XiaoMi-AI文件搜索系统
World File Search System恶意
2023 年恶意软件状况 - Malwarebytes
因此，我们请几位顶级专家回答三个热门问题，这些问题与一个让许多关注这场战争的分析人士感到震惊的情景有关：克里姆林宫兑现其威胁并在冲突中使用核武器。他们权衡了普京迈出这一决定性一步的可能性、他可能会如何做以及西方可能会如何回应。
网络物理系统 (CPS) 的恶意软件分类...
全球范围内的恶意软件主要涉及制造业、石油和天然气以及教育领域。BlackEnergy2 和 Triton 等恶意软件能够对组织和石油和天然气等关键基础设施系统造成严重的、危及生命的损害。安全研究人员和从业人员正在寻找有效的解决方案来缓解此类恶意软件攻击。因此，本文提出了一种恶意软件网络物理系统 (CPS) 分类来检测攻击。这种分类的灵感来自系统发育学，借鉴了生物学领域中生物体之间的进化关系。至于网络安全视角，它发现了恶意软件基因的进化祖先。这种恶意软件分类方法包括恶意软件行为、攻击模式和网络中的连接资产。它可以根据相关性检测多种形式的恶意软件攻击。这项研究对 CPS 开发商、供应商和承包商、监管和管理公用事业运营的政府机构以及负责保护 CPS 的国家网络安全中心 (NCSC) 都有好处。
创造性的恶意提示工程 - WithSecure™ 实验室
在雷德利·斯科特 (Ridley Scott) 80 年代早期的科技黑色杰作中，洛杉矶警察局的里克·德卡德 (Rick Deckard) 有一项任务。他需要找到并“淘汰”四个复制人，他们劫持了一艘船，然后混入地球人类中寻找他们的创造者。像 Deckard 一样，银翼杀手武器库中的一个关键武器是 Voight-Kampff 测试 - 一系列提示，旨在引发反应，从而确定受访者是人类还是机器人，由人工智能引导。我们现在都是 - 在某种程度上 - 银翼杀手。随着使用自回归语言模型（如 GPT-3 和 GPT-3.5）的用户友好型工具的广泛发布，任何有互联网连接的人都可以访问可以在几秒钟内提供各种类似人类语音的机器人。这些模型生成的语言的速度和质量只会提高。而且改进可能会非常显著。这标志着历史上一个非凡的时刻。从 2022 年底开始，任何有知觉的生物（最终可能包括机器人）在遇到一段新文本时都可能会停下来问一个不那么简单的问题：这是机器人写的吗？好处还是危险，还是两者兼而有之 这一刻不仅仅是一个关于意识、社会和商业如何变化的有趣思想实验。我们识别机器生成行为的能力或无能可能会对我们容易受到犯罪的影响产生严重后果。从少量输入生成多功能自然语言文本将不可避免地引起犯罪分子，尤其是网络犯罪分子的兴趣——如果还没有的话。同样，任何使用网络传播诈骗、虚假新闻或错误信息的人可能都会对一种能够以惊人的速度创建可信甚至引人注目的文本的工具感兴趣。OpenAI 大型语言模型的广泛可用接口包括安全过滤器 1，旨在减少或消除潜在的有害用途。这些过滤器是基于 GPT 的分类器，可检测不需要的内容。公开可用的大型语言模型旨在成为有益的机器人。随着对这些模型的访问不断增长，我们需要考虑如何通过我们与人工智能互动传递文本的主要方式滥用这些模型：提示。
针对乌克兰组织的破坏性恶意软件 - CISA
要报告与本联合网络安全警告中发现的信息相关的可疑或犯罪活动，请联系您当地的 FBI 外地办事处 www.fbi.gov/contact-us/field-offices ，或联系 FBI 的 24/7 网络监视（CyWatch），电话 (855) 292-3937，或发送电子邮件至 CyWatch@fbi.gov 。请尽可能提供有关事件的以下信息：事件的日期、时间和地点；活动类型；受影响的人数；用于活动的设备类型；提交公司或组织的名称；以及指定的联系人。要请求与这些威胁相关的事件响应资源或技术援助，请联系 CISA，邮箱地址为 CISAServiceDesk@cisa.dhs.gov 。本文件标记为 TLP:WHITE。披露不受限制。当信息的滥用风险极小或没有可预见的风险时，信息来源可以使用 TLP:WHITE，并遵守适用的公开发布规则和程序。根据标准版权规则，TLP:WHITE 信息可以不受限制地分发。有关交通灯协议的更多信息，请参阅 https://www.cisa.gov/tlp 。TLP
空间大能和恶意的非国家演员-DTIC
