MMDec, 2023

捉摸不定：动态 AD 攻击图中有效的蜜罐部署

PDF
TL;DR研究了一个堆栈博弈，针对大型活动目录（AD）攻击图中的攻击者和防御者，其中防御者使用一组蜜罐阻止攻击者接近高价值目标。通过提出混合整数规划（MIP）公式来共同解决这个博弈问题。通过重新设计混合整数规划公式并使用聚类算法来高效找到最具代表性的图实例，以处理大量动态图实例。通过证明动态图的最优阻塞策略的下界，并展示在现实条件下，我们的算法在一系列 AD 图中产生接近最优的结果。
stackelberg gameactive directory attack graphshoneypotscompetent attackermixed-integer programming
发现论文，激发创造
  • 在动态犯罪场景中解决交通网络上的 Stackelberg 博弈：多层网络的混合方法

    应用层次图和斯塔克伯格博弈探讨警方资源有限时打击犯罪分子的有效策略，结果表明该方法在短时间内能够高效解决复杂问题。

    Jun, 2024

  • 基于区块链的物联网系统蜜罐的战略部署

    使用具有智能合约功能的入侵检测系统，将普通节点转化为诱饵来应对可疑活动，从而加强区块链物联网网络的安全性；利用贝叶斯博弈的策略分析潜在攻击者与增强型入侵检测系统之间的交互作用，重点关注并预测外部攻击，并强调在面对不断演变的攻击模式时的策略决策、优化的诱饵部署和自适应策略。

    May, 2024

  • 使用蜜罐捕获神经网络上的对抗攻击

    我们在此论文中探讨一种新的防御机制来保护深度神经网络模型，该机制引入了陷阱门，通过激励攻击者搜索对抗性示例，它形成了防御系统，并证明了该防御系统能够避免最先进的攻击，并在分类方面几乎没有影响。

    Apr, 2019

  • 在对抗环境中规划攻击者困境

    本文提出了一种规划框架，以生成一种防御策略，旨在针对在保卫者能够在攻击者不知情的情况下运作的环境中工作的攻击者。防御者的目标是将攻击者促使进入困境状态，从而无法实现其目标；同时，防御者被限制在 K 个步骤内实现其目标，其中 K 被计算为一种悲观的下限，攻击者很少怀疑可能存在威胁。通过实证评估，我们展示了本文研究意义的可行性。

    Mar, 2023

  • 蜜罐防御的部分破解以捕获对抗性攻击

    本文研究了一种在神经网络中注入 “蜜罐” 以检测敌对攻击的防御机制，并通过降低检测真正阳性率至 0％和检测 AUC 至 0.02 破坏了其基线版本防御。原始论文的作者在 CCS'20 论文中修正了这种攻击，为了促进更多的研究，我们在文中提供了完整的攻击过程记录。

    Sep, 2020

  • 多重同时攻击下的图保护：一种启发式方法

    本文提出了一种有效的元启发式方法来保护网络中节点免受同时攻击的影响，重点研究了 $k$- 强罗马统治问题，这是在图形上已知的罗马统治问题的一种推广。我们的方法通过引入准可行性的概念，并在可能的攻击集合中进行谨慎的抽样来检验解决方案的可行性，从而验证了其可扩展性和稳健性。

    Mar, 2024

  • 简洁高效的图部分对抗攻击：新的视角

    给出一个名为 “partial graph attack (PGA)” 的全新方法，通过选择易受攻击的节点作为攻击目标，实现了更高效的图全局攻击效果。

    Aug, 2023

  • HoneyModels：机器学习蜜罐

    研究纵观 Adversarial Machine Learning 防御策略的不足，通过建立 HoneyModels 模型，给模型添加特定知识水印来检测对抗性攻击，实验表明该模型可以检测到 69.5% 的攻击，并保留原模型的功能。

    Feb, 2022

  • 基于图聚类的实用攻击

    本文研究了图建模在解决安全问题方面的能力，重点是对抗机器学习中尚未解决的问题进行了探讨：基于图聚类技术和全局特征空间的对抗性攻击，同时提出了对抗性攻击的防御策略。

    Aug, 2017

  • 在线学习用于调度 MIP 启发式算法

    本文提出了一种在线学习方法，用于优化 Mixed Integer Programming (MIP) 中的启发式算法，以适应于不同的实例，并将大邻域搜索和 Diving 两类复杂启发式方法同时控制，实现 MIPLIB 2017 基准测试的节点数减少和速度提升。

    Apr, 2023