Find Before You Fine-Tune: A Diagnostic Study of Small LLMs for Cybersecurity QA
The University of Alabama（阿拉巴马大学）；Meharry Medical College（梅哈里医学院）；Mississippi State University（密西西比州立大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
针对网络安全问答选择小型语言模型难的问题，提出FiT诊断框架，从三方面刻画模型。通过对五个模型在两种微调模式下研究发现微调利弊因模式而异，预微调FiT分数可预测变化，能筛选模型、避免不必要微调，支持安全部署。
2026-07-22 cs.AI cs.CL cs.CR
SentinelSphere: Integrating AI-Powered Real-Time Threat Detection with Cybersecurity Awareness Training
Institute of Communications and Computer Systems (ICCS), National Technical University of Athens（雅典国家技术大学通信与计算机系统研究所）；National Technical University of Athens（雅典国家技术大学）；DASKALOS-APPS
SentinelSphere结合AI实时威胁检测与LLM驱动的网络安全培训，通过增强DNN和量化Phi-4模型提升检测准确性和教育效果，解决网络安全人才短缺与人为弱点问题。
2026-04-08 cs.AI cs.CE cs.CR
Artificial Intelligence as the New Hacker: Developing Agents for Offensive Security
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）
本文提出自主攻击性安全智能体 ReaperAI，结合 GPT-4、RAG、任务驱动渗透测试框架与高级提示，在 Hack The Box 等平台验证漏洞利用能力，并讨论伦理与运营挑战。
2024-05-09 cs.AI cs.CR
Generative AI in EU Law: Liability, Privacy, Intellectual Property, and Cybersecurity
University of Bologna（博洛尼亚大学）；European University Viadrina（欧洲维阿德丽娜大学）；Yale University（耶鲁大学）
本文探讨欧盟法律对生成式AI及大型语言模型在责任、隐私、知识产权和网络安全方面的监管挑战，评估现有立法如《人工智能法案》草案的充分性，并提出改进建议以保障安全合规部署。
2024-03-15 cs.AI cs.CY
Large Language Models (LLMs) and Generative AI in Cybersecurity and Privacy: A Survey of Dual-Use Risks, AI-Generated Malware, Explainability, and Defensive Strategies
Virelya Intelligence Research Labs（Virelya智能研究实验室）；Google（谷歌）
综述大型语言模型和生成式人工智能在网络安全中的应用，涵盖两用风险等多方面。通过回顾众多资料及实际案例研究，给出负责任部署建议与安全路线图，为应对人工智能驱动的网络安全挑战提供关键参考。
2026-07-09 cs.AI cs.CL cs.CR
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
ACSE-Eval: Can LLMs threat model real-world cloud infrastructure?
本文提出ACSE-Eval数据集，含100个生产级AWS场景，用于评估大语言模型的云威胁建模能力，发现GPT 4.1和Gemini 2.5 Pro表现最佳，并开源数据集与评估方法。
2025-05-24 cs.AI cs.CR
XAI for Cybersecurity: State of the Art, Challenges, Open Issues and Future Directions
Brandon University（布兰登大学）；Pandit Deendayal Energy University（潘迪特·丁达亚尔能源大学）；Vellore Institute of Technology（韦洛尔理工学院）；Symbiosis International Deemed University（共生国际被视为大学）；The Open University（开放大学）
在过去的几年里，人工智能（AI）技术已经在人类生活的几乎所有垂直领域中实现。然而，人工智能模型产生的结果往往滞后于可解释性。人工智能模型通常表现为一个黑盒子，开发人员无法解释或追溯特定决策背后的推理。可解释人工智能（XAI）是一个快速发展的研究领域，它有助于提取信息，并以最佳透明度可视化生成的结果。本研究对XAI在网络安全中的使用进行了广泛的审查。网络安全可以保护系统、网络和程序免受不同类型的攻击。XAI的使用在预测此类攻击方面具有巨大的潜力。本文简要概述了网络安全和各种形式的攻击。然后讨论了传统AI技术的使用及其相关挑战，这为XAI在各种应用中的使用打开了大门。还介绍了各种研究项目和行业的XAI实现。最后，从这些应用程序中吸取的教训，强调作为未来的研究范围的指导。