报告文档页面批准OMB编号0704-0188此信息收集的公开报告负担估计为每个响应的平均1小时，包括审查说明的时间，搜索现有数据源，收集和维护所需的数据以及完成和审查此信息集合。发送有关此负担估计值或此信息集合的任何其他方面的评论，包括为国防部减轻此负担的建议，华盛顿总部服务，信息操作和报告局（0704-0188），1215 Jefferson Davis Highway，Suite 1204，Suite 1204，Arlington，VA 222022202-4302。受访者应意识到，尽管有其他法律规定，但如果没有显示当前有效的OMB控制号码，则任何人都不得遵守信息的收集。请不要将您的表格返回上述地址。1。报告日期（DD-MM-yyyy）20-05-2021
基于人工智能的恶意软件和勒索软件检测模型
摘要 — 网络犯罪是本世纪主要的数字威胁之一。尤其是勒索软件攻击显著增加，造成全球数百亿美元的损失。在本文中，我们训练和测试了不同的机器学习和深度学习模型，用于恶意软件检测、恶意软件分类和勒索软件检测。我们引入了一种新颖而灵活的解决方案，它结合了两种优化的恶意软件和勒索软件检测模型。我们的结果表明，在检测性能和灵活性方面都有一些改进。特别是，我们的组合模型为使用专门的、可互换的检测模块更容易地进行未来增强铺平了道路。索引词 — 恶意软件、勒索软件、PE 文件、防病毒、网络安全、人工智能
恶意软件分析系列（MAS）：第10条| Linux
▪ERS_02：https：//exploitrersing.com/2024/01/01/01/03/exploiting-er-series-series-article-02/▪ERS_01：https：//exploitrersing.com/2023/2023/04/04/11/11/exploiting-reverite-reverities-reverite-revering-reversing-reversing-sereise/sies//for-9，9.9.9：9.9.9：9.9： https://exploitrersing.com/2025/01/01/08/malware-alysis-serics-serics-mas-article-09/▪Mas_8：https：//exploratireversing.com/2024/08/08/08/08/07/malware-ainlysis-ainlysis-ainlysis-ainlysis series-mas-Article-mas-article-mas_mas-08/▪ https://exploitrersing.com/2023/01/01/05/malware-alysis-ansisy-mas-article-7/▪MAS___6：https：//exploratireversing.com/2022/2022/11/11/11/11/11/11/24/malware-alysis-alsys-alsys-alsys-mas-article-article-6/▪mas_5：mas_5：mas_5：mas_5：mas_5： https://exploraintirersing.com/2022/09/14/malware-alysis-mas-article-5/▪MAS__4：https：//exploratireversing.com/2022/2022/05/05/12/malware-analysis-analysis-analysis-mas-article-mas-article-4/▪3：3：3：3：3：3：3：3：3：3：3：3：3：3：3：3： https://exploratireversing.com/2022/05/05/malware-alysis-serics-mas-article-3/▪MAS__2：https：//exploratireversing.com/2022/02/02/02/03/malware-malware-analysis-analysis-mas-Aralsy-mas-Artilectile-marticle-2/▪ https://exploitireversing.com/2021/12/03/malware-alysis-mas-article-1/
