#1
实现用于室内UWB干扰源定位的机器学习和深度学习方法,包括在真实数据集上的超参数优化、分类和回归。

基于 Zeek 的 AsyncRAT 恶意软件检测器。

基于图的内鬼威胁检测,使用GCN-BiLSTM和注意力模型,在CMU CERT数据集上进行。包含数据预处理、特征提取以及用于异常检测研究的预训练检查点。

基于 Spicy 的 Zeek OSPF 数据包分析器。

用于检测和移除语言模型后门的研究框架,结合基于特征的异常检测与基于 LoRA 的遗忘学习,覆盖 BERT、BART、LLaMA 和 Qwen。

针对Apache Struts CVE-2017-5638漏洞利用的实时异常检测系统,采用流式分析、3-gram字节分析和Count-Min Sketch算法。无需签名即可检测RCE攻击,延迟<5ms,误报率<0.1%。

模拟 CVE-2024-38063 TCP/IP 远程代码执行攻击,使用 TShark 捕获网络流量,并训练机器学习模型以检测可疑活动。

分析 RanSMAP 数据集的 Jupyter notebook,使用 scikit-learn 集成模型根据内存访问模式(GPA、熵、页面类型)对勒索软件家族进行分类。

鲸鱼哨兵服务

一个轻量级、实时的安全信息与事件管理(SIEM)仪表板,使用Streamlit构建。它收集系统日志,检测USB和入侵活动,并将其可视化以实现高效监控。作为一项个人网络安全项目,为大学设计。

用 EDR 数据丰富 conn.log

一项用于在与 AI 服务交互时提供针对提示注入、越狱攻击和有害内容防护的服务。

用于日志解析的机器学习工具包 [ICSE'19, DSN'16]

用于实现网络入侵检测系统 (NIDS) 的框架,旨在利用联邦学习模型识别网络流量中的异常。

HASSH 是一种网络指纹识别标准,可用于识别特定的客户端和服务器 SSH 实现。这些指纹可以以小型 MD5 指纹的形式轻松存储、搜索和共享。

无监督深度自编码器,用于标记异常移动流量:通过 mitmproxy 从一台真实 iOS 设备拦截了 25,000 多条 HTTP/HTTPS 流量,通过阈值调优将标记流量从 1,100 条降至 103 条,并配有 Streamlit 监控仪表板。