2022-06-03 cs.AI cs.CR
Supporting Artifact Evaluation with LLMs: A Study with Published Security Research Papers
本文研究利用大语言模型提升人工验证效率，通过文本复现评分、自动沙箱环境准备和方法缺陷评估，提高复现准确率和执行环境设置率，推动安全领域研究的可持续性。
2026-03-06 cs.AI cs.CL cs.CR
LLM Agent Honeypot: Monitoring AI Hacking Agents in the Wild
针对LLM智能体驱动攻击的网络安全威胁，提出LLM Agent Honeypot系统，通过增强SSH蜜罐结合提示注入与时间分析技术区分攻击者中的LLM智能体，经三月部署收集813万余次攻击尝试并发现8个潜在AI智能体，揭示AI恶意威胁的出现与使用现状。
2025-02-10 cs.AI cs.CR
LLM Honeypot: Leveraging Large Language Models as Advanced Interactive Honeypot Systems
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）
本文提出利用大型语言模型构建交互式蜜罐系统，通过微调开源模型实现与攻击者的复杂交互，经评估验证其有效生成准确响应，为网络安全提供强大工具。
2024-09-15 cs.AI cs.CL cs.CR
The Role of Machine Learning in Cybersecurity
University of Liechtenstein（列支敦士登大学）；Montimage（蒙蒂马奇公司）；S2 Grupo（S2集团）；ENISA（欧洲网络与信息安全局）
机器学习（ML）代表了当前和未来信息系统的关键技术，许多领域已经利用了ML的功能。然而，ML在网络安全中的部署仍处于早期阶段，这表明研究与实践之间存在显著差异。这种差异的根本原因在于当前的最新技术水平，无法确定ML在网络安全中的作用。ML的全部潜力永远不会被释放，除非它的优点和缺点被广泛的受众所理解。本文是第一次尝试提供ML在整个网络安全领域中的作用的整体理解-任何对该主题感兴趣的潜在读者。我们强调了ML在人为驱动的检测方法方面的优势，以及ML在网络安全中可以解决的其他任务。此外，我们还阐明了影响网络安全中实际ML部署的各种内在问题。最后，我们介绍了各个利益相关者如何为ML在网络安全中的未来发展做出贡献，这对于该领域的进一步发展至关重要。我们的贡献与两个真实的案例研究相补充，描述了ML作为网络威胁防御的工业应用。
2022-06-20 cs.CR cs.LG
LISAA: A Framework for Large Language Model Information Security Awareness Assessment
Computer and Information Science Ben-Gurion University of the Negev（计算机与信息科学贝纳尔·戈里翁大学）
本文提出LISAA框架，用于评估大型语言模型的信息安全意识，通过100个真实场景测试其安全知识、态度和行为，揭示当前模型在信息安全方面的普遍漏洞。
2026-03-19 cs.AI cs.CR cs.LG
Running in CIRCLE? A Simple Benchmark for LLM Code Interpreter Security
Government Technology Agency, Singapore（新加坡政府科技局）
本文提出 CIRCLE 基准与自动化执行评估框架，通过 1,260 条资源耗尽提示测试 7 个商用 LLM 的代码解释器安全性，揭示模型防御薄弱且不一致。
2025-07-25 cs.AI cs.CR
AQUA-LLM: Evaluating Accuracy, Quantization, and Adversarial Robustness Trade-offs in LLMs for Cybersecurity Question Answering
本文提出AQUA-LLM评估框架，通过基础、仅量化、微调及微调结合量化四种配置测试小型LLM在网络安全问答中的表现，发现微调结合量化能实现准确性、鲁棒性和效率的最佳平衡。
2025-09-16 cs.CR
LLM Agents can Autonomously Hack Websites
UIUC（伊利诺伊大学厄巴纳-香槟分校）
研究揭示LLM智能体可自主攻击网站，GPT-4无需人类反馈即可执行盲注数据库模式提取和SQL注入等复杂任务，并能发现野外漏洞，引发对LLM广泛部署的担忧。
2024-02-16 cs.AI cs.CR
Cognitive Cybersecurity for Artificial Intelligence: Guardrail Engineering with CCS-7
Independent Researcher（独立研究者）
