公开已知的信息安全漏洞的标准方法。将一个或多个CVE分组到常见弱点枚举(CWE)类中,以了解软件或配置缺陷以及这些漏洞造成的潜在影响,并确定检测或防止利用的方法。由于CVE到CWE的分类主要由领域专家手动执行,因此数千个关键和新的CVE仍然未分类,但它们是不可修补的。这大大限制了CVE的实用性,并减缓了主动威胁缓解的速度。本文提出了第一个自动工具分类的CVES CWEs。ThreatZoom使用一种新的学习算法,该算法采用自适应分层神经网络,该网络根据文本分析分数和分类错误调整其权重。它使用从CVE的描述中提取的统计和语义特征来自动估计对应于CVE实例的CWE类。该工具通过MITRE和国家漏洞数据库(NVD)提供的各种数据集进行了严格测试。NVD数据集的分类准确率为92%(细粒度)和94%(粗粒度),MITRE数据集的分类准确率为75%(细粒度)和90%(粗粒度),尽管语料库很小。
2020-09-24 cs.CR cs.LG
Cyber Threats to Canadian Federal Election: Emerging Threats, Assessment, and Mitigation Strategies
本文针对2025年加拿大联邦选举的网络安全风险,遵循NIST SP 800-30框架开展国家级威胁评估,识别三类核心威胁,分析其特性与影响,并提出多维度风险缓解策略以保障选举安全。
2024-10-07 cs.CR
VulnGym: Evaluating Vulnerability Management Strategies against Advanced Persistent Threats
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Gran Sasso Science Institute(格兰萨索科学研究所)
针对企业网络受APT攻击及现有漏洞管理评估缺陷,提出VulnGym模拟工具,通过模拟基于真实APT配置文件训练的攻击者与执行可配置补丁策略的防御者对抗,依多因素定制漏洞管理,经实验验证其有效性。
2026-07-28 cs.CR
PsybORG+: Modeling and Simulation for Detecting Cognitive Biases in Advanced Persistent Threats
针对传统措施难以防御的高级持续性威胁,本研究提出多智能体仿真环境PsybORG⁺,可建模受认知漏洞影响的APT行为,配套的认知漏洞分类模型预测准确率不低于0.83,为利用攻击者认知偏差防御APT提供支撑。
2024-08-13 cs.CR
Uncovering Vulnerabilities of LLM-Assisted Cyber Threat Intelligence
Binghamton University(宾夕法尼亚州立大学);Duke University(杜克大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文通过人机协同分类框架,识别并验证了LLM在CTI推理中的三种领域特定认知失败模式(虚假关联、矛盾知识和受限泛化),并证明针对性防御可显著降低失败率。
2026-05-28 cs.AI cs.CR
An empirical analysis of zero-day vulnerabilities disclosed by the zero day initiative
Department of Computing, Engineering and Mathematical Sciences(计算、工程与数学科学系);Texas A&M University - San Antonio(德克萨斯A&M大学-圣安东尼奥)
本研究分析了2024年ZDI报告的415个零日漏洞,探讨了漏洞披露趋势、严重性分布及预测模型在分类中的应用,以提升漏洞管理与应对能力。
2025-12-16 cs.CR cs.LG
The Security Reference Architecture for Blockchains: Towards a Standardized Model for Studying Vulnerabilities, Threats, and Defenses
区块链是分布式系统,安全性是其成功的关键因素。然而,尽管它们越来越受欢迎和采用,但缺乏研究区块链相关安全威胁的标准化模型。为了填补这一空白,我们工作的主要重点是系统化和扩展有关区块链安全和隐私方面的知识,并为该领域的标准化做出贡献。我们提出了区块链的安全参考架构(SRA),它采用了一个堆栈模型(类似于ISO/OSI),描述了各种安全和隐私方面的性质和层次结构。SRA包含四个层:(1)网络层,(2)共识层,(3)复制状态机层,以及(4)应用层。在每一层,我们都识别出已知的安全威胁、它们的来源和对策,同时我们还分析了几个跨层依赖关系。接下来,为了让从业者更好地推理区块链的安全方面,我们提出了一个特定于区块链的威胁风险评估标准ISO/IEC 15408版本,将堆栈模型嵌入到该标准中。最后,我们为区块链平台和应用程序的设计人员提供了遵循SRA模型及其层次结构的设计方法。
