Cloud Security Leveraging AI: A Fusion-Based AISOC for Malware and Log Behaviour Detection
Department of Electronic and Computer Engineering(电子与计算机工程系);University of Limerick(利默里克大学)
本文提出了一种基于AI的融合式AISOC,通过融合恶意软件检测和日志异常检测结果,提升云安全操作中心在受限制环境下的威胁检测能力。
2025-12-16 cs.CR cs.LG
Architectural Backdoors in Vision-Language Model Supply Chains via Representation Steering
Sapienza University of Rome(罗马智慧大学);University of Genoa(热那亚大学);University of Trieste(的里雅斯特大学);University of Cagliari(卡利亚里大学)
研究视觉语言模型供应链安全问题,提出通过表示引导植入架构后门的攻击方法,该方法不影响训练数据等,通过触发控制模型表示转向攻击者目标,评估表明其损害模型多项性能,还提出审计防御方法。
2026-07-29 cs.AI cs.CR cs.LG
Leveraging 3D Technologies for Hardware Security: Opportunities and Challenges
本文提出利用2.5D和3D集成技术的内在特性设计安全系统,包括屏蔽侧信道、有源中介层拆分制造、单片3D IC电路伪装和3D安全存内处理,以改进现有硬件安全对策并提供新安全特性。
2025-08-26 cs.CR cs.ET
"vcd2df" -- Leveraging Data Science Insights for Hardware Security Research
Willamette University(威拉米特大学)
本文通过将VCD文件转换为数据框,连接硬件设计语言与数据科学语言,展示如何从RTL跟踪数据中获取洞察,并利用Spark并行计算研究瞬态执行CPU漏洞。
2025-06-10 cs.AR cs.CR
Improving Radioactive Material Localization by Leveraging Cyber-Security Model Optimizations
物理空间传感器在公共安全应用中的主要用途之一是检测不安全状况(例如,释放有毒气体,机场武器,受污染的食物)。然而,这些应用中的当前检测方法通常成本高、使用缓慢,并且在复杂、变化或新的环境中可能不准确。在本文中,我们探讨如何机器学习方法成功地用于网络领域,如恶意软件检测,可以利用大大提高物理空间检测。我们专注于一个重要的示范应用-放射性材料的检测和定位。我们表明,ML为基础的方法可以显着超过传统的基于表的方法在预测角方向。此外,所开发的模型可以扩展,以包括到放射性物质的距离的近似值(实际使用的参考表没有包括的一个关键尺寸)。使用四个和八个探测器阵列,我们收集伽马射线计数作为一套机器学习模型的特征,以定位放射性物质。我们通过经常用于辐射探测的模拟框架和在实验室环境中使用放射性材料的物理实验,探索了七种独特的场景。我们观察到,我们的方法可以优于标准的基于表格的方法,将角度误差减少37%,并可靠地预测2.4%以内的距离。通过这种方式,我们表明,网络检测的进步为加强公共安全应用及其他领域的检测提供了巨大的机会。
2022-02-21 cs.CR cs.LG
Leveraging Security Observability to Strengthen Security of Digital Ecosystem Architecture
本文研究数字生态系统架构中可观测性与安全的关联,提出利用日志、追踪和指标等可观测性数据及 AI/ML 方法检测威胁、异常与数据泄露,从而强化系统安全。
2024-12-07 cs.CR cs.SE
Leveraging a Randomized Key Matrix to Enhance the Security of Symmetric Substitution Ciphers
本文提出利用随机化密钥矩阵增强对称替换密码安全性,通过多表替换和综合测试验证其在文件加解密中的有效性。
2023-11-29 cs.CR
Leveraging Trustworthy AI for Automotive Security in Multi-Domain Operations: Towards a Responsive Human-AI Multi-Domain Task Force for Cyber Social Security
本研究针对多域作战中网联自动驾驶汽车面临的对抗性机器学习威胁,分析三类决策树集成模型超参数对黑盒攻击时间的影响,为防御性可信AI实践及弹性ML系统构建提供支撑。
2025-07-23 cs.CR
Leveraging Generative Models for Covert Messaging: Challenges and Tradeoffs for "Dead-Drop" Deployments
University of Florida(佛罗里达大学)