针对语言模型规避传统对齐的认知漏洞，提出CCS-7分类法，通过12,180次实验发现TFVA护栏的防护效果高度依赖模型架构，强调部署前需进行架构感知测试。
2025-08-09 cs.AI cs.CR
CIA+TA Risk Assessment for AI Reasoning Vulnerabilities
Independent Researcher（独立研究者）
本文提出认知网络安全框架及 CIA+TA 扩展模型，结合定量风险评估方法，揭示 AI 推理漏洞对架构的高度依赖性，并主张将认知渗透测试作为可信 AI 部署的治理要求。
2025-08-19 cs.AI cs.CR
Beyond Refusal: A Same-Lineage Study of Aligned and Abliterated LLMs for Vulnerability Analysis
研究大语言模型辅助软件安全中，同谱系模型的安全状态（对齐或消除拒绝）对软件安全工作流程防御效用的影响，通过比较不同模型在多方面的表现，发现评估应综合考量模型响应、响应正确性及输出在工程流程中的可操作性。
2026-07-08 cs.AI cs.CR cs.SE
Proceedings - AI/ML for Cybersecurity: Challenges, Solutions, and Novel Ideas at SIAM Data Mining 2021
Laboratory for Advanced Cybersecurity Research（高级网络安全研究实验室）；Massachusetts Institute of Technology（麻省理工学院）；Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室）
恶意网络活动无处不在，其有害影响对社会产生巨大且往往不可逆转的影响。鉴于网络安全专业人员的短缺，不断发展的对手，可能包含攻击证据的大量数据，以及必须采取防御行动的速度，必须继续扩大能够实现网络安全自主性的创新，以摆脱被动防御态势，走向更主动的防御态势。这一领域的挑战与在其他领域（如计算机视觉）应用人工智能的挑战截然不同。环境遭受了令人难以置信的高度不确定性，这是由于难以获取所有可用数据，以及恶意行为者操纵数据的可能性。这一领域的另一个独特挑战是，对手的活力导致妥协指标经常变化，而且没有警告。尽管存在这些挑战，但机器学习已被应用于这一领域，并在检测领域取得了一些成功。虽然这方面的问题远未解决，但越来越多的商业部门正在提供ML增强的功能即服务。这些实体中的许多实体还提供促进这些自动化解决方案的部署的平台。该领域的学术研究正在增长，并继续影响当前的解决方案，以及加强基础知识，这将使该领域的自主智能体成为可能。
2021-06-01 cs.AI cs.CR
Securing the AI Frontier: Urgent Ethical and Regulatory Imperatives for AI-Driven Cybersecurity
Capitol Technology University（卡皮托尔科技大学）
本文审视AI在网络安全中的伦理与监管挑战，提出全球协调的监管框架，以平衡创新与风险，确保AI技术的负责任部署。
2025-01-15 cs.AI cs.CR cs.CY
Insights from Nature for Cybersecurity
过去几年恶意软件数量的惊人增长对安全界构成了严重挑战，需要紧急应对。然而，目前的对策似乎不再有效。因此，我们认为，现在是研究人员和安全专家转向自然，为防御系统寻找新灵感的时候了。大自然为物种提供了一整套进攻和防御技术，这些技术在数十亿年的进化过程中不断发展和改进。极其多样化的生活条件促使所设计的生物安全解决方案有很大的差异。在本文中，我们介绍了一种新的保护框架，在其中遇到的进攻和防御手段的共同的解决方案提出和介绍。生物启发的解决方案在网络安全的背景下进行了讨论，其中一些原则已经被采纳。整个基于自然的框架的部署应该有助于现代网络防御系统的设计和改进过程。
2015-01-18 cs.CR
Neuro-Symbolic AI for Cybersecurity: State of the Art, Challenges, and Opportunities
Department of Information Systems, University of Maryland, Baltimore County（信息系统系，马里兰大学巴尔的摩分校）；Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）；Department of Computer Science, University of Colorado Boulder（计算机科学系，科罗拉多大学博尔德分校）；Laboratory for Cybersecurity Dynamics, Department of Computer Science, University of Colorado Colorado Springs（网络安全动力实验室，科罗拉多大学科罗拉多斯普林斯分校）
本文综述了神经符号AI在网络安全中的应用，分析了103篇文献，指出多智能体和结构化集成架构在复杂场景中表现更优，因果推理能提升防御能力，知识引导学习提高效率和可解释性，但评估标准化和人机协作仍是挑战。
2026-04-15 cs.AI cs.CR
The Digital Cybersecurity Expert: How Far Have We Come?
