Nov, 2022

基于原则的数据驱动决策支持在网络取证调查中的应用

PDF
TL;DR本文介绍了一种基于马尔可夫决策过程的数据驱动决策支持方法，该方法结合了基于 k-NN 回归的蒙特卡罗树搜索用于预测状态转移概率，经实验证明，该方法在发现威胁行为方面具有更高的效率和正确性。
cybersecuritycyber-forensic investigationdecision supportmarkov decision processmitre att&ck dataset
发现论文，激发创造
  • 基于模型和决策论的自动化网络安全响应视角

    本研究旨在描述一种自动化网络攻击防御的方法，通过将被保护系统的模拟与任意在线规划应用于部分观测的马尔科夫决策问题（POMDPs），并结合基于模型的人工智能，以实现风险防范与效益平衡。

    Feb, 2020

  • 基于数据驱动的网络安全威胁预测分析与关键风险因素

    利用机器学习模型分析社会经济因素，预测可能成为网络攻击受害者的个人，并通过关联规则和真实世界数据评估框架的有效性。

    Mar, 2024

  • RED-Attack: 机器学习资源有效的基于决策的攻击

    通过采用分类边界估计和对抗性噪声优化两个步骤，提出了一种资源高效的、可用于黑盒模型的决策攻击方法，即 RED-Attack，以减轻基于输出概率向量进行的深度神经网络 (DNNs) 安全漏洞所带来的风险。

    Jan, 2019

  • 过程感知信息系统在线决策挖掘与决策漂移分析的端到端方法： 扩展版

    本文介绍了一种端到端的方法，用于在线监控和发现决策点和相应的决策规则，同时提供了有效的决策漂移发现和监控，对于理解业务流程中的决策有帮助。

    Mar, 2023

  • 从 DDMs 到 DNNs: 利用决策过程数据和模型改进人机交互

    人工智能研究可以通过更强调决策随时间演变的洞察和整合相关的过程数据来提高对人工智能预测的准确性和人机交互的效果。

    Aug, 2023

  • 利用决策建模挽救数据科学

    本文提倡数据科学领域采用 AI 中的贝叶斯方法以建立一个新的应用研究方案，其中包含六个决策质量原则，称为 “决策建模”，并以 ROC 曲线和效用模型为例。

    Jun, 2023

  • 面对不完整数据的恶意事件预测挑战

    本文通过实证研究两个组织的真实数据，量化了过滤对于预测网络攻击可预测性的影响，发现过滤降低了网络攻击的可预测性，由于入侵事件的数据过少且具有不同于总数据集的生成过程，使得预测模型更加困难。

    Apr, 2020

  • FedDiSC：用于电力系统扰动和网络攻击鉴别的计算高效的联邦学习框架

    本文提出了一种基于联邦学习的隐私保护和通信高效的攻击检测框架 FedDiSC，通过联合训练攻击检测模型，利用表示学习的深度自编码器网络精确检测电力系统和网络安全的异常，利用 DP-SIGNSGD 等梯度隐私保护量化方案，提高其通信效率，并在公开的工业控制系统数据集上验证了其有效性。

    Apr, 2023

  • 可靠的特征选择对抗性鲁棒性网络攻击检测

    通过选择与网络攻击检测最相关的特征，在网络流量分析中训练机器学习模型所使用的高质量数据，可以提高模型的鲁棒性和计算效率。通过改进数据集、选择与时间相关的特征和更具体的特征集，以及进行对抗训练，机器学习模型在不损害正常流量传输的情况下显著提高了其抗对抗攻击的泛化能力，从而在企业计算机网络中可可靠地检测可疑活动和扰动流量。

    Apr, 2024

  • 网络安全入侵检测系统中可解释性与效率的特征降维方法比较

    该研究探讨了在网络数据采集基础上，采用机器学习和深度学习方法，结合三种特征选择技术去构建出更快，更易解释，更准确的入侵检测系统，结果显示 Bat 算法得到了最高效的结果。

    Mar, 2023