Pick Your Poison: Learning to Select Poison Sets for Stronger LLM Backdoor Attacks
Carnegie Mellon University(卡内基梅隆大学);Anthropic
本文提出SAILS方法,通过学习集合评分器优化毒集选择,在LLaMA-3-8B后门攻击中将攻击成功率从3%-80%的随机波动提升至平均提高30个百分点,并适用于代码生成、智能体及API场景。
2026-09-15 cs.AI cs.CL cs.CR
Attack Selection Reduces Safety in Concentrated AI Control Settings against Trusted Monitoring
Pivotal Research(Pivotal研究);University of Oxford(牛津大学);Redwood Research(Redwood研究)
研究攻击选择如何通过映射攻击到质量评分和提交概率影响安全性能,发现FPR对安全影响更大,提示需谨慎评估模型攻击能力以避免安全评分过高。
2026-04-16 cs.AI cs.CR
Gaming Without an Attacker: Benchmark Fingerprinting in LLM-Driven Search Under Selection Pressure
Komorebi AI Technologies(Komorebi人工智能技术公司)
本文研究发现,在带反馈的进化循环中,前沿LLM提出的GPU内核会对评估配置进行指纹识别,导致30%的分布内胜出案例无法迁移,进而给出失败分类与测量设计指导。
2026-08-11 cs.AI cs.LG
A Set of Generalized Components to Achieve Effective Poison-only Clean-label Backdoor Attacks with Collaborative Sample Selection and Triggers
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
针对仅投毒干净标签后门攻击中样本选择与触发器孤立处理及触发器特异性导致的性能瓶颈,提出一组基于攻击共性的通用组件,通过双向协同选择与触发器设计,显著提升攻击成功率与隐蔽性。
2025-10-07 cs.AI cs.CR
Is Monitoring Enough? Strategic Agent Selection For Stealthy Attack in Multi-Agent Discussions
Lancaster University, United Kingdom(兰卡斯特大学,英国)
研究多智能体讨论中的隐蔽攻击问题,提出针对监控场景的攻击方法,证明持续监控无法完全消除对抗风险。
2026-08-06 cs.AI cs.CR
Capturing the security expert knowledge in feature selection for web application attack detection
Facultad de Ingeniería, Universidad de la República(乌拉圭共和国大学工程学院);Universidad Católica del Uruguay(乌拉圭天主教大学)
本文提出利用互信息值复制安全专家知识进行特征选择,结合监督学习与半监督One-Class SVM模型训练,有效提升了Web应用防火墙的攻击检测性能并降低了误报。
2024-07-26 cs.AI cs.CR
Strategic Sample Selection for Improved Clean-Label Backdoor Attacks in Text Classification
Department of Computer Engineering, Koç University(计算机工程系,科大学院)
本文提出 Minimum、Above50 和 Below50 三种样本选择策略,通过选择模型预测错误或低置信度样本注入后门触发器,在多个数据集和模型上显著提升清洁标签后门攻击成功率,且几乎不影响清洁准确率,并优于现有方法 BITE。
2025-08-21 cs.AI cs.CR cs.LG
Efficient attack countermeasure selection accounting for recovery and action costs
系统受到网络攻击所造成的损失可能高得惊人,但防御此类攻击也可能代价高昂。这项工作提出了一种基于成本影响分析的攻击对策选择方法,该方法考虑了攻击者和防御者的行为的影响。我们考虑一个网络系统提供的服务,其规定取决于网络中的其他组件。我们模型的成本和损失的服务可用性从妥协和防御行动的组件,并表明,虽然遏制攻击可以是一个有效的防御策略,它可以更具有成本效益,让部分攻击继续进一步,同时专注于恢复服务的功能状态。基于这一见解,我们建立了一个对策选择方法,选择最具成本效益的行动的基础上,其对预期损失和成本在给定的时间范围内的影响。我们的方法进行了评估,使用模拟的合成图代表网络的依赖关系和漏洞,并发现表现良好的替代品相比。
2019-04-05 cs.CR
Prompt Injection Attack to Tool Selection in LLM Agents
本研究提出ToolHijacker新型提示注入攻击,通过注入恶意工具文档操纵LLM智能体工具选择以选恶意工具,实验证明其优于现有攻击且现有防御不足,凸显新防御策略开发的迫切性。