2020-10-28 cs.CR cs.DC
How to make Medical AI Systems safer? Simulating Vulnerabilities, and Threats in Multimodal Medical RAG System
本文提出MedThreatRAG框架,通过模拟攻击环境揭示医疗RAG系统漏洞,展示跨模态冲突注入对系统性能的严重影响。
2026-01-04 cs.AI cs.CR cs.LG
Model Context Protocol Threat Modeling and Analyzing Vulnerabilities to Prompt Injection with Tool Poisoning
New York Institute of Technology(纽约理工学院)
本文基于STRIDE和DREAD框架对MCP五个关键组件进行威胁建模,发现工具污染是主要客户端漏洞,提出多层防御策略以提升AI代理生态的安全性。
2026-03-23 cs.CR cs.SE
A New Framework for Ranking Vulnerabilities in the Clouds
对云服务中的漏洞威胁程度进行定性和排序是一个充满挑战的问题。虽然已经有一些旨在解决这个问题的努力,但大多数都过于简单或无法应用到云基础设施中。本文旨在提出一种新的框架来定性和排名的基础上,他们的威胁程度的云服务中的漏洞。通过输入或构建服务依赖图,该框架能够生成云服务中每个服务的重要度和所有漏洞的排序列表。此外,我们的框架不仅可以被采用到各种云基础设施,而且还可以根据具体的要求不同类别的算法。为了评估我们的框架,我们将AssetRank算法引入到框架中,并给出了我们工作的整体设计。综合实验证明,我们的框架的有效性,在云服务的定性和排名漏洞。
2016-12-06 cs.CR
The Benefits of Vulnerability Discovery and Bug Bounty Programs: Case Studies of Chromium and Firefox
最近,漏洞赏金计划越来越受欢迎,并成为许多组织安全文化的重要组成部分。漏洞赏金计划使组织能够通过利用外部安全专家群体的各种专业知识(即,臭虫猎人)。尽管如此,量化bug奖励计划的好处仍然难以捉摸,这对管理它们提出了重大挑战。以前的研究侧重于衡量他们的好处,在报告的漏洞的数量或根据报告的漏洞的属性,如严重性或可利用性。然而,除了这些固有的属性,报告的价值还取决于漏洞被内部专家发现和修补它之前被威胁行为者发现的可能性。在本文中,我们提出了一个数据驱动的研究铬和火狐浏览器的可靠性奖励计划。首先,我们估计发现一个漏洞的难度,使用重新发现的概率作为一个新的度量。我们的研究结果表明,漏洞发现和修补通过使威胁行为者难以找到漏洞来提供明显的好处;然而,我们也发现了改进的机会,例如激励漏洞猎人更多地关注开发版本。其次,我们比较了内部与外部发现的漏洞类型以及被威胁行为者利用的漏洞类型。我们观察到外部漏洞猎人,内部安全团队和外部威胁行为者发现的漏洞之间存在显着差异,这表明漏洞奖励计划通过补充内部团队的专业知识提供了重要的好处,但也应该激励外部猎人更多地关注可能被威胁行为者利用的漏洞类型。
2023-02-24 cs.CR
LLM Security: Vulnerabilities, Attacks, Defenses, and Countermeasures
Department of Computer Science and Artificial Intelligence, University of Granada(计算机科学与人工智能系,格拉纳达大学)
本综述系统分类了LLMs在训练与部署阶段面临的攻击及基于预防与检测的防御机制,评估了防御有效性,为保护LLMs提供了结构化框架并指出了未来研究方向。
2025-05-02 cs.AI cs.CR cs.LG
Gathering Cyber Threat Intelligence from Twitter Using Novelty Classification
University of Adelaide(阿德莱德大学)
防止组织遭受网络攻击需要及时获得有关网络漏洞和攻击(称为威胁)的情报。网络威胁情报可以从各种来源提取,包括社交媒体平台,用户可以在社交媒体平台上实时的发布威胁信息。从社交媒体网站收集网络威胁情报对于安全分析师来说是一项耗时的任务,可能会延迟对新出现的网络威胁的及时响应。我们提出了一个框架,自动收集网络威胁情报从Twitter使用新颖的检测模型。我们的模型从公共存储库(如常见漏洞和暴露(CVE))中发布的威胁描述中学习网络威胁情报的特征,并将一条新的看不见的推文分类为网络威胁情报的正常或异常。我们使用一个专门构建的数据集来评估我们的框架,这些数据集来自50个有影响力的网络安全相关账户,超过12个月(2018年)。我们的分类器在对网络威胁推文进行分类时达到了0.643的F1分数,并且优于包括二进制分类模型在内的几个基线。我们对分类结果的分析表明,Twitter上的网络威胁相关推文通常不包括相关威胁的CVE标识符。因此,收集这些推文并将其与网络安全应用程序的相关CVE标识符相关联将是有价值的。
