The Evolution of Binary Decompilation in the Modern Era: A Taxonomy, Literature Review, and Future Perspectives
本文是一篇关于二进制反编译技术在现代计算环境中的系统性综述。反编译作为软件工程与安全分析的基础技术，旨在将机器码或二进制程序还原为高级语言表示，广泛用于恶意软件分析、漏洞挖掘、遗留代码维护和软件可追溯性验证。近年来，随着机器学习（ML）方法
#machine-learning
共收录 116 条相关情报。
← 返回所有主题Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning
该论文针对传统人工响应已无法跟上攻击者速度的问题，提出了一种基于机器学习的自主网络防御系统，可在软件定义网络（SDN）中实时检测攻击并自动应用缓解措施。研究背景指出，2025年平均网络犯罪突破时间（从初始访问到首次横向移动的间隔）已缩短至2
Password Guessing Using Random Forest.
本文研究将随机森林（Random Forest）机器学习模型应用于密码猜测任务。传统密码猜测方法（如基于马尔可夫链、概率上下文无关文法或深度学习生成模型）在捕捉密码结构时各有局限：马尔可夫模型难以处理长距离依赖，PCFG 依赖人工设计规则，
Troubleshooting an Intrusion Detection Dataset: the CICIDS2017 Case Study.
该论文对网络安全入侵检测领域广泛使用的基准数据集 CICIDS2017 进行了系统性的审查与重建。研究背景是：尽管机器学习技术在网络入侵检测中展现出不错的效果，但缺乏能够代表现代网络流量的高质量训练数据，一直是制约其在实际大规模网络环境中落
Trust the Crowd: Wireless Witnessing to Detect Attacks on ADS-B-Based Air-Traffic Surveillance.
ADS-B（自动相关监视-广播）已成为空中交通监视的事实标准，所有飞机被要求主动广播包含身份、位置和运动信息的报文。然而，ADS-B缺少安全机制，使其容易遭受有能力的攻击者的网络攻击，从而危及航空安全。本文提出一种非侵入式的信任评估系统，用
A Calibrated and Explainable Bimodal Machine Learning Framework for Hybrid Intrusion Detection
该论文针对现代通信系统中入侵检测面临的两个关键挑战：未知攻击的检测能力不足以及极端数据不平衡导致的稀有威胁类别识别困难，同时现有黑盒机器学习模型缺乏可解释性，难以在实际安全运营中落地。作者提出了一种双模态框架，将已知类别的精确分类与开放集泛
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
本文针对物联网（IoT）设备类型识别在概念漂移下的性能退化问题展开研究。在企业和ISP网络中，通过被动流量分析识别IoT设备类型已成为安全管理的重要手段。然而，随着设备行为随时间和环境变化，基于机器学习（ML）的分类器性能会逐渐下降，即出现
SoK: Let the Privacy Games Begin! A Unified Treatment of Data Inference Privacy in Machine Learning.
该论文是一篇面向机器学习隐私推断风险的系统化知识（SoK）综述。研究背景是：机器学习模型在生产环境的部署可能使攻击者推断出与训练数据相关的敏感信息，已有大量文献分析了各类推断风险，如成员推断攻击、重建攻击等。受密码学中基于博弈（即概率实验）
Characterizing the Variance Envelope: A Multi-Dimensional Analysis of Spectre Telemetry Across Architectures and Workloads
本文针对硬件侧信道攻击（如Spectre）在真实场景中的检测难题展开研究。尽管机器学习模型在受控环境下能通过硬件性能计数器（HPC）捕捉攻击足迹，但当面对系统背景噪声、多样化攻击变体以及对抗性流量节拍时，静态模型往往失效。为此，作者提出了“
Evaluating Machine Learning-Based IoT Device Identification Models for Security Applications.
本文针对基于机器学习的物联网设备识别模型在实际部署中性能下降的问题展开系统性评估。作者指出，现有方案大多假设物联网环境是静态的，未能考虑真实网络中设备工作模式多样、随时间演化以及网络流量时空变化等因素，导致模型在现实中准确率显著降低。为了量
Analysis of Trustworthiness and Fairness in Machine Learning for Healthcare.
本文（arXiv 论文）针对机器学习在医疗健康领域应用中的可信度（Trustworthiness）与公平性（Fairness）问题进行了系统性分析。在医疗场景下，模型必须同时满足精准性、可解释性、鲁棒性和无偏见等要求，但现有研究往往只关注单
Concept Drift Detection and Adaptive Retraining of Malware Classification Models
本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者
Verify your Labels! Trustworthy Predictions and Datasets via Confidence Scores.
本文提出了一种名为 LabelTrust 的通用工具，用于为机器学习中的样本-标签映射（SL-Mappings）生成置信度分数。SL-Mappings 是机器学习模型训练与推理的核心，其正确性直接关系到模型的安全性与可靠性，尤其是在面临投毒
Certifiable Black-Box Attacks with Randomized Adversarial Examples: Breaking Defenses with Provable Confidence.
该论文提出了一种全新的黑盒对抗攻击范式——可认证黑盒攻击（Certifiable Black-Box Attacks），旨在从理论上保证攻击成功率（Attack Success Probability, ASP），而不像传统黑盒攻击那样依赖
Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation
本文针对暗网流量识别中现有方法依赖封闭世界（closed-world）评估、假设训练与测试阶段所有服务类别已知，从而严重脱离真实部署场景的问题，提出了一种开放世界（open-world）暗网流量分类框架。作者采用留一服务（leave-one
Beyond the QBER Threshold: A Temporal QBER Based Machine Learning Framework for Multi Attack Detection in BB84 QKD
本文针对传统 BB84 量子密钥分发（QKD）系统中固定 11% 量子误码率（QBER）阈值检测窃听方案的不足，提出了一种基于时间维度 QBER 的机器学习框架，用于多类型窃听攻击的检测与分类。传统方法仅依赖会话级平均 QBER，而隐蔽攻击
ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection
随着智能设备（如智能手机和平板电脑）的普及，移动应用生态蓬勃发展，但恶意软件也日益猖獗。尽管官方应用商店要求应用在上架前通过恶意软件筛查，许多恶意应用仍能通过隐藏复杂变种绕过检测，且其恶意行为往往仅在运行时触发，传统的静态分析难以识别，导致
Truth Serum: Poisoning Machine Learning Models to Reveal Their Secrets.
本论文提出了一类新的针对机器学习模型的主动推断攻击，称为“Truth Serum”。这类攻击的核心思想是：如果攻击者能够向训练数据集中投毒（即注入精心设计的恶意样本），那么训练出的模型将会泄露其他参与方（受害者）训练数据中的敏感隐私信息。这
Performance analysis of Machine learning algorithms for predicting malware
该论文针对传统基于签名的防病毒软件难以检测新型恶意软件的问题，提出了一种基于机器学习（ML）的恶意软件检测框架。研究选取了基准恶意软件数据集，对多种主流的分类算法——包括人工神经网络（ANN）、支持向量机（SVM）、XGBoost和Extr
Protecting IoT Devices through Localized Detection of BGP Hijacks for Individual Things.
本文提出了一种针对物联网（IoT）设备的本地化BGP劫持检测方法。传统上，BGP路由劫持被视为大规模系统问题，需要网络服务提供商采取行动，而边缘网络（如家庭网络）的路由信息被认为不具有可操作性。作者利用IoT设备功能有限以及单个家庭网络中间