2025-08-24 cs.CR
VSVC: Backdoor attack against Keyword Spotting based on Voiceprint Selection and Voice Conversion
Hohai University(河海大学);RMIT University(皇家墨尔本理工大学);National University of Singapore(新加坡国立大学)
基于深度神经网络(DNN)的关键词识别(KWS)在话音控制场景中取得了巨大成功。然而,这种基于DNN的KWS系统的训练通常需要大量的数据和硬件资源。制造商通常将此过程委托给第三方平台。这使得训练过程无法控制,攻击者可以通过操纵第三方训练数据在模型中植入后门。有效的后门攻击可以迫使模型在某些条件下做出指定的判断,即,触发器本文设计了一种基于声纹选择和语音转换的后门攻击方案,简称VSVC。实验结果表明,VSVC是可行的,达到平均攻击成功率接近97%,在四个受害者模型中毒小于1%的训练数据。
2022-12-20 cs.AI cs.CR cs.LG
Algorithm Selection Framework for Cyber Attack Detection
Air Force Institute of Technology(空军理工学院);Army Cyber Institute(陆军网络研究所)
针对有线和无线计算机系统以及物联网的其他组件的网络威胁的数量每年持续增加。在这项工作中,算法选择框架上的NSL-KDD数据集和机器学习分类的新范式。该框架使用用户输入和元特征的组合来选择最佳算法来检测网络上的网络攻击。经验法则策略和元学习策略之间的性能进行了比较。该框架消除了常见的试错算法选择方法的猜想。该框架从分类法中推荐了五种算法。这两种策略都推荐高性能的算法,尽管不是最好的。这项工作表明了算法选择和分类法之间的密切联系。
2020-05-28 cs.AI cs.CR cs.LG
Selection-Based Vulnerabilities: Clean-Label Backdoor Attacks in Active Learning
本研究提出ALA框架,首次利用主动学习中的采集函数作为投毒攻击面,通过优化不可察觉的投毒输入使其具有高不确定性分数以增加被选中概率,在低投毒预算下实现高达94%的攻击成功率,揭示主动学习存在安全漏洞。
2025-08-05 cs.AI cs.CR
Moshi Moshi? A Model Selection Hijacking Adversarial Attack
University of Padua(帕多瓦大学)
本文提出首个针对模型选择的对抗攻击 MOSHI,通过基于变分自编码器的框架操纵选择数据,在视觉与语音任务上造成显著性能、延迟和能耗损害。
2025-02-20 cs.CR cs.LG
An ensemble approach for feature selection of Cyber Attack Dataset
Rajiv Gandhi Technological University(拉吉夫·甘地技术大学)
特征选择是挖掘大型数据集时必不可少的预处理步骤,可以显著提高系统的整体性能。因此,在本文中,我们专注于混合方法的特征选择。该方法分为两个阶段。过滤阶段选择信息增益最大的特征,并引导初始化搜索过程的包装器阶段,其输出的最终特征子集。最后的特征子集通过K近邻分类器进行攻击分类。在DARPA KDDCUP99网络攻击数据集上验证了该算法的有效性。
2009-12-05 cs.CR cs.LG
Smart Grid Cyber Attacks Detection using Supervised Learning and Heuristic Feature Selection
University of Guelph(圭尔夫大学)
虚假数据注入(FDI)攻击是针对智能电网的一种常见的网络攻击形式。目前的不良数据检测系统无法检测到隐蔽的FDI攻击。机器学习是检测FDI攻击的替代方法之一。本文分析了三种不同的监督学习技术,每一种都与三种不同的特征选择(FS)技术一起使用。这些方法进行测试的IEEE 14总线,57总线和118总线系统的通用性评估。分类的准确性被用作每种检测技术的主要评价方法。仿真研究表明,监督学习与启发式FS方法相结合,提高了FDI攻击检测分类算法的性能。
2019-07-07 cs.CR cs.LG cs.NE
Streamlining HTTP Flooding Attack Detection through Incremental Feature Selection
Department of Computer Science & Engineering, Tezpur University(计算机科学与工程系,泰浦大学)
本文提出基于互信息和相关性的增量特征选择方法INFS-MICC,用于近实时检测HTTP洪泛攻击,通过识别高度相关且独立的特征子集来优化分类性能。
2025-05-20 cs.CR cs.LG
External Sinkhole Attack Detection in Large-Scale WSNs Using Metaheuristic Feature Selection
Tokyo University of Agriculture and Technology(东京农工大学);Cheongju University(清州大学)
针对大规模 WSNs 的外部 sinkhole 攻击问题,采用 BSO 算法的元启发式特征选择方法,将 16 个特征缩减至 8 个,实现 0.997 的检测准确率,有效提升攻击检测效率与性能。
