Apr, 2024

基于人工智能的 Webshell 检测模型的研究与应用：文献综述

PDF
TL;DR通过对 AI-based webshell 检测领域的发展历程进行归纳总结，本文详细阐述了各个阶段的特点、核心算法和领域内仍存在的问题与挑战，同时对未来的发展趋势进行了预测。
webshellcybersecurityartificial intelligencedetection schemesneural network architectures
发现论文，激发创造
  • 基于人工智能的恶意软件检测技术现状综述

    这项综述介绍了最新的人工智能技术在恶意软件检测和预防领域的应用，包括浅层学习、深度学习和生物启发计算，以及 PC、云、Android 和物联网等多种平台。同时，还涉及了黑客采用人工智能设计更高级的恶意软件以及利用人工智能算法自卫的现状。

    Oct, 2022

  • 保障数字世界安全：利用人工智能（AI）提供恶意软件和入侵检测保护智能基础设施和数字产业

    本研究探讨基于人工智能的网络威胁检测以保护我们的现代数字生态系统，主要关注评估基于机器学习的分类器和集成模型，用于异常恶意软件检测和网络入侵检测，并探讨如何将这些模型整合到网络安全、移动安全和物联网安全的环境中。讨论重点是在企业系统和 IT 基础设施中部署和整合 AI 增强的网络安全解决方案的挑战，以及克服这些挑战的选择。最后，本文提供了未来研究方向，以进一步增强我们现代数字产业、基础设施和生态系统的安全性和韧性。

    Oct, 2023

  • 通过基于 AI 的反应系统解决网络攻击问题：综述与未来展望

    综述了人工智能在网络安全中应对威胁系统的最新进展，提供了对人工智能与网络安全交叉领域的全面分析，指出了未来研究的挑战。

    Dec, 2023

  • 利用人工智能技术进行恶意软件检测和预防

    介绍使用基于人工智能的技术来检测和预防恶意软件活动，强调现有恶意软件检测技术的局限性和提高效率的方法，并阐述了未来采用的方法。

    Jun, 2022

  • 基于两阶段深度学习模型的漏洞检测

    本文提出了一个两阶段解决方案，第一阶段采用 CNN 检测源代码是否存在漏洞（二元分类模型），第二阶段采用 CNN-LTSM 将漏洞分类为 50 种不同的漏洞类型（多类分类模型），并针对 SySeVR 数据集进行实验，结果表明第一和第二阶段的准确性分别达到 99% 和 98%。

    May, 2023

  • 朝着更实用的人工智能安全威胁模型

    最近的研究发现了人工智能安全领域研究与实践之间存在的差距：学术界研究的威胁并不总是反映了人工智能的实际使用和安全风险。我们的研究是为了描述这种差异的完整程度，并将六种最常研究的人工智能安全攻击威胁模型与实际使用中的人工智能进行匹配。我们发现所有的现有威胁模型确实是适用的，但也存在重大差异：研究常常太宽容于攻击者，并假设实际环境中很少可用的信息。因此，我们的论文呼吁在人工智能安全领域研究更多实用的威胁模型。

    Nov, 2023

  • AAAI 2022 年人工智能网络安全 (AICS) 研讨会会议录

    本文讨论了人工智能在网络安全领域的应用，探讨了 AI 面临的挑战，以及在实践中普及 AI 的原因和现实难点。

    Feb, 2022

  • 深度学习方法用于网络安全和入侵检测系统的综述

    本文调查了应用于网络入侵检测的各种深度学习技术，并介绍了一个用于网络安全应用的深度学习框架。

    Dec, 2020

  • 深度学习中神经木马攻击和防御的调查

    该研究论文对深度学习中的特洛伊木马攻击及其防御进行综述，系统总结近期的方法，同时讨论其关键概念，为了让更广泛的社区了解神经特洛伊木马的最新发展。

    Feb, 2022

  • 人工智能在网络安全中的应用：威胁、攻击和缓解

    讨论了网络安全、网络威胁以及传统和智能防御措施，并最终以人工智能在网络安全领域未来的前景作为讨论的结尾。

    Sep, 2022