针对现有隐写研究忽略实际通信管道挑战的问题,本文聚焦“死信箱”隐蔽通信场景,梳理了相关挑战与性能-安全权衡,实现了基于生成模型的格式变换加密系统并开展实证分析。
2024-08-15 cs.CR cs.LG
Spear or Shield: Leveraging Generative AI to Tackle Security Threats of Intelligent Network Services
本文系统梳理生成式AI在智能网络AIGC服务中的攻击与防御双重角色,并通过数据投毒下的图像请求案例验证AI优化扩散防御可降低8.7%能耗并将重传由32张降至6张。
2023-06-04 cs.CR
Advancing Autonomous Incident Response: Leveraging LLMs and Cyber Threat Intelligence
OODRIVE-Trusted Cloud Solutions(OODRIVE可信云计算解决方案);L3i Lab, University of La Rochelle(L3i实验室,拉罗什-科尔贝尔大学)
提出基于RAG和LLM的框架,通过混合检索CTI并生成缓解策略,提升事件响应的准确性与效率,减轻分析师负担。
2025-08-14 cs.CR cs.LG
CHARGE: Leveraging CWE Hierarchies for Hardware Security SystemVerilog Assertion Generation
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
CHARGE是利用CWE层次结构和LLM生成硬件安全SVA的自动化框架,在Hack@DAC系列SoC设计中检测到多个已知与新错误,生成的SVA具备较高有效性。
2026-07-31 cs.CR
Adaptable Plug and Play Security Operations Center Leveraging a Novel Programmable Plugin-based Intrusion Detection and Prevention System
在过去十年中,网络攻击的数量大幅增加,造成了巨大的组织财务损失。事实上,安全事故不再是“是否”发生的问题,而是“何时”发生的问题。安全运营中心(SOC)的采用将有助于在问题最终造成广泛的网络相关损害之前检测、识别、预防和解决问题。在本文中,我们提出的框架带来了解决问题,目前的开源SOC实现的困扰。这些问题包括缺乏即时增强的能力,缓慢的开发过程,以及不适合持续及时的更新。我们,在这里,提出了一个框架,将提供一个完全自动化的开源SOC部署,否则被称为“即插即用框架”,全面的水平可扩展性,包括一个模块化的架构。这些基础功能旨在缓解SOC的潜在挑战,这些挑战通常是由于许多预先确定和重复的过程而出现的,从而增强了它们使用新工具进行扩展的能力。这是在增强它们将集群中的更多服务器作为单个逻辑单元处理的能力的基础上。我们还介绍了一个新的系统,其称为可编程的基于插件的入侵检测和预防系统(PPIDPS)。该系统将扩展SOC的能力,将任何工具添加到受监控的设备,同时收集日志,只要检测到可疑行为,就可以触发警报。
2022-04-10 cs.CR
Amnesia: Adversarial Semantic Layer Specific Activation Steering in Large Language Models
Honda Research Institute Europe(本田欧洲研究院)
本文提出Amnesia攻击,通过操纵transformer内部状态绕过开放式大语言模型的安全机制,展示其能生成有害内容而无需微调。研究强调了对开放式大语言模型安全性的迫切需求。
2026-03-17 cs.AI cs.CR cs.LG
STAF: Leveraging LLMs for Automated Attack Tree-Based Security Test Generation
Department of Systems Design Engineering, University of Waterloo, ON Canada(滑铁卢大学系统设计工程系);Smart Calibration and Virtual Testing Department, AVL List GmbH, Graz, Austria(AVL List GmbH智能校准与虚拟测试部门);Department of Computer Science, Western University, London, ON, Canada(温哥华大学计算机科学系)
本文提出 STAF 框架,利用 LLM 和四步自纠正 RAG 自动从攻击树生成可执行的汽车安全测试用例,在效率与准确性上显著优于通用 LLM,实现端到端安全测试自动化。
2025-09-24 cs.AI cs.CR
Leveraging Large Language Models for Command Injection Vulnerability Analysis in Python: An Empirical Study on Popular Open-Source Projects
Louisiana State University(路易斯安那州立大学)