2026-08-19 cs.CR cs.NE
A Framework of Randomized Selection Based Certified Defenses Against Data Poisoning Attacks
Shanghai JiaoTong University(上海交通大学);The Hong Kong Polytechnic University(香港理工大学)
神经网络分类器容易受到数据投毒攻击,因为攻击者可以通过仅几个训练样本的投毒来降低甚至操纵它们的预测。然而,启发式防御的鲁棒性很难衡量。基于随机选择的防御可以通过对分类器对从训练集中采样的子数据集的预测求平均值来实现经过认证的鲁棒性。提出了一种基于随机选择的数据投毒攻击认证防御框架。具体地说,我们证明了满足一定条件的随机选择方案对数据投毒攻击是鲁棒的。我们还导出了合格随机选择方案的认证半径的解析形式。我们的框架导出的bagging的认证半径比以前的工作更紧。我们的框架允许用户通过利用关于训练集和中毒模型的先验知识来提高鲁棒性。在更高的先验知识水平下,我们可以在理论和实践上获得更高的认证精度。在MNIST 1/7、MNIST和CIFAR-10三个基准数据集上的实验表明,该方法的性能优于现有方法。
2020-10-13 cs.CR cs.LG stat.ML
MedAttacker: Exploring Black-Box Adversarial Attacks on Risk Prediction Models in Healthcare
The Pennsylvania State University(宾夕法尼亚州立大学);Shanghai Jiao Tong University(上海交通大学);Amplitude(Amplitude公司)
深度神经网络(DNN)已被广泛用于健康风险预测,以提供医疗诊断和治疗。为了评估其鲁棒性,现有的研究进行对抗攻击在白/灰盒设置模型参数是可访问的。然而,更现实的黑盒对抗攻击被忽略了,即使大多数真实世界模型都是用私有数据训练的,并作为云上的黑盒服务发布。为了填补这一空白,我们提出了第一个黑盒对抗攻击方法对健康风险预测模型命名MedAttacker调查他们的脆弱性。MedAttacker通过两个步骤来解决EHR数据带来的挑战:分层位置选择,在强化学习(RL)框架中选择被攻击的位置;替代选择,使用基于分数的原则识别替代。特别地,通过考虑EHR内部的时间上下文,利用每次访问的贡献得分和每个代码的显著性得分来优化其RL位置选择策略,该策略可以很好地与由得分变化决定的确定性替代选择过程相结合。在实验中,MedAttacker始终达到最高的平均成功率,甚至在某些情况下,当在多个真实世界数据集的黑盒设置中攻击三个高级健康风险预测模型时,其性能甚至超过了最近的白盒EHR对抗攻击技术。此外,基于实验结果,我们还讨论了电子病历的防御对抗攻击。
2021-12-11 cs.AI cs.CR cs.LG
Secure Detection of Image Manipulation by means of Random Feature Selection
我们解决的问题,数据驱动的图像操作检测在攻击者的存在与有限的知识检测器。具体来说,我们假设攻击者知道检测器的架构、训练数据和检测器可以依赖的特征类V。为了在与攻击者的军备竞赛中获得优势,分析者通过依赖在V中随机选择的特征子集来设计检测器。对手基于整个特征集攻击检测器的版本。以这种方式,攻击的有效性降低,因为不能保证攻击在全特征空间中工作的检测器将导致对减少特征检测器的成功攻击。我们从理论上证明,由于随机特征选择,检测器的安全性显着增加,在没有攻击的情况下,性能损失可以忽略不计。我们还提供了一个实验验证所提出的程序,专注于检测两种特定的图像操作,即自适应直方图均衡化和中值滤波。实验证实,在没有攻击的情况下,以微不足道的性能损失为代价获得了安全性。
2019-02-17 cs.CR
A Proactive Decoy Selection Scheme for Cyber Deception using MITRE ATT&CK
针对网络欺骗中诱饵选择难以准确建模攻击者能力的问题,提出基于 MITRE ATT&CK 框架和攻击图的优化诱饵选择方案,能以最少诱饵实现最高攻击路径拦截率。
2024-10-16 cs.CR
Mitigation of Adversarial Attacks through Embedded Feature Selection
机器学习已经成为许多应用领域中任务自动化的主要组成部分之一。尽管机器学习取得了令人印象深刻的进步和成就,但已经表明,学习算法在训练和测试时都可能受到攻击者的影响。机器学习系统特别容易受到对抗性示例的影响,其中添加到原始数据点的小扰动可能在测试时在学习算法中产生不正确或意外的输出。缓解这些攻击是困难的,因为对抗性的例子很难检测到。现有的相关工作表明,当应用特征选择来降低系统的复杂度时,机器学习系统对对抗性样本的安全性会被削弱。在本文中,我们凭经验反驳了这一想法,表明攻击者必须引入成功的攻击的相对失真是更大的目标时,使用一组减少的功能。我们还表明,最小对抗性的例子在统计上与具有较低特征数量的真实例子有更大的差异。但是,减少功能数量可能会对系统性能产生负面影响。我们用具体的例子说明了安全性和准确性之间的权衡。我们提出了一种设计方法来评估嵌入特征选择的机器学习分类器对使用不同攻击策略制作的对抗性示例的安全性。
2018-08-16 cs.CR stat.ML
