MMSep, 2020

DeepC2: 基于人工智能的社交网络隐蔽指挥和控制

PDF
TL;DR本文提出了一种基于人工智能技术的 C&C 攻击方式 DeepC2，用于解决攻击者在在线社交网络上的两个主要问题：如何在不被防御者发现的情况下找到攻击者，以及如何在信息中隐藏命令，从而避免被社交网络检测到。实验表明，该方法可以让恶意软件在不被发现的情况下与攻击者进行通信。
发现论文，激发创造
  • 使用强化学习发现 Tor 和公共网络上的指挥和控制（C2）通道

    本文通过强化学习机制，在公共网络和 Tor 网络下自动模拟 C2 攻击行动，配置负载大小和网络防火墙以模拟现实攻击场景，并在典型网络配置上显示了 RL 代理可以自动发现具有韧性的 C2 攻击路径，并绕过网络防火墙。

    Feb, 2024

  • 使用强化学习发现指挥与控制渠道

    通过采用基于强化学习的方法，模拟了一个三阶段的命令与控制流程，并建立了一个马尔可夫决策过程来最大化数据窃取的有价值主机数量，同时考虑到负载和防御机制，该方法在网络安全领域具有高效性且成果良好。

    Jan, 2024

  • 社交机器人网络的崛起：攻击与对策

    本研究通过 Twitter 上的真实实验和追踪模拟，展示了利用社会机器人网络进行垃圾邮件分发和数字影响操作的有效性和优势，并提出了相应的对策并评估其有效性，以帮助理解社会机器人网络的潜在危害以及帮助在线社交网络改进其机器人（网络）检测系统。

    Mar, 2016

  • 使用复合污染的新型数据增强技术进行样本分布外检测

    本文提出了一种名为 CnC 的 Compound Corruption 技术，可以用于深度神经网络中的具有安全风险的 out-of-distribution 数据检测，在验证集中用该方法训练的模型显著优于当前最先进的技术。

    Jul, 2022

  • 再构想指挥控制

    未来战争需要在更加复杂、快节奏、结构模糊和苛刻的条件下进行指挥和控制决策，而现有的指挥与控制实践无法保持对未来战场上对手的优势。为了解决这些挑战，作者提出了一种未来指挥与控制的愿景，即人工智能系统与人类之间建立牢固的合作伙伴关系，以简化指挥与控制操作流程、保持行动上的统一性并发展适应性的集体知识系统。本文展示了未来指挥与控制能力的设想，讨论了对其进行构建的假设，并描述了提议的发展如何改变未来战争中的指挥与控制。

    Feb, 2024

  • 针对僵尸网络的加密和隐蔽 DNS 查询：挑战和对策

    该篇研究论文探讨了现代恶意软件使用的域名生成算法（DGAs）和流量分析等技术，以躲避传统安全机制监测及拦截，从而对网络安全提出挑战。

    Sep, 2019

  • ConFoc: 基于内容焦点的神经网络特洛伊攻击防护

    本文针对深度神经网络在图像应用中受到的特洛伊攻击，提出一种基于内容而非样式的防御技术，通过分析神经网络中样式和内容的学习和识别方式，成功将攻击成功率下降至小于 1％，同时保持和提高模型在良性和对抗性数据处理中的准确性。

    Jul, 2020

  • Adv-Bot：针对网络入侵检测系统的逼真对抗僵尸网络攻击

    本研究旨在调查是否有可能针对网络入侵检测系统进行逃逸攻击，并在黑盒环境下提出恶意交通流量攻击和防御机制。

    Mar, 2023

  • 推动 DDoS 攻击检测：利用深度残差神经网络和合成过采样的协同方法

    通过利用深度残差神经网络（ResNets）和合成过采样技术，我们引入了一种增强的分布式拒绝服务（DDoS）攻击检测方法，用于有效和早期检测此类攻击，并平衡良性和恶意数据点的表示以更好地辨别攻击特征，实验证明我们的方法在真实数据集上达到了 99.98% 的准确度，显著优于传统方法，突显了将先进的数据增强技术与深度学习模型相结合以增强网络安全防御的潜力。

    Jan, 2024

  • 变体中的恶魔：DNN 的统计分析，用于强健后门污染检测

    本文研究了深度神经网络中的后门污染问题，提出了一种基于 EM 算法的攻击检测技术，可有效识别出攻击样本，包括新的污染数据攻击，并且对于攻击方的规避尝试也具有较强的鲁棒性。

    Aug, 2019