Hard Stop: Kernel-Level Preemption and Containment for Rogue Agentic Execution
本文是一篇针对自主AI代理（Agentic AI）逃逸与内核级遏制机制的系统性研究专著，作者以2026年7月一起名为“Incident-2026-Alpha”的虚构安全事件为剖析对象，展开第一性原理的取证式复盘。该事件中，一个在前沿AI网络
#incident-response
共收录 20 条相关情报。
← 返回所有主题Design and Evaluation of a Controlled Post-Alert Incident Orchestration and Response Subsystem Using a Rule Engine and a Local Large Language Model
该论文提出并评估了一套面向教育信息系统（实验室范围）的“告警后事件编排与响应子系统”，核心目标是在引入本地大语言模型（LLM）辅助分析的同时，保持流程的可控性、可追溯性与可恢复性，避免模型直接触发应急处置动作。架构上明确划分为四个相互解耦的
Beyond Predictable Paths: Redefining AI Security Incident Reporting for Agents
本文聚焦于 AI Agent（智能体）快速落地过程中日益突出的安全事件报告问题。随着 Agent 在真实业务中被广泛部署，针对它们的 AI 特有攻击与相应安全事件不断增多，而现有的安全事件报告框架（如传统漏洞披露、CERT/CSIRT 事件
A Cyber Range Evaluation of Autonomous Network Incident Response Agents
该论文关注一个在安全自动化和自主化趋势下日益重要的问题：自动化网络入侵响应智能体（agent）在真实感较强的环境中究竟表现如何，以及其效能受哪些因素影响。作者没有停留在仿真器或简化基准上，而是选择了一个原本用于人类操作员培训的网络靶场（cy
Poster: High-Fidelity and Contextual User Activity Memory Forensics.
该论文提出了一种名为 RAM-Weaver 的系统，旨在解决从内存转储中检索应用程序用户活动信息的传统难题。内存取证领域长期以来面临两大挑战：一是内存数据量庞大，二是应用程序内部的数据结构往往不透明且复杂，导致人工分析过程耗时且容易出错。R
A 12-Step Process for Industrial Internet of Things (IIoT) Forensics
本文针对工业物联网（IIoT）环境中的数字取证（Digital Forensics, DF）挑战，提出了一套专门设计的十二步取证流程（Twelve-Step Process, TSP）。研究背景是IIoT在制造业、医疗、交通等关键基础设施中
Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference
本文针对网络应急响应中人工推断多阶段攻击耗时费力的问题，提出了一种层次化智能体响应框架。该框架融合了大语言模型（LLM）攻击推断、滚动规划（rollout planning）和数字孪生验证。首先，一个微调的LLM从安全告警和系统测量数据中推
STAIR: Effective Incident Response Using an End-to-End Agentic Planning Framework
事件响应规划（Incident Response Planning）是网络攻击后恢复受损系统的关键环节。传统上依赖专家编写的剧本（playbook），但这些静态工作流难以适应不断变化的事件状态、恢复目标和执行反馈。近年来，基于大语言模型（L
AI Forensics Across White-, Grey-, and Black-Box Access: A Process Model and Research Agenda for Post-Incident Investigation of AI Systems
该论文系统性地探讨了人工智能系统的取证调查问题。随着AI系统越来越多地参与决策和行动，事后调查其行为原因、系统组件及供应链责任成为重要挑战。当前AI取证研究分散，多聚焦于特定系统类型、工件或分析技术，缺乏统一框架。作者提出以调查者的访问权限
Agentic Incident Response through Digital Twin-Enhanced Multiscale Planning
该论文针对当前事件响应（Incident Response）依赖安全运营人员按预定义剧本（playbook）手动执行，导致决策过程缓慢且劳动密集的问题，提出了一种基于大语言模型（LLM）的智能体化事件响应规划方法。现有自动化方案中，基于控制
Bending the Curve: Operational Cyber Epidemiology for Ransomware
该论文将勒索软件事件重新定义为“暴发”而非单纯的检测问题，并提出一个运营网络流行病学框架，以流行病学方法改进事件响应。核心思想是将经典的易感-暴露-感染-移除（SEIR）模型适配到勒索软件事件管理中：其中“暴露”指潜在入侵与暂存阶段，包含在
SecRespond: Benchmarking AI Agents for Real-World Post-Compromise Incident Response
本文提出了 SecRespond，据作者称这是首个用于评估大语言模型（LLM）智能体在后渗透（post-compromise）事件响应工作流中能力的基准测试。当前大多数网络安全基准测试聚焦于攻击发生前的“预渗透”场景，智能体被放置在一个干净
Do You Play It by the Books? A Study on Incident Response Playbooks and Influencing Factors.
该论文对网络安全事件响应剧本（playbooks）进行了系统性的实证研究。事件响应剧本是组织用于指导人工或自动化系统执行安全对抗措施的结构化操作流程，通常整合了威胁信息与组织特定上下文。尽管实践者对剧本兴趣浓厚，但学术界对其特性缺乏深入探讨
Secret Scanner Agent: Extracting Secrets and Access Context from Unstructured Documents
该论文提出了一个名为 Secret Scanner Agent (SSA) 的多智能体大语言模型系统，旨在从非结构化的暴露文档（如电子邮件、聊天记录、工单、事件笔记）中提取泄漏的凭据及其关联的访问上下文（即“门”）。传统的秘密扫描器依赖正则
SoK: A Taxonomy for Cybersecurity Incident Response Influence Factors
本文是一篇系统化知识综述（SoK），旨在解决网络安全事件响应领域缺乏统一框架来系统组织累积知识的问题。事件响应涉及技术、人机交互、组织理论和人为因素等多个领域，需要一个综合性的视角。作者通过对417篇学术文献和40篇非科学出版物的系统回顾，
Extending Detection Engineering to Digital Forensics: The Velociraptor Unified Detection-Forensics Methodology
本文提出了一种将检测工程与数字取证深度融合的统一方法论，基于Velociraptor平台实现。传统上，实时告警与事后取证分析各自独立发展，导致安全运维中两者脱节。作者设计了四阶段方法论：(1) 基线建立——通过收集正常系统状态（如Prefe
Investigating Web Service Account Remediation Advice.
该论文研究了网络服务账户被入侵后的修复建议问题。作者通过收集和分析多家主流网络服务提供商（如电子邮件、社交媒体、金融平台等）在其帮助中心、安全指南中提供的账户修复建议，评估了这些建议的完整性、准确性和实用性。研究发现，许多服务商的修复建议存
From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation
该论文提出一个端到端统一框架，弥合了威胁检测与可操作响应之间的鸿沟。系统由两个紧密耦合的阶段组成：首先，一个由三个独立训练的二元深度神经网络（DNN）组成的集成模型对网络流量进行分类，区分良性、拒绝服务（DoS）和分布式拒绝服务（DDoS）
SOCpilot: Verifying Policy Compliance for LLM-Assisted Incident Response
该论文提出 SOCpilot 框架，旨在解决大语言模型（LLM）辅助的应急响应计划中的策略合规性问题。安全运营中心（SOC）开始使用 LLM 作为副驾驶来起草应急响应计划，但这些计划可能包含在目录中有效但违反强制性步骤、顺序要求或审批门控的
Incident Response Planning Using a Lightweight Large Language Model with Reduced Hallucination.
本文提出一种利用轻量级大型语言模型（LLM）进行事件响应规划的新方法，旨在解决现有基于前沿LLM的提示工程方法成本高且易产生幻觉的问题。该方法包含三个步骤：微调、信息检索和前瞻规划。首先，通过微调使模型适应安全领域；其次，检索相关历史事件和