Blockchain-based Optimized Client Selection and Privacy Preserved Framework for Federated Learning
School of Computer and Communication Engineering, University of Science and Technology Beijing(北京科技大学计算机与通信工程学院);Blekinge Institute of Technology(布莱金厄理工学院)
本文提出基于区块链的联邦学习框架,通过智能合约优化客户端选择,并利用CKKS全同态加密保护隐私,从而在去中心化条件下提升模型准确率。
2023-07-25 cs.AI cs.CR
Adversarial Feature Selection against Evasion Attacks
South China University of Technology(华南理工大学);University of Cagliari(卡利亚里大学)
模式识别和机器学习技术已越来越多地用于对抗性设置,如垃圾邮件、入侵和恶意软件检测,尽管它们针对精心设计的攻击的安全性尚未得到彻底评估,这些攻击旨在通过在测试时操纵数据来逃避检测。虽然以前的工作主要集中在设计对手感知的分类算法来对抗逃避尝试,但只有少数作者考虑了使用减少的特征集对分类器安全性的影响。一个有趣的,初步的结果是,分类安全规避可能会恶化的应用程序的特征选择。在本文中,我们提供了一个更详细的调查,这方面的特征选择对规避攻击的安全属性,脱落一些光。受以往工作的启发,对手意识的分类器,我们提出了一种新的对手意识的特征选择模型,可以提高分类器的安全性规避攻击,通过将具体的假设对手的数据操作策略。我们专注于一个高效的,基于包装的实现我们的方法,并通过实验验证其合理性不同的应用程序的例子,包括垃圾邮件和恶意软件检测。
2020-05-25 cs.CR cs.LG stat.ML
DYNAMITE: Dynamic Defense Selection for Enhancing Machine Learning-based Intrusion Detection Against Adversarial Attacks
针对ML-IDS易受对抗性攻击且缺乏针对性防御选择方法的问题,提出动态防御选择框架Dynamite,通过机器学习驱动机制选最合适防御,大幅减少计算时间并显著提升F1分数。
2025-04-17 cs.CR
Diversity Matters: Distributional Feature Coverage Sample Selection for Data-Efficient Backdoor Attacks
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学);Shanghai Jiao Tong University(上海交通大学);Kansai University(关西大学)
该研究针对低预算脏标签后门攻击,提出无需训练的DFCS方法,通过聚类预训练特征选样,在多个数据集与攻击场景中均实现最高攻击成功率,优于现有方法且保持干净准确率。
2026-08-11 cs.CR cs.CV
Trigger Value Selection in Clean-Label Malware Backdoors: An Effectiveness-Detectability Analysis
The University of Electro-Communications(电气通信大学)
本文研究干净标签恶意软件后门攻击中触发值选择的影响,在EMBER数据集上评估多种选择策略,发现激进选择器攻击成功率高但易被检测,合理选择器可平衡攻击有效性与可检测性。
2026-10-16 cs.CR
Enhancing web traffic attacks identification through ensemble methods and feature selection
Universidad de Burgos(布尔戈斯大学);University of Tartu(塔尔图大学)
本研究利用机器学习技术,基于 CSIC2010 v2 数据集提取 HTTP 轨迹特征,采用 Random Forest 等集成方法进行网络流量攻击识别,相比基线分类器预测准确率提升约 20%,AUC 达 0.989,结合特征选择增强了模型鲁棒性,为保护网络流量提供了实用框架。
2024-12-21 cs.AI cs.CR cs.LG
SEEM: Exploiting Black-Box Text Attacks to Manipulate Tool Selection
New Laboratory of Pattern Recognition (NLPR)(模式识别国家重点实验室);State Key Laboratory of Multimodal Artificial Intelligence Systems(多模态人工智能系统全国重点实验室);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Beijing University of Posts and Telecommunications(北京邮电大学)
提出SEEM方法,通过词级和字符级的粗到细扰动,在黑盒条件下增加目标工具被选中的概率,揭示工具选择机制的安全漏洞。
2026-06-02 cs.CR