针对网络安全领域LLM评估忽视知识缺口的问题，本文开发细粒度评估框架CSEBenchmark，评估12个流行LLM并发现其知识缺口，通过弥补缺口提升性能，还揭示不同模型与网络安全角色的匹配性。
2025-04-16 cs.CR
What is Cybersecurity in Space?
该研究针对太空关键设施缺乏现代网络威胁抵御能力的问题，梳理11项研究空白，提出多智能体AI防御方法，并给出五年路线图，推动太空网络安全向主动弹性防御转型。
2025-09-05 cs.CR
Critical Infrastructure Cybersecurity Challenges: IoT In Perspective
物联网（IoT）是一个逐渐弥合对象可见性和远程可访问性之间差距的技术平台。该应用程序的快速部署可以显著改变健康，住房和电力（配电和发电）部门等，它大大改变了电力部门的运营，服务优化，配电，资产管理，并帮助客户降低能耗。尽管它的社会机会和它所带来的好处，发电部门是困扰与关键基础设施的许多安全挑战。本文讨论了物联网在发电和关键基础设施方面带来的安全挑战。为了实现这一目标，作者从实证文献的角度介绍了各种物联网应用，特别是在网格基础设施上。最后，作者讨论了该行业的各个实体如何克服这些安全挑战，以确保未来物联网在电力关键基础设施价值链上的示范性实施。
2022-02-02 cs.CR
AI Potentiality and Awareness: A Position Paper from the Perspective of Human-AI Teaming in Cybersecurity
Cyber Security Cooperative Research Centre（网络安全合作研究中心）；Data61, CSIRO（联邦科学与工业研究组织数据61所）；Security Research Institute, Edith Cowan University（伊迪丝·考恩大学安全研究院）；Prince Mohammad Bin Fahd University（穆罕默德·本·法赫德王子大学）；Cyberstronomy Pty Ltd（Cyberstronomy私人有限公司）
本文探讨了网络安全中AI的潜能与风险，主张通过结合AI计算能力与人类专家知识的人机协同方法，在提升漏洞发现与异常检测速度的同时确保责任与信任，从而改善整体网络防御。
2023-09-28 cs.AI cs.CR cs.LG
An AI-Driven VM Threat Prediction Model for Multi-Risks Analysis-Based Cloud Cybersecurity
针对云虚拟化中VM面临的多类安全风险，本文提出MR-TPM，通过量化配置、管理及用户行为风险并利用机器学习分类器预测威胁，实验表明其可将安全威胁降低88.9%。
2023-08-18 cs.CR cs.DC
Towards Resilient Intrusion Detection in CubeSats: Challenges, TinyML Solutions, and Future Directions
Ontario Tech University（安大略理工大学）
本文探讨立方星的网络安全挑战，提出TinyML在资源受限环境下的入侵检测解决方案，并展望未来研究方向，包括网络安全与健康监测系统的整合及跨领域合作。
2026-04-07 cs.AI cs.CR cs.GL
Artificial intelligence and cybersecurity in banking sector: opportunities and risks
本文探讨AI/ML在银行业提升效率、欺诈检测和客户服务自动化的机遇，以及对抗攻击和恶意使用带来的网络安全风险，强调构建安全、可信、稳健模型与防御框架。
2024-11-28 cs.CR
Review of Generative AI Methods in Cybersecurity
本文综述了生成式人工智能在网络安全中的最新应用，涵盖攻击与防御，并建议未来研究聚焦伦理规范和防御机制。
2024-03-19 cs.CR
SecureCAI: Injection-Resilient LLM Assistants for Cybersecurity Operations
Computer Science Department, Cybersecurity and Artificial Intelligence Division（计算机科学系、网络安全与人工智能 division）
SecureCAI通过引入安全意识护栏和偏好优化，有效提升网络安全操作中对抗攻击的防御能力。
2026-01-12 cs.CR cs.CV
CTF as a Service: A reproducible and scalable infrastructure for cybersecurity training
Universidad Pública de Navarra（纳瓦拉公立大学）