2019-09-05 cs.CR cs.LG stat.ML
Exploring Vulnerabilities and Protections in Large Language Models: A Survey
Zscaler, Inc.(奇安信公司)
本综述系统考察了大型语言模型在提示词攻击和对抗性攻击两大领域的安全漏洞,探讨了各类威胁的原理与影响,并提出了相应的防御策略与稳健框架,为构建能抵御复杂攻击的弹性AI系统提供了重要参考。
2024-06-01 cs.CL cs.CR cs.LG
Attack-Graph Threat Modeling Assessment of Ambulatory Medical Devices
技术不断融入社会的各个方面,突出表明需要查明和了解吸收新技术的风险。当技术用于医疗目的时,如用于监测患者生命体征的移动设备,这种必要性就更高了。这种集成创造了有利于恶意活动的环境。潜在的影响给医学界带来了新的挑战。因此,本研究提出了攻击图建模作为一种可行的解决方案,以识别漏洞,评估风险,并形成缓解策略,以保护流动医疗设备免受攻击。在文献中确定了与移动设备(包括蓝牙传感器和Android应用程序)的各个方面相关的常见和频繁漏洞和攻击策略。基于此分析,本研究提出了一个攻击图建模的理论设备,突出的漏洞和缓解策略,以考虑在设计具有类似组件的移动设备时的例子。
2017-09-15 cs.CR
Uncovering CWE-CVE-CPE Relations with Threat Knowledge Graphs
本文提出了一种生成和优化威胁知识图谱的方法,聚合 CVE、CWE 和 CPE 数据库知识,用于预测产品、漏洞和弱点之间的关联,实验证明其能有效揭示未来才公开的未知关联。
2023-05-01 cs.CR
Using Retriever Augmented Large Language Models for Attack Graph Generation
University of California Irvine(加利福尼亚大学欧文分校);Cisco Research(思科研究院)
随着现代系统复杂性的增加,通过有效的漏洞管理和威胁建模技术评估其安全态势的重要性也在增加。网络安全专业人员武器库中的一个强大工具是攻击图,它代表了系统中所有潜在的攻击路径,对手可能会利用这些路径来实现特定目标。生成攻击图的传统方法涉及专家知识、手动管理和计算算法,由于漏洞和漏洞利用的不断演变的性质,这些方法可能无法覆盖整个威胁环境。本文探讨了利用大语言模型(LLM)(如ChatGPT)自动生成攻击图的方法,方法是根据攻击图的前提条件和影响智能地链接常见漏洞和暴露(CVE)。它还展示了如何利用LLM从威胁报告中创建攻击图。
2024-08-11 cs.CR cs.LG
Software Updates Strategies: a Quantitative Evaluation against Advanced Persistent Threats
软件更新减少了被利用的机会。然而,由于更新也可能引入破坏性的更改,因此企业面临着平衡使用更新保护软件的需求与支持操作的需求的问题。我们提出了一种方法来定量研究软件更新策略对高级持续性威胁(APT)攻击的有效性。我们考虑的策略,供应商的更新是唯一的限制因素的情况下,企业延迟更新1至7个月的基础上SANS数据。我们手动策划的APT攻击数据集涵盖了2008年至2020年的86种APT和350种活动。它包括有关攻击媒介、已利用漏洞(例如,0天与公共漏洞)以及受影响软件和版本的信息。与通常的看法相反,大多数APT活动都使用了公开的漏洞。如果一个企业理论上可以在更新发布后立即更新,那么它面临的被入侵的几率将低于等待一个月(4.9倍)或三个月(9.1倍)的企业。然而,如果受到攻击,它仍然有14%到33%的时间会受到损害。在实践中,企业必须在应用更新之前进行回归测试,我们的主要发现是,与更新所有版本的公司相比,可以执行所有可能更新的12%,仅限于修复公开已知漏洞的版本,而不会显着改变被泄露的几率。
2022-05-25 cs.CR
Open Source, Open Threats? Investigating Security Challenges in Open-Source Software
本文分析GitHub与Snyk.io中31,267份漏洞报告,揭示开源漏洞增长、生命周期延长及恶意软件包风险,并归纳主要CWE与生态系统差异。
2025-06-15 cs.CR