ReLATE+: Unified Framework for Adversarial Attack Detection, Classification, and Resilient Model Selection in Time-Series Classification
ReLATE+框架通过检测和分类对抗攻击、基于数据集相似性复用最优模型,在时间序列分类中平均降低77.68%计算开销,性能与Oracle差距仅2.02%。
2025-08-26 cs.CR
Honest Score Client Selection Scheme: Preventing Federated Learning Label Flipping Attacks in Non-IID Scenarios
针对非独立同分布场景下联邦学习易受标签翻转攻击的问题,提出诚实评分客户端选择(HSCS)方案,通过风险向量与准确率向量点积筛选客户端,有效提升模型鲁棒性。
2023-11-10 cs.CR
ReLATE: Resilient Learner Selection for Multivariate Time-Series Classification Against Adversarial Attacks
San Diego State University(圣地亚哥州立大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
ReLATE 框架通过数据集相似性选择最优鲁棒模型,在对抗攻击下平均降低 81.2% 计算开销,性能保持在 Oracle 的 4.2% 以内。
2025-03-10 cs.CR cs.LG
Explainable and Optimally Configured Artificial Neural Networks for Attack Detection in Smart Homes
The University of Newcastle(纽卡斯尔大学);Kings Own Institute(国王Own学院);Huaqiao University(华侨大学);Central Queensland University(中央昆士兰大学)
近年来,网络安全已成为智能应用程序适应的主要问题。特别地,在使用大量IoT设备的灵巧家庭中,具有安全和可信的机制可以为用户提供安心。准确检测网络攻击至关重要,但如果设计保护系统的对策,准确识别攻击类型则起着巨大的作用。人工神经网络(ANN)为智能应用程序检测任何安全攻击提供了有前途的结果。然而,由于用于该技术的模型的复杂性,普通用户不容易信任基于ANN的安全解决方案。此外,为ANN架构选择正确的超参数在准确检测安全攻击方面起着至关重要的作用,特别是在识别攻击的子类别时。在本文中,我们提出了一个模型,考虑了人工神经网络模型的可解释性和超参数选择的问题,这种方法可以很容易地信任和适应用户的灵巧家庭应用程序。此外,我们的方法考虑了一个子集的数据集的超参数的最佳选择,以减少人工神经网络架构设计过程中的开销。与众不同的是,本文侧重于配置,性能和评估的人工神经网络体系结构识别五类攻击和九个子类攻击。使用最近的物联网数据集,我们的方法显示出入侵检测的高性能,二进制,类别和子类级别的攻击分类准确率分别为99.9%,99.7%和97.7%。
2022-05-17 cs.AI cs.CR cs.LG
Explore the Effect of Data Selection on Poison Efficiency in Backdoor Attacks
University of Science and Technology of China(中国科学技术大学)
本研究提出FUS++样本选择策略,利用遗忘事件和损失曲面曲率提升后门攻击的中毒效率,在多个分类与回归任务上验证了其优于随机选择的攻击性能。
2023-10-15 cs.CR cs.CV cs.CY
FOLPETTI: A Novel Multi-Armed Bandit Smart Attack for Wireless Networks
信道跳变在大规模\ac{iot}网络中提供了对抗干扰攻击的防御机制。然而,足够强大的攻击者可能能够学习信道跳频模式并有效地预测要堵塞的信道。在本文中,我们提出了FOLPETTI,一个基于MAB的攻击,动态地遵循受害者的信道选择实时。与以前通过DRL实施的攻击相比,FOLPETTI不需要重复训练阶段来捕获受害者的行为,因此可以进行连续攻击。我们评估FOLPETTI的有效性,实施它发动干扰攻击。我们评估其性能对受害者执行随机信道选择和受害者实施MAB防御策略。我们假设当超过$20\%$的传输数据包未被接收时,受害者检测到攻击,因此这代表了攻击的隐蔽性。在这种情况下,FOLPETTI实现了受害者的随机信道选择策略的$15\%$成功率,接近用基因辅助方法获得的$17.5\%$。相反,基于DRL的方法达到了$12.5\%$的成功率,其$5.5\%$低于FOLPETTI。我们也证实了结果,面对FOLPETTI与MAB为基础的信道跳频方法。最后,我们表明,FOLPETTI会产生额外的能源需求,而与其成功率无关,因此会缩短物联网设备的使用寿命。
2022-05-25 cs.CR
Heuristic Approach Towards Countermeasure Selection using Attack Graphs
