XiaoMi-AI文件搜索系统
World File Search System零日
JUNOS SPACE 数据表
Junos Space 平台从头开始构建，基于面向服务的架构 (SOA)。它使用行业标准技术来提供增强的用户体验、大规模应用程序透明扩展、高可用性和功能速度。Junos Space 平台在瞻博网络的网络基础设施中提供单一抽象网络模型，并通过基于标准的表述性状态转移 (RESTful) API 将其扩展到第三方。使用基于标准的设备管理接口 (DMI)、XML 架构驱动的设备访问 API、对新设备的零日支持以及即插即用应用程序环境，可以实现在线设备和软件升级。用户可以使用简单的 Web 2.0 图形用户界面 (GUI) 访问 Junos Space 平台功能，该界面使用基于角色的工作流和渐进式披露来实现以操作员为中心和特定范围的可视性和控制。
司法部人工智能行政命令评论
由于司法部正在考虑在刑事司法系统中使用人工智能（“AI”），我们建议该部门利用利用人工智能的网络安全工具来保护司法部管理的敏感数据。目前，司法部对某些类型的数据（如刑事司法信息 (CJI) 和随附要求（CJIS 安全附录））有特定的指定，但这还不够。即使有这样的保护措施，人工智能驱动的网络安全对于保护这些数据也是至关重要的。使用人工智能检测网络威胁是一个巨大的优势。如今，安全团队需要从整个环境（包括云和临时环境）中获取情境感知和可视性，而人工智能可以帮助防御者处理这些数据并使检测更具可操作性。人工智能是防御者识别和预防零日攻击和无恶意软件攻击的最佳工具，因为人工智能可以根据行为线索而不是已知特征来击败新威胁。利用这些技术对于应对不断演变的威胁至关重要。
网络安全机学习模型的数据集
摘要：发现网络安全威胁变得越来越复杂，即使不是不可能！可以利用人工智能（AI）的最新进展来智能发现网络安全威胁。AI和机器学习（ML）模型取决于相关数据的可用性。基于ML的网络安全解决方案应在现实世界攻击数据上进行培训和测试，以便解决方案产生可信赖的结果。问题是，大多数组织无法访问可用，相关且可靠的现实世界数据。当训练用于发现新型攻击的ML模型（例如零日攻击）时，此问题会加剧。此外，网络安全数据集的可用性受到隐私法律和法规的负面影响。本文提出的解决方案是一种方法论方法，可指导组织开发网络安全ML解决方案，称为Cysecml。cysecml提供了获得或生成合成数据，检查数据质量以及识别优化ML模型的功能的指导。使用网络入侵检测系统（NIDS）来说明网络安全和AI概念的收敛性。
使用机器学习和Deep
勒索软件在整个现代时代攻击了对网络安全的最大诱人危险。安全软件在勒索和零日间谍软件突击方面经常无效；严重的净漏洞可能会导致大量信息损失。这些袭击正在创造一场资源竞争，这些攻击变得越来越灵活，并且越来越有能力改变它们的出现方式。在这篇评论文章中，主要的目标是伦理软件检测的最新趋势，也是可能的进一步研究的可能方向。本文提供了有关勒索软件的背景信息，攻击时间表以及病毒的概述。此外，它还对当前识别，避免，减少以及从勒索软件攻击中恢复的策略进行了详尽的分析。另一个收益包括对2016年至2023年之间进行的研究的检查。这使Booklover当前对勒索软件检测的最新突破有了最新的了解，并展示了防止勒索软件攻击的技术的改进。关键字 - 勒索软件检测，机器学习，软计算，软件定义网络（SDN）
使用机器学习检测网络钓鱼
恶意网络近年来，随着移动设备的使用越来越多，将几乎是现实世界的运营转移到网络世界的趋势越来越大。尽管这使我们的日常生活变得容易，但由于互联网的匿名结构，它也带来了许多安全漏洞。使用的防病毒程序和防火墙系统可以防止大多数攻击。但是，经验丰富的攻击者试图用伪造网页向他们进行融合，以针对计算机用户的弱点。这些页面模仿了一些流行的银行业务，社交媒体，电子商务等。网站要窃取一些敏感信息，例如用户ID，密码，银行帐户，信用卡号等。网络钓鱼检测是一个具有挑战性的问题，在市场上提出了许多不同的解决方案，作为黑名单，基于规则的检测，基于异常的检测等。在文献中，可以看出，由于其动态结构，目前的作品倾向于使用基于机器学习的异常检测，尤其是捕捉“零日”攻击。在本文中，我们通过使用八种不同的算法来分析URL，并提出了一个基于机器学习的网络钓鱼检测系统，以及三个不同的数据集将结果与其他工作进行比较。实验结果描述了
主题：有关信息技术风险管理法规的修订
检测系统XXX BSFI从事复杂的数字产品和服务，或处理大量的在线交易的高额总价值必须采用能够快速检测和预防欺诈性交易的强大欺诈管理系统（FMS），包括新的和不断发展的欺诈方案。BSFI应定期评估与其产品和服务相关的风险，以确定预防欺诈的适当措施。为了确保其FMS的鲁棒性，BSFI可以采用基于规则的机器学习和其他技术的任何或组合。BSFI还应实施以下所有基本欺诈规则和机制：（i）交易速度检查或阈值。监视在特定时间范围内传入和交易的频率以检测出异常快速的活动，这可能表明欺诈行为。FMS应能够以异常速度（例如多个，类似，同时或连续的交易）来检测，警报和/或阻止交易，包括可能通过自动机器人，恶意软件，零日利用和其他类似的手段或攻击向量来促进的交易。此外，根据消费者的风险概况，基于风险的阈值或限制交易的数量或数量，
保护网络入侵检测模型免于零...