Beyond Vulnerabilities: A Survey of Adversarial Attacks as Both Threats and Defenses in Computer Vision Systems
本综述系统分析对抗性攻击在计算机视觉中的双重角色,涵盖像素、物理和潜在空间攻击,并探讨其在漏洞评估与防御中的建设性应用,指出研究空白与未来方向。
2025-08-03 cs.AI cs.CR cs.CV
Risk Assessment and Threat Modeling for safe autonomous driving technology
本文针对自动驾驶汽车各组件面临的网络安全威胁,采用OWASP Threat Dragon和STRIDE框架构建威胁模型,并通过系统性风险评估识别感知、规划、控制及通信接口中的脆弱性,为安全自动驾驶提供防护依据。
2025-05-04 cs.CR
A robust statistical framework for cyber-vulnerability prioritisation under partial information in threat intelligence
针对网络漏洞评估中的不确定性问题,提出基于中分位数回归的鲁棒统计框架,设计部分信息下的排序不变准确率指标,经模拟与真实数据验证,可为威胁情报决策提供支撑。
2024-06-13 cs.CR stat.AP stat.ME
Automated CVE Analysis for Threat Prioritization and Impact Prediction
Carnegie Mellon University(卡内基梅隆大学);University of North Carolina - Charlotte(北卡罗来纳大学夏洛特分校)
针对CVE分析中人工评估效率低、易出错的问题,提出CVEDrill模型,自动估计CVSS向量并分类至CWE层级,实现精准威胁缓解与优先级排序,超越现有工具。
2023-09-06 cs.CR cs.LG
Identifying and Mitigating Vulnerabilities in LLM-Integrated Applications
University of Washington(华盛顿大学);UIUC(伊利诺伊大学厄巴纳-香槟分校);Pennsylvania State University(宾夕法尼亚州立大学);University of Chicago(芝加哥大学)
本文研究LLM集成应用中的新型攻击面,识别查询-响应协议中来自恶意开发者或外部攻击者的漏洞,并基于完整性、来源识别、攻击可检测性和效用保持四个属性提出轻量级威胁无关防御机制。
2023-11-29 cs.AI cs.CR
Unleashing IoT Security: Assessing the Effectiveness of Best Practices in Protecting Against Threats
针对物联网安全最佳实践缺乏有效性评估标准的问题,提出将最佳实践转化为测试用例以评估其安全影响并排序的方法,经9款商用设备测试发现18个漏洞,可助力厂商优化安全投入优先级。
2023-08-23 cs.CR
A Risk Manager for Intrusion Tolerant Systems: Enhancing HAL 9000 with New Scoring and Data Sources
Department of Computer Science(计算机科学系);Faculty of Sciences of University of Porto(葡萄牙波尔图大学科学学院);Centre Advanced Computing Systems(先进计算系统中心);Institute for Systems and Computer Engineering, Technology and Science(系统与计算机工程、科技与科学研究所);UMBC(美国马里兰大学巴尔的摩县分校)
本文通过引入定制爬虫持续挖掘安全公告、研究论坛和实时漏洞利用概念验证等多样化威胁来源,扩展了入侵容忍系统风险管理器 HAL 9000 的情报基础,使其能更早检测和评估未验证漏洞,并验证了该集成显著提升了对新兴威胁的应对能力。
2025-08-18 cs.CR cs.LG
TinyML Security: Exploring Vulnerabilities in Resource-Constrained Machine Learning Systems
Harvard University(哈佛大学);University of Southern California(南加利福尼亚大学);Draper Laboratory(德雷珀实验室)
本文首次全面调查TinyML安全威胁,提出设备分类法并区分IoT、EdgeML和TinyML,列出攻击向量并评估威胁级别与防御措施,强调需为TinyML量身定制专门安全解决方案。
