Who Left the Door Open? Investigating the Causes of Exposed IoT Devices in an Academic Network.
该研究针对一所大学的企业网络，系统调查了其中暴露Telnet和FTP服务的IoT设备存在的根本原因。研究者首先对网络进行扫描，发现了185台IoT设备，涵盖30个暴露Telnet的设备型号和49个暴露FTP的设备型号。随后向设备所有者发送安
#network-security
共收录 84 条相关情报。
← 返回所有主题Mondrian: Comprehensive Inter-domain Network Zoning Architecture.
本文提出 Mondrian，一种全面的跨域网络分区架构，旨在解决现代网络（如数据中心、企业网络和多租户云环境）中网络分段与安全策略管理的复杂性。现有解决方案（如 VLAN、ACL、SDN 微分段）在可扩展性、动态性和跨域一致性方面存在局限。
TrafficFormer: An Efficient Pre-trained Model for Traffic Data.
本文提出了一种面向网络流量的高效预训练模型 TrafficFormer，旨在解决流量数据标注困难、标签数据不足导致传统监督学习方法性能不佳的问题。在预训练阶段，TrafficFormer 设计了一个细粒度的多分类任务，通过预测流量报文中多个
Large Language Models for Validating Network Protocol Parsers.
网络协议解析器是确保设备间正确与安全通信的关键组件，其缺陷可能导致内存破坏、信息泄露或拒绝服务等严重漏洞。传统验证方法（如模型检验、模糊测试、差异测试）要么需要大量人工投入，要么忽略协议标准本身，难以检测语义违规。本文提出 Parval——
CHAOS: Exploiting Station Time Synchronization in 802.11 Networks.
本文研究802.11无线网络中站节点时间同步机制的安全漏洞。作者提出一种名为CHAOS的攻击方法，利用时间同步协议（如802.11中的TSF）的缺陷，使攻击者能够操纵无线站点的时间参考，从而引发同步偏差。该攻击可能导致网络计时错误、拒绝服务
AI in Cyberpsychology: A systematic literature review of Cybersecurity enhancement by using AI for analyzing psychology of Victims, Attackers, and Defenders
本文是一篇系统文献综述，旨在梳理人工智能（AI）在网络心理学（Cyberpsychology, CPSY）领域中的应用研究。网络心理学被定义为利用心理学原理增强网络安全应用。随着2010年代初以来AI技术的快速发展，AI与CPSY的融合日益
Explaining Intrusion Alert Decisions of Deep Learning-based Network Intrusion Detection Systems for Security Analysts
本文提出 EXP-SEC 框架，旨在为基于深度学习的网络入侵检测系统（DL-based NIDS）生成的告警提供可解释性，使安全运营中心（SOC）的分析师能够理解告警背后的决策依据。研究背景是：现有DL-based NIDS虽然检测精度高，
MTD-Playground: An Attacker-Aware Evaluation Framework for Network Moving Target Defense
移动目标防御（MTD）作为一种主动网络防御范式，通过动态网络重构技术（如软件定义网络（SDN）启用的路径随机化）增加攻击者的不确定性。然而，现有评估因攻击者假设、攻击场景和评估指标不一致而碎片化，限制了可重复性和面向部署的比较。本文提出MT
Controllability-Aware Adversarial Examples Against LLM-Based Network Traffic Classifiers
本文研究大型语言模型（LLM）作为网络入侵检测分类器时的对抗鲁棒性，重点关注现实攻击者约束下的脆弱性。作者提出了一种可控制性感知的黑盒迁移攻击框架，针对基于LLM的网络流量分类器。该框架根据网络通信语义将流特征划分为直接可控（DC）、间接可
Beyond the Syntax: Do Security Experts Trust LLMs for NIDS Rule Engineering?
该论文聚焦于网络入侵检测系统（NIDS）规则工程中的自动化挑战。随着网络威胁不断演化，手工编写NIDS规则已成为运维瓶颈。大型语言模型（LLM）虽展现出自动化规则生成的潜力，但其能否产出生产级规则尚未被验证。论文采用以人为中心的视角，首先形
Zero Conf Protocols and their numerous Man in the Middle (MITM) Attacks.
