Jun, 2024

Siren - 通过欺骗和自适应分析提升网络安全

PDF
TL;DRSiren 项目通过欺骗、机器学习和主动威胁分析的战略整合来加强网络安全。该项目利用神话中的塞壬作为灵感，采用复杂的方法将潜在威胁引诱到受控环境中。系统具备实时分析和分类的动态机器学习模型，以确保对新兴网络威胁的持续适应能力。架构框架包括链接监控代理、针对动态链接分析的特定机器学习模型和通过模拟用户交互来加强威胁参与的蜜罐。蜜罐内的数据保护采用概率加密进行加固。此外，引入模拟用户活动扩展了系统对潜在攻击者的捕获和学习能力，即使在用户停止参与后仍然有效。Siren 在网络安全领域引入了范式转变，将传统的防御机制转变为主动参与和从潜在对手中学习的系统。该研究旨在提高用户的保护能力，并为不断变化的网络安全威胁的持续改进提供有价值的洞见。
发现论文，激发创造
  • SirenAttack: 为端到端声学系统生成对抗音频

    本研究介绍了一种新的针对深度学习音频系统的对抗性攻击方法 SirenAttack，其特点包括多功能性，有效性和隐蔽性，同时也提出了三种缓解此类攻击的方法。

    Jan, 2019

  • 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

  • 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

  • Siamese SIREN：使用隐式神经表示的音频压缩

    该研究介绍了一种新的基于 SIREN 架构的方法 ——Siamese SIREN。实验结果表明，与其他 INR 架构相比，Siamese SIREN 在利用更少的网络参数的情况下可以实现较高的音频重建保真度。

    Jun, 2023

  • 具有周期性激活函数的隐式神经表示

    提出了一种新的神经网络模型 —— 正弦表示网络，可以用于处理带有细节特征的复杂信号及其导数，可以解决泊松方程、赫姆霍兹方程、波动方程等各种边界值问题，并且可以通过超网络学习 Siren 函数的先验知识。

    Jun, 2020

  • 神经符号 AI 在网络入侵检测中的协同方法

    融合神经符号人工智能（NSAI）和传统网络入侵检测系统（NIDS）的研究，通过分析网络流量数据类型和机器学习架构，展示了 NSAI 在提供对网络行为更深入洞察力方面的独特能力，从而改善了检测性能和系统的适应性。这种技术的融合不仅增强了传统 NIDS 的功能，也为构建更具弹性、可解释性和动态防御机制以应对先进网络威胁的未来发展奠定了基础。

    Jun, 2024

  • 针对网络入侵检测系统的逼真对抗攻击建模

    通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

    Jun, 2021

  • 一种用于软件定义网络中检测隐蔽攻击的渐进式混合自适应基于网络的入侵检测系统

    这篇论文探讨了网络攻击、高级持久性威胁、SDN、机器学习技术以及概念漂移检测，提出了一种增量混合自适应网络入侵检测系统（NIDS）来解决 SDN 中的概念漂移问题，并通过对不同数据集的评估展示了有希望的结果。

    Apr, 2024

  • 一种使用深度学习进行 SDN 网络入侵检测的新方法：未来方法

    该研究探讨了如何在软件定义网络（SDN）的背景下，使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明，该方法通过结合多种深度学习算法，成功地进行了二分类任务，并取得了显著的检测成果。

    Aug, 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