本文提出CTF as a Service平台，利用虚拟化和IaC工具实现自动化部署和可扩展的网络安全培训。
2026-04-13 cs.CR
A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection
本文综述了异构图神经网络在网络安全异常检测中的应用，分析了不同类型异常和图动态的分类方法，评估了常用数据集和指标，并指出了建模、数据和部署中的关键挑战。
2026-06-08 cs.CR cs.LG
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
Pandora: A Cyber Range Environment for the Safe Testing and Deployment of Autonomous Cyber Attack Tools
The University of Queensland（昆士兰大学）
网络安全工具越来越自动化，具有人工智能（AI）功能，以匹配攻击的指数规模，弥补培训新网络安全人才的相对较慢的速度，并提高工具和用户的准确性和性能。然而，自主网络攻击工具的安全和适当使用-特别是在这些工具的开发阶段-在很大程度上仍然是一个未解决的差距。我们对当前文献和工具的调查表明，大多数现有的网络靶场设计大多使用手动工具，没有考虑增强自动化工具或工具引起的潜在安全问题。换句话说，仍然有空间进行新的网络范围设计，允许安全研究人员安全地部署自主工具，并在需要时执行自动化工具测试。在本文中，我们介绍了潘多拉，一个安全的测试环境，允许安全研究人员和网络范围的用户进行实验的自动化网络攻击工具，可能有很强的使用潜力，并在同一时间，一个强大的潜在风险。与现有的测试平台和网络范围不同，这些测试平台和网络范围与企业计算机系统直接兼容，并有可能在企业网上传播风险，我们的测试系统被故意设计为与企业现实世界的计算系统不兼容，以降低攻击传播到实际基础设施中的风险。我们的设计还提供了一个工具，可以将开发中的自动化网络攻击工具转换为可执行的测试二进制文件，以便在需要时验证和使用真实的企业系统环境。我们的实验测试了我们提出的系统上的自动化攻击工具，以验证我们提出的环境的可用性。我们的实验也证明了我们的环境的安全性，通过使用简单的恶意代码的兼容性测试。
2020-09-24 cs.AI cs.CR cs.SE
Cybersecurity in Robotics: Challenges, Quantitative Modeling, and Practice
New York University（纽约大学）；Universität Klagenfurt（克拉根福大学）；Joanneum Research（乔安诺姆研究公司）；Alias Robotics（Alias Robotics公司）
机器人技术正变得越来越普遍，但将系统推向市场的压力有时会以在开发、部署或生产过程中忽视安全机制为代价。因此，当代机器人系统容易受到各种攻击模式的影响，并且如果不是完全不可能的话，事后加固至少是具有挑战性的。本书旨在规定从最早的设计阶段开始就将安全性纳入机器人技术，并特别关注成本效益权衡，否则可能会阻碍经济实惠系统的快速发展。我们提倡安全管理和设计的定量方法，涵盖为机器人系统量身定制的漏洞评分系统，并考虑到机器人作为潜在的非常多的组件的相互作用的高度分布式性质。博弈论为基于模型的安全提供了一种强大的定量方法，提供了丰富的技术来优化针对各种攻击的安全性。这种对安全的多视角观点对于解决机器人系统的异质性和复杂性是必要的。这本书的目的是作为一个容易接近的初学者的理论家和从业人员在该领域的工作。
2021-09-10 cs.CR cs.RO
SCORPION Cyber Range: Fully Customizable Cyberexercises, Gamification, and Learning Analytics to Train Cybersecurity Competencies
针对网络安全培训需求，本文提出功能完备的SCORPION虚拟化网络靶场，具备场景定制部署、游戏化自适应学习、多维度学习分析功能，经案例验证可用性与实用性表现优异，可填补相关培训工具缺口。
2024-12-10 cs.CR cs.CY
The Security Cost of Intelligence: AI Capability, Cyber Risk, and Deployment Paradox
Massry School of Business, University at Albany, SUNY（阿尔巴尼大学马斯里商学院）；MIT FutureTech（麻省理工学院未来科技）
本文研究了企业在部署高能力AI系统时面临的治理与能力脱节问题，揭示了在高损失环境下，更强的AI能力可能导致部署减少，且治理成熟度不仅限制AI采纳，还影响能力提升转化为生产力部署的条件。
2026-04-24 cs.AI cs.CR econ.GN
Can Risk-Based Alerting Mitigate Cybersecurity Alert Fatigue?