2024-11-11 cs.CR cs.LG
Securing Deep Learning Hardware: A Survey of Side-Channel Vulnerabilities and Countermeasures
School of Electrical and Computer Engineering, University of Tehran(德黑兰大学电气与计算机工程学院)
研究深度学习硬件侧信道漏洞与对策,先分类泄漏源和攻击者目标,分析相关攻击研究,再回顾现有防御措施,最后概述关键研究挑战与未来方向。
2026-07-07 cs.CR
The Inner Workings of Windows Security
本研究调查Windows操作系统漏洞,评估BitLocker、Defender和防火墙等安全功能的有效性,通过模拟威胁提出缓解策略,以增强系统安全性。
2023-12-23 cs.CR
Systematic Analysis of Security and Vulnerabilities in Miniapps
本文针对miniapp安全性问题,提出用户、服务器和攻击者三元威胁模型,基于最小权限原则设计分析框架,识别出9大类漏洞并评估了50,628个安全风险隐患。
2023-11-19 cs.CR
Leaky Frontends: Security Vulnerabilities in Processor Frontends
本文评估了现代英特尔处理器中的处理器前端所带来的新的安全威胁。安全威胁的根本原因是微操作可以采用的处理器前端的多个路径:通过微指令转换引擎(MITE),通过解码流缓冲区(DSB),也称为微操作缓存,或通过循环流检测器(LSD)。每条路径都有自己独特的时间和功率特征,这导致了本文中提出的侧信道和隐信道攻击。特别是,不同路径之间的切换会导致可观察到的时间或功率差异,正如这项工作所证明的那样,这些差异可能会被攻击者利用。由于硬件线程之间的前端共享组件的路径、切换和方式不同,两个单独的线程能够相互影响,并且定时或功率可以揭示另一个线程上的活动。安全威胁并不局限于多线程,这项工作进一步展示了在单线程设置中泄漏有关SGX安全区或新的域内Spectre变体的执行信息的新方法。最后,本文通过分析前端不同路径的行为,提出了一种新的处理器微码补丁指纹识别方法。这项工作的结果突出了与处理器前端相关的安全威胁,以及为现代处理器前端部署防御的必要性。
2022-01-01 cs.CR
Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective
本文从实践视角重新审视人脸识别系统脆弱性,提出注册阶段面部身份后门攻击 FIBA,通过投毒特征数据库使特定触发器成为通用绕过钥匙,突破了传统攻击在资源、特权和泛化性上的限制。
2024-06-08 cs.CR
MCPGuard : Automatically Detecting Vulnerabilities in MCP Servers
本文针对模型上下文协议MCP的安全漏洞问题,系统梳理三类威胁并调研现有防御策略,指出MCP安全是攻击面扩展至自然语言语义解释的新范式,需针对性构建防御机制。
2025-10-27 cs.AI cs.CR
Exploiting Vulnerabilities in Deep Neural Networks: Adversarial and Fault-Injection Attacks
Technische Universität Wien (TU Wien)(维也纳工业大学);New York University Abu Dhabi (NYUAD)(纽约大学阿布扎比分校)
从微小的起搏器芯片到飞机防撞系统,最先进的网络物理系统(CPS)越来越多地开始依赖深度神经网络(DNN)。然而,正如各种研究所得出的结论,DNN非常容易受到安全威胁,包括对抗攻击。在本文中,我们首先讨论了不同的漏洞,可以利用生成安全攻击的神经网络为基础的系统。然后,我们概述了DNN上现有的对抗性和基于故障注入的攻击。我们还进行了简短的分析,以强调实际实施对抗攻击时面临的不同挑战。最后,我们还讨论了开发健壮的基于DNN的系统的各种潜在方法,这些系统可以抵御对抗性攻击和故障注入攻击。
2021-05-05 cs.CR cs.LG
Vulnerabilities of Connectionist AI Applications: Evaluation and Defence
Federal Office for Information Security(德国联邦信息安全办公室)
