#1通过分析内核函数执行时间的变化来检测rootkit文件隐藏活动。

通过训练基于对数概率的轻量级行为探针来检测 LLM 上下文泄露攻击,并提供 vLLM 离线/服务器检测管线。

使用 Kprobes 的 Linux 内核模块,通过时间间隔跟踪与主动寄存器置零,检测并中和 CVE-2024-1086 堆双重释放漏洞利用,且零 RAM 开销。

面向使用工具的 LLM 智能体的跨智能体追踪与安全诊断系统:规范化追踪事件、构建溯源图、提取从源到汇的链路,并归因防御缺口。

面向 AI 智能体的运行时安全网关:以密码学方式认证工具调用、强制执行策略、对执行过程进行沙箱化,并记录防篡改的审计日志。

面向 Windows 的离线优先网络调查与响应平台。可将 pcap 或实时抓包转化为完整的取证结论——攻击故事、IOC、提取的凭据以及一键响应——完全本地运行,无需云端,无需 API 密钥。

一个事件驱动的网络监控平台,通过PyTorch自编码器执行实时数据包捕获(Npcap)、低延迟流量分析和无监督威胁检测,并由异步多通道告警引擎提供支持。

PETriage:一个符号统一的PE文件读取器,用于应急分类,专为多平台和多接口使用而构建。

用于评估由工具调用的 LLM 智能体在调查原始 PCAP 时进行自主网络攻击检测的基准代码与交互式结果。

AI驱动的端点治理平台,监控软件使用情况,应用基于确定性策略的风险分类,并通过仅解释的AI分析生成结构化安全情报,以支持合规性和可审计性。

3D多域战术情报地图——在浏览器中实时查看船舶、航班、卫星、海底电缆与太空天气。支持时间擦洗、场景回放、基于物理的异常检测。


用于检测网络流量中SQL注入的混合机器学习流水线,结合DistilBERT与BERT-GNN模型,并集成对抗训练与鲁棒性分析。

用于AI代理安全监控的Sigma检测规则

基于 eBPF 的单主机运行时安全仪表板 — Go 代理 + SvelteKit。实时进程树、网络映射,以及针对普通 Linux 主机的基于规则的告警。


本仓库托管了一个多模态网络攻击数据集(MWAD),以推动AI驱动的威胁检测研究。