本实证研究针对Python命令注入漏洞检测问题,将GPT-4等大语言模型应用于6个星标超5万的知名开源项目,评估其检测的准确率、效率与 workflow 适配性,对比不同LLM工具的适用性,为利用LLM提升软件安全提供指导。
2025-05-21 cs.AI cs.CR cs.SE
Leveraging Digital Twin-as-a-Service Towards Continuous and Automated Cybersecurity Certification
针对传统风险评估的弊端,提出安全数字孪生即服务(SDT-aaS),利用数字孪生技术实现自动化非侵入式合规评估,支持开放标准,经中等规模用例验证可行,推动持续网络安全认证。
2025-09-09 cs.CR cs.PF
A New Era of Elections: Leveraging Blockchain for Fair and Transparent Voting
针对传统投票易遭篡改的问题,本研究结合区块链不可篡改的去中心化账本与多层身份验证技术,提出安全透明的投票系统,经分析可有效降低冒用风险,为选举提供可靠替代方案。
2025-02-22 cs.CR
The Future of Document Verification: Leveraging Blockchain and Self-Sovereign Identity for Enhanced Security and Transparency
University of Notre Dame(圣母大学)
针对传统文档认证流程耗时、易伪造、隐私风险高、缺乏实时跟踪等问题,本文提出利用区块链和自主主权身份等去中心化技术构建高效、安全、用户友好的文档认证生态系统的新策略。
2024-12-02 cs.CR
FlowSteer: Prompt-Only Workflow Steering Exposes Planning-Time Vulnerabilities in Multi-Agent LLM Systems
Yunnan University(云南大学);National University of Singapore(新加坡国立大学);University of Washington(华盛顿大学)
研究通过社会影响探测工作流识别高影响子任务,揭示恶意信号传播漏洞,提出FlowSteer攻击方法提升恶意成功率,并引入FlowGuard防御机制降低攻击效果。
2026-05-12 cs.CR
Securing Computer-Use Agents Against Branch Steering Attacks
ETH Zurich(苏黎世联邦理工学院);University of Cambridge(剑桥大学);AI Sequrity Company(AI安全公司);Imperial College London(帝国理工学院)
针对计算机使用代理的分支转向攻击,提出COBRA架构,通过可信分支计划与能力约束,将攻击成功率降至0%,同时保留97%的良性效用。
2026-10-05 cs.AI cs.CR
When Privacy meets Security: Leveraging personal information for password cracking
密码被广泛用于用户身份验证,尽管存在弱点,但在可预见的未来可能会继续使用。人工生成的密码通常具有丰富的结构,这使得它们容易受到猜测攻击。本文研究了基于马尔可夫模型的猜测攻击的有效性。我们的贡献是双重的。首先,我们提出了一种新的密码破解器的基础上马尔可夫模型,它建立在和扩展的思想Narayanan和Shmatikov(CCS 2005)。在广泛的实验中,我们发现它可以在100亿次猜测中破解高达69%的密码,超过我们再次比较的所有概率密码破解器。其次,我们系统地分析了关于用户的附加个人信息有助于加速密码猜测的想法。我们发现,平均而言,通过仔细选择参数,我们可以多猜出5%的密码,特别是当尝试次数较低时。此外,我们还发现,对于实际上基于个人属性的密码,收益可以高达30%。这些密码显然较弱,应避免使用。我们的破解器可以被一个组织用来检测和拒绝它们。据我们所知,我们是第一个系统地研究所选密码与用户个人信息之间关系的公司。我们测试和验证我们的结果在广泛收集泄漏的密码数据库。
2013-04-24 cs.CR
SSP-Bench: A Hybrid Data Generation Framework for Safety, Security, and Privacy Evaluation
Qatar Computing Research Institute (QCRI)(卡塔尔计算研究所(QCRI));HBKU(哈马德·本·哈利法大学)
针对静态基准的缺陷,提出动态框架SSP-Bench,通过多目标优化生成评估实例,在24个模型上揭示静态评估的系统性失败,推动部署相关评估。
2026-09-29 cs.CR cs.LG cs.SE
Leveraging Large Language Models for Preliminary Security Risk Analysis: A Mission-Critical Case Study
University of Rome “Tor Vergata”(罗马第二大学(托尔·韦尔加塔));Multitel di Lerede Alessandro & C. s.a.s.