保护小型卫星免受恶意网络安全威胁
Banks Lin、Wayne Henry 和 Richard Dill 美国赖特-帕特森空军基地空军理工学院 banks.lin@afit.edu wayne.henry@afit.edu richard.dill@afit.edu 摘要：太空和网络空间领域之间的联系日益紧密。太空技术的进步、卫星开发成本的降低以及商用现货产品的使用给太空基础设施带来了许多网络安全挑战。此外，基于太空的全球关键基础设施使太空领域成为恶意网络威胁的主要目标。软件定义无线电为策划恶意卫星活动的对手引入了潜在的攻击媒介。本文演示了对手如何通过软件定义无线电发送恶意命令来影响运行 NASA 核心飞行系统软件的卫星上传感器的完整性。该实验使用商用 USRP N210 软件定义无线电演示了一种可能的威胁媒介。结果表明，可以创建精心构造的消息来操纵目标小型卫星系统上的传感器。识别太空系统中的此类网络安全漏洞可以提高安全性并防止全球太空企业受到干扰。关键词：小型卫星、太空网络安全、软件定义无线电、内部威胁、完整性
使用机器学习的基于异常的恶意软件检测
网络安全工程系Paavai工程学院，印度泰米尔纳德邦Namakkal，摘要：恶意软件检测是网络安全的关键方面，传统的基于签名的方法证明不足以防止不断发展威胁。本期刊使用机器学习探索异常基本检测，通过识别与正常行为的偏差来识别恶意活动。所提出的系统利用机器学习算法来检测未知和零日恶意软件，从而通过适应新的威胁模式来增强网络安全。该研究研究了在现实世界环境中实施该系统的运营，经济和技术可行性。通过将先进的机器学习技术与基于异常的检测相结合，提出的系统代表了网络安全领域的重大进步。它旨在为新兴威胁提供更强大的防御机制，从而增强了针对已知和未知恶意软件的保护。本期刊不仅有助于开发前沿安全技术的发展，而且还为在动态和复杂的现实世界环境中实施这些系统的实际考虑提供了宝贵的见解。简介恶意软件多年来一直在显着发展，越来越复杂且难以捉摸，这使传统的检测方法（例如基于签名的方法）越来越无效。与基于签名的方法（反应性且仅限于已知威胁）不同，基于异常的检测旨在主动识别可能指示新形式或未知形式恶意软件的可疑行为。基于签名的检测取决于已知的恶意软件签名和模式的数据库；但是，这种方法与不匹配任何已知签名或多态性恶意软件的新兴威胁斗争，这些威胁不断地改变其外观以逃避检测。基于动物的检测是一种有希望的替代方案，通过专注于确定与系统或网络中正常行为的既定模式的偏差。这种方法利用机器学习技术来构建和维护正常活动的全面模型，从而使其能够识别和标记偏离该基线的异常模式。
使用深度学习的恶意URL识别-IJRPR
以高风险行业（例如财务或医疗保健）的高风险行业运营的跨国公司，其中数据安全至关重要。该公司的一名员工收到的电子邮件似乎来自值得信赖的合作伙伴。该电子邮件包含一个URL，敦促收件人验证敏感帐户信息。虽然URL似乎一目了然，但它是一个精心制作的网络钓鱼链接，旨在窃取登录证书。传统的安全系统可能无法将URL识别为恶意，因为它与真实领域的相似性及其缺席现有黑名单。但是，该公司的电子邮件安全系统配备了拟议的基于CNN的恶意URL检测模型。收到电子邮件后，系统会自动分析URL，提取和评估其结构和语义功能。与常规方法不同，基于CNN的模型标识了微妙的不规则性，例如意外的字符模式和异常的子域结构，将URL标记为潜在的恶意。系统然后立即隔离电子邮件，以防止其到达员工收件箱。将通知发送给网络安全团队，该团队调查并确认了网络钓鱼尝试。同时，将URL添加到共享威胁情报数据库中，帮助其他组织避免陷入同一攻击的受害者。此实时应用程序强调了基于CNN的模型在主动识别和减轻网络安全威胁，保护敏感信息以及增强对数字交互的信任方面的变革潜力。这种全面和积极主动的方法强调了采用先进的深度学习技术来应对数字优先世界中网络安全的不断发展的挑战。在不断扩展的数字景观中，恶意URL的兴起成为对网络安全的关键威胁，影响个人，组织甚至政府。网络罪犯不断开发新的方法来利用漏洞，制造传统的检测机制，例如黑名单和基于规则的算法，对用户的使用量越来越低。这些常规方法通常无法跟上新兴威胁的量增加和动态性质的增加，因此恶意URL的流行率不断增加，这导致了各种检测方法的发展，每种方法的效力都不同。这种比较分析探讨了三种关键方法：黑名单，机器学习模型和拟议的深度学习方法。