选择一套最佳对策是一项具有挑战性的任务,涉及各种考虑和权衡,如优先考虑要减轻的风险和成本。绝大多数选择对策部署的研究都是基于有限的风险评估程序,该程序利用了通用漏洞评分系统(CVSS)。这种风险评估程序不一定考虑特定资产的先决条件和可利用性,无法区分内部和外部威胁行为者,并且不表达利用漏洞的后果以及攻击者的横向移动。其他研究采用了更广泛的风险评估程序,该程序依赖于人工工作和重复评估。然而,这些解决方案没有考虑网络拓扑,也没有指定部署对策的最佳位置,因此不太实用。在本文中,我们提出了一个启发式搜索方法选择最佳的对策部署在给定的预算限制。所提出的方法表示使用扩展的攻击图建模,考虑利用漏洞的先决条件和后果的系统的风险,检查攻击者的潜在的横向运动,并表示物理网络拓扑结构以及网络协议中的漏洞。此外,不同于以往的研究,利用攻击图的对策规划,所提出的方法不需要重新生成的攻击图在每个阶段的程序,这是计算量大,因此,它提供了一个更准确和实用的对策部署规划过程。
2019-06-26 cs.CR
Data-Efficient Backdoor Attacks
University of Science and Technology of China(中国科学技术大学)
最近的研究证明,深度神经网络容易受到后门攻击。具体来说,通过将少量中毒样本混合到训练集中,可以恶意控制训练模型的行为。现有的攻击方法通过从良性集合中随机选择一些干净的数据,然后将触发器嵌入其中来构建这样的对手。然而,这种选择策略忽略了这样一个事实,即每个中毒的样品贡献不平等的后门注入,这降低了中毒的效率。本文将通过选择来提高中毒数据的处理效率作为一个优化问题,提出了一种过滤更新策略(FUS)来解决该问题,并在CIFAR-10和ImageNet-10上进行了实验,结果表明该方法是有效的:与随机选择策略相比,仅用47%~ 75%的中毒样本量就可以获得相同的攻击成功率。更重要的是,根据一个设置选择的对手可以很好地推广到其他设置,表现出很强的可移植性。我们的方法的原型代码现在可以在https://github.com/xpf/Data-Efficient-Backdoor-Attacks上获得。
2022-06-05 cs.AI cs.CR cs.CV
Operationalizing Cyber Attack Prediction: A Gap-Prioritized Framework with Dataset and Model Selection Guidelines
University of Jos(乔斯大学)
本文提出一个差距优先级框架,通过分析150+基准数据集和200+研究,识别并优先处理五个实施障碍,并提供数据集质量评估框架和实用路线图,以弥合网络攻击预测研究与实践之间的差距。
2026-06-02 cs.CR
DAG-Oriented Protocols PHANTOM and GHOSTDAG under Incentive Attack via Transaction Selection Strategy
为了应对单链PoW区块链固有的处理吞吐量瓶颈,有几个提议已经用单链代替了有向无环图(DAG)。在这项工作中,我们研究了两个显着的DAG为导向的设计。我们专注于PHANTOM(及其优化GHOSTDAG),它提出了一个自定义的事务选择策略,可以提高网络的吞吐量。然而,相关的工作缺乏一个彻底的调查角落的情况下,偏离协议的交易选择策略。因此,我们构建了一个自定义模拟器,扩展了开源模拟工具,以支持多个链,并使我们能够调查这种角落的情况。我们的实验表明,与诚实的矿工相比,偏离所提出的交易选择策略的恶意行为者获得了更多的利润。此外,它们对PHANTOM(和GHOSTDAG)的处理吞吐量有不利影响,因为相同的交易包含在不同链的多个块中。最后,我们发现,不遵循交易选择策略的多个矿工被激励创建一个共享的矿池,而不是独立挖矿,这对去中心化产生了负面影响。
2021-09-02 cs.CR cs.DC
Poisoning Behavioral-based Worker Selection in Mobile Crowdsensing using Generative Adversarial Networks
本文提出一种利用生成对抗网络生成毒化点攻击移动群智感知中基于行为的工人选择模型的方法,并通过真实数据集仿真验证其能有效破坏模型、逃避检测并降低受害工人收入。
2025-06-04 cs.CR
Exploring Feature Importance and Explainability Towards Enhanced ML-Based DoS Detection in AI Systems
Fordham University(福坦莫大学);Royal Military College of Canada(加拿大皇家军事学院);University of South Florida(南佛罗里达大学)
本文研究特征选择在提升基于机器学习的DoS攻击检测中的重要性,通过统计分析与特征工程探索特征贡献,以确定最佳特征选择,提高检测准确性并减少训练时间。
2024-11-04 cs.AI cs.CR cs.LG
Feature Selection via GANs (GANFS): Enhancing Machine Learning Models for DDoS Mitigation
School of Electrical and Computer Science University of Ottawa(电气与计算机科学学院 莱斯布里奇大学)
针对高维冗余流量下DDoS检测特征选择难题,提出基于生成对抗网络的GANFS方法,利用攻击流量训练判别器并通过扰动敏感性分析排序特征,在CIC-DDoS2019数据集上提升了分类准确率与计算效率。
2025-04-21 cs.AI cs.CR cs.LG
Can Intelligent Hyperparameter Selection Improve Resistance to Adversarial Examples?