本研究针对关键任务环境中初步安全风险分析(PSRA)耗时且依赖专家的问题,探索微调模型(FTM)辅助PSRA的能力。通过141个样本对比七位专家,证明FTM能减少错误、加速检测并降低假阳/阴性,为公司节省成本,使专家能专注全面分析。
2024-03-23 cs.AI cs.CL cs.CR
Leveraging IRS Induced Time Delay for Enhanced Physical Layer Security in VLC Systems
本文首次研究IRS诱导时延对VLC系统保密速率的影响,证明在3W LED功率下保密速率最高可提升253%,并表明合理分配IRS单元可在窃听者信道更优时仍增强物理层安全。
2024-05-10 cs.CR cs.IT math.IT
Intrinsic Rowhammer PUFs: Leveraging the Rowhammer Effect for Improved Security
物理不可克隆功能(PUF)已经成为用于设备指纹、设备标识或密钥存储的重要且有前途的硬件原语。与基于涉及硬件修改的定制电路的外部硅PUF不同,内部PUF利用现有器件中已经存在的组件。在这项工作中,我们提出了一种新型的基于存储器的固有PUF,它利用了DRAM模块中的Rowhammer效应; Rowhammer PUF。我们的PUF利用位翻转,这发生在DRAM单元中,由于快速和重复访问DRAM行。先前的研究主要集中在Rowhammer攻击,其中Rowhammer效应用于非法更改存储在内存中的数据,例如,更改页表条目或启用权限提升攻击。同时,这是第一个将Rowhammer效应用于积极背景的工作:设计一种新型的PUF。我们使用商用现成设备对Rowhammer PUF进行了广泛评估,而不依赖于定制硬件或基于FPGA的设置。评估表明,Rowhammer PUF具有所设想的安全应用所需的特性,并且可以在今天部署。
2019-02-12 cs.CR
Critical Infrastructure Security Goes to Space: Leveraging Lessons Learned on the Ground
本文通过比较工业控制系统与空间系统的共性,迁移地面关键基础设施和 IoT 的网络安全经验,为空间系统防护及未来研发提出建议。
2023-09-26 cs.CR cs.SY eess.SY
SSH-Passkeys: Leveraging Web Authentication for Passwordless SSH
本文提出SSH-Passkeys框架,利用WebAuthn和UNIX PAM实现无密码SSH认证,在兼容现有服务器且无需客户端新软件的前提下,有效防止密钥泄露与钓鱼,将关键安全错误降低90%并将认证时间缩短4倍。
2025-07-11 cs.CR
Adaptive Detection of Polymorphic Malware: Leveraging Mutation Engines and YARA Rules for Enhanced Security
本研究提出利用突变引擎和YARA规则的混合检测框架,通过多层分析提升对多态恶意软件的检测性能。
2025-11-25 cs.CR
Prefix Guidance: A Steering Wheel for Large Language Models to Defend Against Jailbreak Attacks
University of Science and Technology of China(中国科学技术大学)
本文提出即插即用的越狱防御框架Prefix Guidance(PG),通过设置模型输出前几个token引导其识别有害提示,结合模型内在安全能力与外部分类器,在多模型和攻击方法上验证了其高效性及对模型性能的保持。
2024-08-22 cs.AI cs.CL cs.CR
Optimizing Malware Detection in IoT Networks: Leveraging Resource-Aware Distributed Computing for Enhanced Security
针对物联网设备资源有限、现有恶意软件检测方法忽略资源约束的问题,提出一种资源与工作负载感知的分布式检测框架,通过轻量模型分析资源后动态分配或拆分分类器任务,实现9.8倍加速且检测准确率达96.7%。
2024-04-12 cs.CR cs.DC