零配置协议自1999年提出以来，为网络设备提供了即插即用的连接机制，无需手动配置DNS或DHCP服务器。如今，几乎所有个人电脑、打印机、扫描仪等设备都默认启用了这类协议，用户往往毫不知情。物联网生态的蓬勃发展更是高度依赖这些协议（如mDNS
Generative AI and Federated Learning for Intrusion Detection Systems: A Survey
该论文是一篇关于生成式人工智能（Generative AI）和联邦学习（Federated Learning）在入侵检测系统（IDS）中应用的综述。入侵检测系统是现代网络环境（如网络物理系统、物联网、企业网络和分布式网络）中监控流量、识别恶
Forensic-Oriented Intrusion Detection Using Synthetic Network Traffic Data and Explainable Artificial Intelligence
该论文提出了一种面向数字取证场景的网络入侵检测框架，同时解决现有机器学习管线在证据保全和可解释性方面的缺陷。框架严格遵循ISO/IEC 27037、27041、27042及NIST SP 800-86等取证标准，将原始网络流量数据视为不可变
Multi-Level Distributional Entropy for Explainable Network Intrusion Detection
机器学习的网络入侵检测系统（IDS）通常依赖于聚合流统计数据，这丢弃了分布结构信息。传统的熵度量需要原始数据包序列，而在预先聚合的流数据集中不可用。本文提出多级分布熵（MDE），一个分析框架，直接从流级汇总统计量中推导出可解释的熵特征，包括
A Wall Behind A Wall: Emerging Regional Censorship in China.
本文研究了中国河南省自2023年8月以来部署的省级互联网审查机制，并与国家层面的“国家防火墙”（GFW）进行了对比分析。研究发现，河南防火墙基于TLS SNI和HTTP Host字段对出省流量进行检测和阻断。相比国家防火墙，河南防火墙虽然技
Low-Cost and Robust Global Time Synchronization.
该论文提出了一种名为 Everdeen 的低成本、鲁棒的全球时间同步系统。许多关键应用（如金融交易、电力网络、通信系统）依赖精确的时间同步，但现有方案存在单点故障（如依赖单一GNSS或租用基础设施）或成本高昂的问题。基于互联网的时间同步虽然
Glowing in the Dark: Uncovering IPv6 Address Discovery and Scanning Strategies in the Wild.
本研究通过控制实验揭示了互联网上IPv6扫描器的扫描策略。作者利用一个大型未使用的/56 IPv6子网，通过托管与IPv6服务器直接或间接交互的应用程序（如Web浏览、NTP池成员、Tor网络），选择性地使子网部分对扫描器可见。实验设计消除
Understanding the Stealthy BGP Hijacking Risk in the ROV Era
该论文首次系统性地研究了在路由来源验证（ROV）部分部署背景下的一种隐蔽BGP劫持风险。所谓隐蔽BGP劫持，是指恶意路由在不触发受害者警报的情况下成功劫持流量，这种劫持方式由于ROV部署的不完整性而变得可能，且此前缺乏系统性研究和真实世界事
DeepRed: A Deep Learning-Powered Command and Control Framework for Multi-Stage Red Teaming Against ML-based Network Intrusion Detection Systems.
该论文提出了一种名为DeepRed的深度学习驱动的命令与控制（C2）框架，用于针对基于机器学习的网络入侵检测系统（ML-NIDS）进行多阶段红队测试。研究背景指出，尽管机器学习能够提升NIDS的检测能力，但对抗性机器学习研究揭示了ML模型的
Point Cloud Analysis for ML-Based Malicious Traffic Detection: Reducing Majorities of False Positive Alarms.
该论文聚焦于基于机器学习的恶意流量检测中高误报率（False Positive, FP）这一实际部署痛点。传统机器学习方法依赖精心设计的特征，虽能检测包括零日攻击在内的各类攻击，但高误报迫使安全分析师投入大量精力进行人工复核，极大增加了运维