Jun, 2024

ModSec-Learn： 提升 ModSecurity 的机器学习技术

PDF
TL;DR通过提出一个使用核心规则集作为输入特征的机器学习模型，本文克服了 ModSecurity 对网络攻击的无效性，并证明 ModSec-Learn 在检测和误报率之间取得了明显更好的平衡，同时分析了稀疏正则化如何在推断时减少相关规则的数量。
modsecurityweb application firewallcore rule setmachine-learning modelsparse regularization
发现论文，激发创造
  • 对抗性 ModSecurity：用强大的机器学习对抗敌对 SQL 注入

    本文介绍了 ModSecurity 作为标准开源 Web 应用防火墙（WAF）的机制，指出其在检测 SQL 注入（SQLi）攻击方面的不足，并设计了一个名为 AdvModSec 的机器学习模型，用于检测 SQLi 攻击，通过实验证明 AdvModSec 相对于原始版的 ModSecurity 在检测率上提高了 21％，在对抗 SQLi 攻击的鲁棒性上提高了 42％，从而在构建更强大可信赖的 WAF 方面迈出了一步。

    Aug, 2023

  • 机器学习用于检测和缓解 Web 漏洞和 Web 攻击

    本文提出一份调查报告，介绍机器学习应用于 Web 安全领域，以识别和防止 XSS 和 CSRF 攻击的研究进展，讨论了各种方法的优劣，以期帮助研究人员确定开发新方法的最佳方向并鼓励他们关注 Web 安全和机器学习的交集。

    Apr, 2023

  • 网络安全中的软件代码库与机器学习研究

    当前迅速发展的技术环境和先进的软件开发使得网络安全攻击的增加成为一个紧迫问题，通过利用主题建模和机器学习来检测软件需求过程中的早期漏洞已经取得成功，并且未来的研究旨在采用多种监督式机器学习技术提高自动化和建立软件需求与漏洞之间的联系。

    Nov, 2023

  • 将 CVE 漏洞记录自动映射到 MITRE CWE 弱点

    本研究旨在通过 Sentence-BERT 和 rankT5 等深度学习模型将 CVE 记录映射为 MITRE CWE 弱点，并发布了包含 4,012 个记录的手动注释数据集，以用于弥补缺乏公共可用数据集的问题。

    Apr, 2023

  • 用于专门的网络威胁情报的多级微调、数据增强和少样本学习

    尽管现有分类器的泛化能力不佳，但我们提出了一种基于机器学习的方法来从开放源中收集适当的网络安全信息。我们将三种不同的小数据技术 (转移学习，数据增强和少样本学习) 相结合，训练了一个高质量的分类器，发现 F1 得分比标准训练方法提高了超过 21 个点，比少样本学习的现有方法提高了超过 18 个点。

    Jul, 2022

  • 贝叶斯而非朴素：网站指纹识别防御的安全界限

    本研究利用机器学习分类方法，以最小可达误差为基础，推导了任何 WF 防御的安全限制，并且证明了这种方式可以用于定义其他基于 ML 的攻击的安全限制。

    Feb, 2017

  • 基于机器学习的自动化软件漏洞检测

    利用机器学习和深度神经网络，针对 C++ 程序开发了一种基于数据驱动的漏洞检测方法，研究结果表明结合源代码和神经网络特征，可以获得更可靠的漏洞检测结果，最高检测能力达到 0.87。

    Feb, 2018

  • 保护量子机器学习模型安全的框架 QuMoS

    该研究提出了一种名为 QuMoS 的框架，该框架通过在多个云提供商之间分发 QML 模型而不是应用加密算法来保护模型安全，并且使用强化学习算法自动优化在分布式环境下的模型设计，从而在提供高安全性的同时实现高精度。

    Apr, 2023

  • 模块化模型架构中的机器学习信息流控制

    为了使受访者能够更加安全地使用 Access-controlled 数据，该研究提出了信息流控制的概念并开发了一种基于 Mixture-of-Experts 的 Transformer 语言模型。实验结果表明，该模型能够使数据的性能开销最小化并显著提高训练模型的准确性。

    Jun, 2023

  • SecureFalcon：下一代网络安全专家系统

    本文介绍了 FalconLLM 在网络安全方面的应用，提出了 SecureFalcon 模型架构以便更好地检测软件漏洞。通过构造新的 FormAI 训练数据集，使用 SecureFalcon 模型，检测软件漏洞的准确率达到了 94%。

    Jul, 2023