Toward an Intent-Based and Ontology-Driven Autonomic Security Response in Security Orchestration Automation and Response
本文提出一种基于MITRE-D3FEND本体的统一安全意图定义及两层集成方法,将基于意图的网络防御与自主网络防御结合,实现具备上下文感知的分层自动化安全响应,并在下一代SOAR平台中验证了其有效性。
2025-07-16 cs.CR
Invisible Hands: Gray-Box Bit Flip Attack for Steering LLMs Without Knowledge of Gradients, Data, and Weights
Binghamton University(宾汉姆顿大学);UNC Charlotte(北卡罗来纳大学夏洛特分校)
本文提出一种新的灰盒位翻转攻击框架,无需梯度、数据或权重信息,通过模型架构估计权重脆弱性,有效降低内存开销并提升任务扩展性。
2026-04-27 cs.CR
Trajectory-Level Security Debt in LLM Coding Agents
University of Luxembourg(卢森堡大学)
针对LLM编码智能体仅评估最终代码无法衡量安全问题演变的问题,提出安全债务线积分SDLI指标,结合多款SAST工具在多数据集上验证,为同步研究编码进展与安全风险提供新方法。
2026-09-28 cs.CR cs.SE
Security Analysis of Universal Circuits as a Mechanism for Hardware Obfuscation
University of Idaho(爱达荷大学);Carnegie Mellon University(卡内基梅隆大学)
研究通用电路在硬件知识产权保护中的安全性,评估了状态最新oracle引导和无oracle攻击下的表现,证明其在保护IP方面的可行性。
2026-04-03 cs.CR
DomainLynx: Leveraging Large Language Models for Enhanced Domain Squatting Detection
针对域名抢注威胁,本研究提出DomainLynx复合AI系统,通过整合LLM与抗幻觉组件、智能配对等技术,实现新型抢注检测与小众品牌保护,在测试中准确率达94.7%且性能超基线2.5倍。
2025-02-14 cs.CR
Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection
本文提出一个基于容器、Kubernetes和eBPF/XDP的网络流量生成测试平台,并公开了一个完全满足真实标签特性的小规模恶意流量数据集,以支持基于机器学习的入侵检测研究。
2024-10-23 cs.CR cs.NI
Targeted Fuzzing for Unsafe Rust Code: Leveraging Selective Instrumentation
本文提出首个利用选择性代码覆盖率反馈将模糊测试集中于不安全 Rust 代码的方法,通过扩展 Rust 编译器工具链自动识别不安全代码组件,在不增加性能开销的情况下显著提高漏洞发现效率。
2025-05-05 cs.CR
Exploiting the Lock: Leveraging MiG-V's Logic Locking for Secret-Data Extraction
该研究针对商用逻辑锁定 RISC-V 处理器 MiG-V,在运行 SSL 算法时篡改逻辑锁定密钥,发现单比特变化即可泄露全部加密密钥。
2024-08-09 cs.AR cs.CR
Security Logs to ATT&CK Insights: Leveraging LLMs for High-Level Threat Understanding and Cognitive Trait Inference
USC Institute for Creative Technologies(南加州大学创新技术研究院);Northeastern University(东北大学)
本文提出利用大语言模型分析Suricata IDS日志,将底层网络事件映射到MITRE ATT&CK技术,并推断攻击者的认知偏差(如损失厌恶),为行为自适应网络防御奠定基础。
2025-10-23 cs.AI cs.CR