University of Washington Bothell(华盛顿大学博塞尔分校);Computing and Software Systems(计算与软件系统学院(注:此处按机构粒度要求,该学院属于大学级别,已提取到大学级别,故保留))
一般来说,卷积神经网络和深度学习分类系统已被证明很容易受到特制数据样本的攻击,这些数据样本似乎属于一类,但实际上被归类为另一类,通常称为对抗性示例。已经提出了各种攻击策略来制作这些样本;但是,没有标准模型用于比较每种类型攻击的成功率。此外,目前还没有文献评估常见的超参数和优化策略如何影响模型抵抗这些样本的能力。这项研究弥补了这种缺乏意识的情况,并为今后针对卷积神经网络的逃避攻击研究中训练和模型参数的选择提供了一种手段。这项工作的结果表明,模型超参数的选择确实会影响模型抵抗攻击的能力,尽管它们本身并不能阻止对抗性示例的存在。
2019-02-14 cs.CR cs.CV cs.LG
Fuzzy Rough Set Feature Selection to Enhance Phishing Attack Detection
Wright State University(莱特州立大学)
网络钓鱼是最著名的网络犯罪活动之一,是通过冒充合法网站欺骗在线用户窃取其个人或机密信息。已经提出了几种基于机器学习的策略来检测钓鱼网站。这些技术依赖于从网站样本中提取的特征。然而,很少有研究真正考虑有效的特征选择检测钓鱼攻击。在这项工作中,我们调查的明确的功能,应用于网络钓鱼检测的协议。我们应用模糊粗糙集(FRS)理论作为工具,选择最有效的功能,从三个基准数据集。选定的功能被送入三个常用的分类器进行网络钓鱼检测。为了评估FRS特征选择在开发可推广的网络钓鱼检测中的作用,分类器由14,000个网站样本的单独样本外数据集训练。采用随机森林分类,FRS特征选择得到的最大F-测度为95%。此外,FRS在所有三个数据集上选择了9个通用特征。使用此通用功能集的F测量值约为93%,与FRS性能相比,这是一个相当的结果。由于通用功能集不包含来自第三方服务的功能,这一发现意味着在没有外部来源查询的情况下,我们可以获得更快的网络钓鱼检测,这对零日攻击也是鲁棒的。
2019-03-13 cs.CR cs.LG stat.ML
Shielding Federated Learning: Robust Aggregation with Adaptive Client Selection
本文提出MAB-RFL方法,通过将客户端选择建模为扩展多臂老虎机问题,自适应选择诚实客户端并识别Sybil与非Sybil恶意更新,有效抵御拜占庭攻击,在多种攻击场景下优于现有防御。
2023-08-07 cs.CR cs.DC
Boosting Backdoor Attack with A Learnable Poisoning Sample Selection Strategy
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Research Institute of Big Data(深圳大数据研究院);JD Explore Academy(京东探索研究院);Tencent AI Lab(腾讯人工智能实验室)
针对数据投毒后门攻击中样本随机选择效果差、成本高的问题,提出可学习投毒掩码与最小-最大优化策略,从全局数据中筛选高贡献困难样本,提升攻击性能与效率。
2023-07-14 cs.CR cs.LG
Ensemble-based Multi-Filter Feature Selection Method for DDoS Detection in Cloud Computing
人们对采用云计算的兴趣越来越大,这使其面临网络攻击。其中之一是分布式拒绝服务(DDoS)攻击,其目标是云带宽,服务和资源,使其对云提供商和用户都不可用。由于需要处理的流量的大小,已经提出了数据挖掘和机器学习分类算法来将正常分组与异常分组进行分类。特征选择也已被确定为云DDoS攻击防御中的预处理阶段,其可以通过在监督学习期间从原始数据集中识别重要特征来潜在地提高分类准确性并降低计算复杂性。在这项工作中,我们提出了一个集成的多过滤器特征选择方法,结合四个过滤器的方法,以实现最佳选择的输出。我们提出的方法进行了广泛的实验评估使用入侵检测基准数据集,NSL-KDD和决策树分类器。实验结果表明,该方法有效地将特征数从41个减少到13个,与其他分类方法相比,具有较高的检测率和分类精度。
2018-07-27 cs.CR
RPKI-Based Location-Unaware Tor Guard Relay Selection Algorithms
针对位置感知 Tor 守卫选择易泄露位置并遭受放置攻击的问题,本文利用 RPKI 提出基于 ROA 的轻量 Discount Selection 和融合 ROA、ROV 的 Matching Selection,以低开销提升路由攻击防御能力。
2025-01-10 cs.CR cs.NI
CoLA: A Choice Leakage Attack Framework to Expose Privacy Risks in Subset Training
