A SOC-Innovative Intelligent Framework For UAVs CyberSecurity
本文提出了 SOC2I,这是一个由人工智能驱动的框架,通过整合实时异常检测、风险量化和自主缓解机制,将安全运营中心(SOC)的能力适配于无人驾驶飞行器(UAV),旨在弥合传统网络防御与空中信息物理安全之间的差距。
4092 篇论文
本文提出了 SOC2I,这是一个由人工智能驱动的框架,通过整合实时异常检测、风险量化和自主缓解机制,将安全运营中心(SOC)的能力适配于无人驾驶飞行器(UAV),旨在弥合传统网络防御与空中信息物理安全之间的差距。
执行治理人工智能(EGA)V9 是一个确定性运行时框架,它通过结合回放一致性、溯源验证以及失效封闭式遏制,在不增加语言模型开销的情况下,实现对执行偏差的 100% 检测且零误报或漏报,从而实现可信的自主工作流,同时透明地承认在事后限制和副作用保证方面的特定局限性。
本文介绍了 Freeze-to-Confirm (F2C),这是一种针对有状态流式开放词汇分割的恢复策略,该策略通过暂时停止自适应以确认持续性风险,随后恢复模型状态,从而在保持低延迟的同时,显著提升了在多个基准测试中的性能。
该论文提出了 CTDG-IDS,这是一个连续时间动态图表示学习框架,它通过整合记忆更新、超图构建和动态图注意力机制,通过捕捉演化的拓扑结构和时间交互,来有效地检测网络入侵。
本研究评估了 GitHub 作为集成研究基础设施的潜力,发现虽然其原生功能能够有效支持执行和输出阶段,但对于问题构建等上游研究活动仅能提供部分的溯源性,并且需要补充工具来实现全生命周期管理。
CleanScore 是一个采用负控制和敏感性边界的黑盒审计框架,用于区分真正的模型技能与先前的训练数据暴露,它揭示了标准的基于改写(paraphrase)的审计会显著低估训练数据污染的影响,同时证明了公共基准测试中的表面形式膨胀(surface-form inflation)是极小的。
本文提出了一种神经筛选器-推理器(Neural Screener–Reasoner)框架,该框架结合了一个无解析器、线性自注意力检测器与一个检索增强的大语言模型,旨在实现高准确度的日志异常检测,并生成可验证且基于证据的解释,同时有效控制推理成本。
本文提出了边界优先分割(Boundary-First Segmentation),这是一种无需训练的范式,通过统一边界证据传输(Unified Boundary Evidence Transport, UBET)在进行身份仲裁前构建闭合查询区域,通过优先考虑空间相干性而非密集语义相似性,在多种基准测试中实现了最先进的性能。
本文提出了一种名为分形谱波滤波器(Fractal Spectral Wave Filter)的量子抗性密码学框架,该框架通过利用莫顿 Z 阶曲线对二维数据进行映射、在有限环上应用数论变换,并利用未缓解的混叠碰撞作为扩散机制,实现了高效的 O(N log N) 处理和高熵特性。
本文介绍了 Mastyf Guard,这是一种确定性优先的安全架构,它将 LLM 智能体视为不可信的主体,并通过外部引用监视器强制执行条件非升级不变性,在针对间接提示注入和数据外泄威胁的实证评估中,实现了近乎完美的攻击检测且零误报。