Fraunhofer FKIE（弗劳恩霍夫FKIE研究所）；RWTH Aachen University（亚琛工业大学）
本文首次系统性评估基于风险的告警（RBA），将其重构为连续型告警优先级排序问题，通过8种数据集实验发现特定假设组合的RBA性能优于按告警严重程度排序的方法，可缓解网络安全告警疲劳。
2026-09-03 cs.CR
A Bi-Level Stochastic Game Model for PMU Placement in Power Grid with Cybersecurity Risks
本文针对存在数据完整性攻击风险的电网PMU布点问题，提出一种双层随机非合作博弈模型，在IEEE-9节点系统中实现降低9%部署成本的同时保持网络可观测性。
2023-04-15 cs.CR cs.SY eess.SY
Large Language Models as a (Bad) Security Norm in the Context of Regulation and Compliance
Durham University（杜伦大学）；University of Strathclyde（思克莱德大学）
本文探讨了大语言模型在网络安全和合规领域中的潜在风险，指出其固有弱点可能违反安全规范和法律义务，并提出通过替代方案和限制使用来缓解问题。
2025-12-18 cs.CR cs.CY
Deployment Challenges of Industrial Intrusion Detection Systems
本文通过实证多种IIDS与数据集，指出真实部署中监督模型依赖大量恶意训练数据、仅用良性数据的模型又难调超参数两大关键挑战。
2024-03-04 cs.CR
CSTS: A Canonical Security Telemetry Substrate for AI-Native Cyber Detection
本文提出CSTS，一种通用安全遥测基础结构，旨在通过统一异构网络安全数据表示，提升AI原生网络安全检测的可重用性和可扩展性。
2026-04-06 cs.CR cs.LG
Automating Function-Level TARA for Automotive Full-Lifecycle Security
本文提出DefenseWeaver系统，利用大语言模型和多智能体框架自动化汽车功能级TARA，动态生成攻击树，经四个项目验证识别11条关键路径，并跨领域适用，显著提升效率。
2025-04-25 cs.CR
CyberLLM-FINDS 2025: Instruction-Tuned Fine-tuning of Domain-Specific LLMs with Retrieval-Augmented Generation and Graph Integration for MITRE Evaluation
Grambling State University（格兰布林州立大学）；Florida International University（佛罗里达国际大学）
本文提出了一种基于检索增强生成和图集成的领域特定LLM微调方法，通过STIX威胁情报实现与MITRE ATT&CK技术的对齐，提升网络安全威胁情报分析的准确性。
2026-01-11 cs.CR
A Method for Quantifying Human Risk and a Blueprint for LLM Integration
本文提出网络安全心理学框架（CPF），通过结合心理学结构与安全遥测数据量化人为漏洞，并设计了基于RAG和微调的轻量级LLM架构，在概念验证中于合成数据上达到0.92的F1分数，为真实数据的实证验证奠定基础。
2025-09-29 cs.CR
Automated Classification of Cybercrime Complaints using Transformer-based Language Models for Hinglish Texts
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；C3ihub, IIT Kanpur（印度理工学院坎普尔分校C3ihub）
针对多语言网络犯罪投诉分类难题，提出利用HingBERT和HingRoBERTa处理Hinglish语码混合文本的自动分类框架，结合GenAI数据增强与隐私预处理，实现74.41%准确率，并开发了可部署的即用型工具。
2024-12-21 cs.AI cs.CR cs.LG
HIDBench: Benchmarking Large Language Models for Host-Based Intrusion Detection
University of California, Irvine（加州大学洛杉矶分校）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出HIDBench基准测试，用于评估大型语言模型在支持基于主机的入侵检测系统（HIDS）中的能力，揭示了LLM在复杂系统日志数据中的性能差异和敏感性。
2026-05-20 cs.CR cs.LG
Unelicitable Backdoors in Language Models via Cryptographic Transformer Circuits
Contramont Research（康特拉蒙特研究院）；IMCS UL（拉脱维亚大学数学与计算机科学学院（IMCS UL））；Cavendish Labs（卡文迪什实验室）；University of California, Berkeley（加利福尼亚大学伯克利分校）；University of Oxford（牛津大学）；Palisade Research（帕利塞德研究院）
本文提出一种基于密码学技术的不可触发后门，使防御者无法在部署前触发或评估，且能抵御现有缓解策略，质疑了部署前检测的有效性。
2025-02-01 cs.CR cs.LG