本文讨论连接主义人工智能(AI)应用程序的IT安全性,重点关注对完整性的威胁,这是三个IT安全目标之一。例如,这种威胁与突出的AI计算机视觉应用最相关。为了对IT安全目标的完整性提出一个全面的看法,考虑了许多其他方面,如可解释性,鲁棒性和文档。通过审查最新技术文献,提供了威胁和可能缓解措施的全面列表。AI特定的漏洞,如对抗攻击和中毒攻击,以及它们的AI特定的根本原因进行了详细讨论。此外,与以前的审查相比,整个人工智能供应链都在脆弱性方面进行了分析,包括规划,数据采集,培训,评估和运营阶段。缓解措施的讨论同样不限于人工智能系统本身的水平,而是主张在其供应链及其在大型IT基础设施和硬件设备中的嵌入的背景下看待人工智能系统。基于这一点,以及自适应攻击者可能会绕过迄今为止任何单一的AI特定防御措施的观察,本文得出结论,单一的保护措施是不够的,而是必须结合不同级别的多种措施,以实现AI应用程序的最低IT安全级别。
2020-03-18 cs.AI cs.CR cs.LG
ThreatLinker: An NLP-based Methodology to Automatically Estimate CVE Relevance for CAPEC Attack Patterns
Sapienza University of Rome(罗马第一大学)
ThreatLinker通过NLP技术自动估计CVE与CAPEC攻击模式的相关性,提升了威胁分析的效率和准确性。
2026-01-12 cs.CR
ORCA - An Automated Threat Analysis Pipeline for O-RAN Continuous Development
University of Passau(帕绍大学);University of Padova(帕多瓦大学);Institute for the Wireless Internet of Things, Northeastern University(东北大学无线互联网研究所)
ORCA提出一种自动化流水线,利用NLP技术实现O-RAN持续发展中的威胁分析,提升安全评估的效率和准确性。
2026-01-20 cs.CR
Vulnerabilities and Attacks Against Industrial Control Systems and Critical Infrastructures
本文全面综述了针对工业控制系统和关键基础设施的主要威胁、通信协议漏洞及攻击手段,揭示了商品化工具增多和OT协议设计缺陷导致威胁持续升级,并首次对相关威胁与漏洞进行了系统分类。
2021-09-10 cs.CR
Cyberscurity Threats and Defense Mechanisms in IoT network
本文提出了一种新的五层物联网模型,利用人工智能、区块链和零信任架构等先进方法,应对物联网网络中的安全威胁,同时探讨量子计算和6G网络对未来研究的贡献。
2026-01-02 cs.CR cs.SY eess.SY
Inferring Discussion Topics about Exploitation of Vulnerabilities from Underground Hacking Forums
Federal University of Rio de Janeiro (UFRJ)(里约热内卢联邦大学(UFRJ))
本文提出利用 LDA 主题建模分析多个地下黑客论坛的大规模帖子数据,以自动识别和分类漏洞、利用技术及潜在威胁行为者相关讨论。
2024-05-07 cs.AI cs.CR cs.CY
Cyber-Physical Security Vulnerabilities Identification and Classification in Smart Manufacturing -- A Defense-in-Depth Driven Framework and Taxonomy
本文针对智能制造中传统漏洞定义忽视物理与人员维度的问题,提出基于漏洞与防御二元性的制造专用纵深防御模型,并据此建立首个智能制造网络物理漏洞分类法,为系统与过程层面的漏洞治理提供结构化框架。
2025-06-04 cs.CR
Image Encryption using fractional integral transforms: Vulnerabilities, threats and future scope
随着数字媒体在从教育到娱乐的几乎每一个领域的大量使用,敏感信息的安全性一直是人们关注的问题。由于图像是最常用的信息传递手段,因此在每个应用领域都需要解决与隐私保护相关的问题。研究人员不时提出各种安全方法。本文综述了基于分数阶积分变换的各种图像加密方案。随着分数积分变换在几十年中从光信号处理到数字信号和数字图像处理的应用发展。在这篇文章中,我们采用了一个架构和相应的基于域的分类法来分类各种现有的计划在文献中。这些方案根据实现平台进行分类,该实现平台可以是包括空间调制器、透镜和电荷耦合器件的光学设置,或者它可以是这种变换的数学建模。各种计划按各自采用的方法分类,并以表格形式进行比较分析。基于这些观察,本文总结了各种挑战,并为今后的工作提供了一些建设性的指导。这样的叙述性审查的加密算法的基础上的各种架构原理图的分数积分变换还没有提出之前在一个地方。
2022-10-04 cs.CR