机器学习模型越来越多地用于监视网络流量并检测网络入侵。在本文中，我们开发了一个深度学习体系结构，用于在数据包级别上进行流量监视。尽管从训练分布中提出了很高的准确性，但这些ML模型仍未推广到新颖的投入，这限制了它们在现实世界中的效力，在现实世界中，网络流量正在不断发展，并且新颖的威胁通常会出现。我们的深度学习框架引入了一个保障措施，该保护措施量化了分类模型做出的决定中的不确定性。我们的常规模型学习了DNN的内部特征的阶级条件表示。我们使用数据包级CIC-IDS-2017和UNSW-NB15网络入侵数据集演示了我们方法的有效方法。我们从培训数据中拒绝某些攻击类别来模拟零日攻击。我们的仅编码变压器模型在检测已知攻击时的准确性超过99％，只能对1％的新型攻击进行分类。我们提出的使用标准化流量的模型保障措施可以在检测这些新颖的输入时达到超过0.97的AU ROC。
Defiranger：检测Defi价格操纵攻击
摘要 - 分散融资（DEFI）的快速增长增强了区块链生态系统。同时，对DEFI应用程序（APP）的攻击正在增加。但是，据我们所知，现有的智能合同漏洞检测工具无法直接检测DEFI攻击。那是因为他们缺乏恢复和理解高级偏移语义的能力，例如，用户在分散的交换（DEX）中交易了令牌对x和y。在这项工作中，我们专注于检测两种新型的价格操纵攻击。为此，我们提出了一种平台独立的方法来识别高级偏差语义。指的是，我们首先从原始事务中构造了现金流树（CFT），然后将低级语义提升到高级语义，包括五个高级偏差动作。最后，我们使用用恢复的Defi语义表达的模式来检测价格操纵攻击。我们实施了一个原型，称为D E F I R Angr，该原型驱散了14起零日安全事件。这些发现是第一次对受到影响的当事方或/和社区的影响。此外，回测实验发现了15起未知的历史安全事件。我们进一步进行了攻击分析，以阐明产生价格操纵攻击的脆弱性根本原因。
一个联合学习框架，用于增强水下无人机分布式网络的数据安全和网络入侵检测
抽象的水下无人机对于科学研究，环境监测和海上操作至关重要，可以在具有挑战性的环境中收集数据。然而，他们的部署面临着低带宽，高潜伏期，信号衰减以及由于流动性和水流而导致的间歇性连通性等问题。在这些条件下，传统的集中数据处理方法效率低下，因为它们需要将大量原始数据传输到中心位置。为了应对这些挑战，本研究提出了专门针对水下网络量身定制的联合学习（FL）框架。与集中式方法不同，FL使水下无人机可以通过在本地处理数据并仅与中央服务器共享模型更新来协作训练全球入侵检测模型。这种方法可以通过确保敏感信息永远不会离开本地设备，从而降低传输过程中拦截或妥协的风险来显着提高数据安全性。此外，FL的分散体系结构固有地与水下无人机网络的动态和分布式性质保持一致。提出的框架通过利用各个无人机的局部见解来检测威胁，包括零日攻击，而无需直接暴露敏感数据，从而改善了网络入侵检测。通过保留隐私并实现协作异常检测，FL解决了水下互联网事物中的关键网络安全挑战（IOUT）。