XiaoMi-AI文件搜索系统
World File Search SystemMITRE
2022 年网络安全有效性状况
报告结果基于使用 Cymulate 平台在全球用户群中执行的模拟攻击场景和活动的匿名汇总数据。Cymulate 使用基于已知行业标准的专有评分方法，包括 MITRE® ATT&CK® 框架、NIST 特别出版物 800-50 和其他基准。本报告中使用的加权平均值补偿了特定向量相对使用情况的差异。结果以 0 到 100 的等级呈现（0 表示风险最小）；并进一步分为四个风险类别：表现最佳者为安全、可能需要调整的系统为低风险、需要特别关注的领域为中等风险、以及表示几乎没有安全控制或安全控制无效的高风险。
Fortinet和Armis安全解决方案
当Armis确定脆弱或恶意设备时，它可以自动为Fortisiem安全信息和事件管理系统提供信息，并提供上下文详细信息以增强其行为分析功能。Armis的可见性深入到网络的所有段，即使在安全设备或入侵检测系统可能无法达到的情况下。Armis从MITER Engenuity获得IC的ATT＆CK框架的100％得分，并且还可以与Fortisiem共享此高级检测逻辑，因此分析师可以进行更快的威胁调查，遏制和对整个攻击表面可见性的狩猎速度。
JNC 2025
• Amanda Humphrey, NSWC Crane • John Langer, The Aerospace Corporation • Dr. Steven Lewis, The Aerospace Corporation • Chad Pinkelman, NIWC Pacific • Dr. Joseph J. Rushanan, The MITRE Corporation • David Wolfe, USGC C5ISC JOURNAL PUBLICATION JNC presenters are encouraged to write Publicly Releasable After Review technical papers based on their JNC presentations to submit for possible离子索引档案期刊的出版物，导航。论文可以在MC.Manuscriptcentral.com/navigation上在线提交。会议诉讼提交的演讲已批准公开发布（分发A）和/或CUI分发将向美国公民释放，这些公民在会议结束后2-4周被AFRL批准参加AFRL的会议。
人工智能和网络安全：充满希望但又充满不确定性的未来 Matteo E. Bonfanti | 苏黎世联邦理工学院安全研究中心 (CSS) 风险与弹性团队网络防御项目高级研究员 | @Teobonf05
3 实现这一目标的方法有很多种。其中一种是机器学习，其核心组件是学习算法、数据和训练算法的计算能力。人工智能领域最近的大部分成功都来自机器学习的一个子集：深度学习。它采用由多层人工神经元组成的深度神经网络，每层神经元都会转换接收到的数据。神经网络的灵感来自人类大脑。随着学习能力和决策能力的提高，人工系统有望随着时间的推移变得更加自主。MITRE 公司（2017 年），“与国防部相关的人工智能和通用人工智能研究观点”，JSR-16-Task-003，1 月，https://fas.org/irp/agency/dod/jason/ai-dod.pdf。
利用人工智能提高收购成果
已获得 DAWIA III 合同认证。他撰写了《基于挑战的采购手册》，向 MITRE、行业和政府的 500 多名员工讲授了该方法，并帮助众多机构采用创新的采购方法。前美国空军合同官，在创新、合同、采购、谈判、战略采购、咨询以及项目和计划管理等领域拥有 28 年的领导经验。创新采购方法和解决方案方面的出版作者、演讲者和实践者。帮助国防部、民间机构和 IC 全面实现战略计划和采购成功。Ryan 领导了 iCAMS 的启动，拥有无限 CO 授权，并完成了牛津大学的执行战略计划和耶鲁大学的加速管理计划。
SEC511 - 高级威胁检测和监控
在第一部分中，学生将探索构成现代网络安全战略的基础概念和方法。首先，他们将进行现状评估，回顾传统和现代攻击技术，了解这些技术的发展历程及其对现代后漏洞利用场景的影响。随后，本部分将深入探讨高级网络防御原则，强调威胁检测和响应措施从被动到主动的转变。本部分将介绍关键技术、模型和框架，例如 MITRE ATT&CK、CIS Controls、OWASP LLM Top 10、零信任和长尾分析，提供概念工具包，以更好地理解和缓解威胁。学生将学习如何利用这些框架，更好地将防御措施与已知的对手战术和技术相结合。
磁特征收集和方法标准
磁特征和方法标准收集了具有多年磁传感器经验的人员的企业知识。这些个人因其对该学科的贡献而受到认可和尊重。大约有 32 名或更多技术人员为本文档的编写做出了贡献。这项团队工作涉及政府、军队、大学和公司的多个机构。这些组织包括但不限于德克萨斯大学；国家地面情报中心；尤马试验场；白沙导弹靶场；MITRE 公司；宾夕法尼亚州立大学；佛罗里达州埃格林空军基地的 46TW/TSR；美国陆军研究实验室 - 皮卡汀尼兵工厂；Sentech, Inc.；阿诺德工程开发中心；美国陆军水道实验站；阿伯丁测试中心；Bishop Multisensors 公司；和 BAE 系统。
为人工智能危害添加结构
CSET 人工智能危害框架基于与外部组织的讨论以及对 AIID 中大约 100 起人工智能事件进行注释的经验。在长达一年的注释过程中，我们加深了对事件多样性和复杂性的理解，确定了人工智能危害的核心要素并完善了定义。最终形成的框架以从现实世界的事件报告中创建可操作、可分析的数据为中心。此外，CSET 还参与了与负责任人工智能协作组织、MITRE、经济合作与发展组织、美国国家标准与技术研究所 (NIST) 和 O'Neil 风险咨询与算法审计 (ORCAA) 16 的讨论，讨论如何描述、识别和跟踪人工智能危害和风险。在可能的情况下，该框架会将其术语与这些组织使用的术语保持一致。
保护持续集成/持续交付 (CI/CD) 环境
NSA 和 CISA 编写了此 CSI，以提供针对 MCA 强化 CI/CD 管道的建议和最佳实践，以保护 DevSecOps CI/CD 环境，无论采用何种工具。它概述了 CI/CD 部署的主要风险，使用 MITRE ATT&CK ® 框架根据已知威胁列举最重大的潜在 CI/CD 漏洞。有关映射到 ATT&CK 和 D3FEND ™ 的威胁的策略、技术和对策的详细信息，请参阅附录 A。NSA 和 CISA 鼓励组织实施拟议的缓解措施，以强化其 CI/CD 环境并加强组织 DevSecOps。通过实施拟议的缓解措施，组织可以减少进入其 CI/CD 环境的利用载体数量，并为对手创造一个具有挑战性的环境。