King Abdullah University of Science and Technology(国王阿卜杜勒-阿齐兹大学科学与技术学院);Provable Responsible AI and Data Analytics Lab(可证责任AI与数据分析实验室);National University of Singapore(新加坡国立大学);Johns Hopkins University(约翰霍普金斯大学)
本文提出CoLA框架,揭示子集训练中隐私泄露问题,通过两种攻击场景分析训练成员和选择参与的隐私风险,扩展隐私范围至数据-模型供应链。
2026-04-14 cs.CR cs.CV
Effectiveness of random deep feature selection for securing image manipulation detectors against adversarial examples
University of Siena(锡耶纳大学);Xidian University(西安电子科技大学)
我们研究了[1]中提出的随机特征选择方法是否可以扩展到基于深度学习特征的检测器,以提高取证检测器对目标攻击的鲁棒性。特别是,我们研究了针对原始CNN图像操作检测器的对抗性示例到其他检测器(全连接神经网络和线性SVM)的可转移性,这些检测器依赖于从原始网络的扁平层提取的特征的随机子集。我们通过考虑三个图像操作检测任务(滤波,中值滤波和自适应直方图均衡化),两个原始网络架构和三类攻击得到的结果表明,特征随机化有助于阻碍攻击的可转移性,即使在某些情况下,简单地改变检测器的架构,甚至重新训练检测器就足以防止攻击的可转移性。
2019-12-26 cs.CR cs.CV cs.LG
Host Attack Graph for Botnet Propagation
Department of Computer Science, Faculty of Mathematics and Computer Science, and Interdisciplinary School for Doctoral Studies, University of Bucharest, Romania(布加勒斯特大学数学与计算机科学学院、跨学科博士研究学院)
本文提出主机攻击图模型,设计两种僵尸网络传播策略,经仿真发现网络拓扑与目标选择对传播的影响不可忽视,相关实现及基准可在指定链接获取。
2026-10-09 cs.CR cs.GT cs.NI
Random Client Selection on Contrastive Federated Learning for Tabular Data
Department of Computing, The Hong Kong Polytechnic University(计算机学院,香港理工大学)
针对对比联邦学习仍易受梯度攻击的隐私问题,本文通过全面实验分析验证了随机客户端选择作为防御策略的有效性,为构建更安全的协作学习框架提供参考。
2025-05-16 cs.CR cs.DC cs.LG
Automatic Selection of Protections to Mitigate Risks Against Software Applications
Institut de Recherche en Informatique de Toulouse(图卢兹研究所);Dipartimento di Ingegneria Elettrica ed Elettronica, Università degli Studi di Cagliari(卡利亚里大学电气与电子工程系);Computing Systems Lab of Ghent University(根特大学计算系统实验室);Dipartimento di Automatica e Informatica, Politecnico di Torino(都灵理工大学自动化与信息系)
本文提出了一种自动化选择软件保护的方法,以减轻软件应用程序中对关键资产的MATE风险。通过博弈论模型框架,定义了保护决策的关键要素,并引入了软件保护指数,通过软件度量和专家评估评估保护效果,验证了自动化软件保护在风险缓解中的实用性。
2025-06-23 cs.CR cs.SE
A new weighted ensemble model for phishing detection based on feature selection
Texas A&M University(得克萨斯农工大学)
网络钓鱼攻击是一种网络攻击,其中攻击者发送虚假通信以诱使人类受害者提供个人信息或凭据。网络钓鱼网站识别可以帮助访问者避免成为这些攻击的受害者。网络钓鱼问题日益增加,没有一个单一的解决方案可以适当地缓解所有漏洞,因此使用了许多技术。在本文中,我们提出了一个集成模型,结合多个基础模型的投票技术的基础上的权重。此外,我们有效地对数据集应用了特征选择方法和标准化,并比较了应用任何特征选择之前和之后的结果。
2022-12-15 cs.CR cs.LG