SEVulDet

SEVulDet SEVulDetは、より多くのセマンティクスを抽出、保存、学習することで脆弱性パターンを正確に特定できる、セマンティクス強化型深層学習ベースのフレームワークです。 E-mail （連絡先）: [email protected] SEVulDetの詳細...

deep-pwning

Deep-pwningは、機械学習モデルを対象に、意欲的な攻撃者に対する堅牢性を評価するための軽量フレームワークです。 現在の状態のdeep-pwningは、 成熟や完成には程遠い ことに注意してください。これは、あなたが実験し、拡張し、発展させていくことを意図しています。そうすることで初めて、真に 統計的機械学習モデルのための侵入テストツールキット となるのです。 背景 研究者たちは、機械学習モデル（分類器、クラスタリング器、回帰器など）をだまして客観的に誤った決定をさせることが驚くほど簡単であることを発見しました。この研究分野は 敵対的機械学習...

DeepTraffic

ネットワークトラフィック分類のための深層学習モデル 詳細については、私たちの論文をお読みください。 🎓Wei WangのGoogle Scholarホームページ Wei Wang, Xuewen Zeng, Xiaozhou Ye, Yiqiang Sheng and Ming Zhu,"表現学習のための畳み込みニューラルネットワークを用いたマルウェアトラフィック分類," in 第31回国際情報ネットワーキング会議（ICOIN 2017）, pp. 712-717, 2017. Wei Wang, Jinlin Wang, Xuewen Zeng, Zhongzhen Yang and...

deep-loglizer

Deep-loglizer Deep-loglizer 是一个基于深度学习的日志分析工具包，用于自动化异常检测。 如果您在研究中使用了 deep-loglizer，请在发表时引用以下论文： Zhuangbin Chen, Jinyang Liu, Wenwei Gu, Yuxin Su 和 Michael R. Lyu. 经验报告：基于深度学习的系统日志分析用于异常检测。 arXiv 预印本，arXiv:2107.05908 2021。 框架 模型 模型| 论文参考 ---|--- 无监督模型| LSTM| CCS'17...

PassGAN

PassGAN このリポジトリには、論文『PassGAN: 深層学習によるパスワード推測手法』のコードが含まれています。 PassGANのモデルは『Improved Training of Wasserstein GANs』から引用されており、PassGANの著者らはその研究でimprovedwgantrainingのTensorFlow実装を使用したものと推測されます。このため、このリポジトリではその参照実装を修正し、トレーニング（train.py）とサンプリング（sample.py）を簡単に行えるようにしました。このリポジトリが提供するものは次のとおりです。...

Jammer-Loc

Jammer-Loc 本存储库包含论文的代码和数据集链接 “用于室内 UWB 干扰源定位的机器与深度学习方法。” 使用示例 运行超参数优化过程： python hpo.py \ --task classification \ --mode actual \ --framework ml \ --config config.yaml \ --trials 50 \ --study-name mystudy 1. 模型和指标必须由 main.py 以预期格式保存。 2. Optuna 结果默认保存到 hpo.db。 3. 所有命令行选项均在 hpo.py 中使用 argparse...

degas

Degas 深層学習モデルを用いたDGA生成ドメイン検出 実行方法 現在、開発にはConda（Anaconda/Miniconda）を使用していますが、同梱のrequirements.txtを使用すればPipenvやvirtualenvでも利用できるはずです。 conda: conda env create -f environment.yml conda activate degas Pipenv: pipenv install -r requirements.txt pipenv shell...

awesome-latency-attacks

Awesome 深度学习延迟攻击与防御 本仓库作为综述《 Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey 》的配套资源进行维护。它索引了关于已部署 AI 系统中面向延迟的可用性威胁的论文、代码链接、分类学注释和图表。 本列表聚焦于影响推理时或系统级成本——延迟、能耗、吞吐压力以及截止时间错过——的攻击与防御，而非仅改变模型预测的攻击。目前包含 110 项工作 （71 项推理阶段攻击、13 项训练阶段攻击、26 项防御）。 在 GitHub Pages 上的交互式表格 中搜索和筛选该目录。 概述 图 1...

PrivacyRaven

注意：此项目已暂停。 PrivacyRaven 是一个用于深度学习系统的隐私测试库。 您可以用它来确定模型对不同隐私攻击的敏感性；评估隐私保护机器学习技术；开发新颖的隐私度量与攻击方法；以及将攻击方法重新用于数据溯源和其他用例。 PrivacyRaven 支持仅标签的黑盒模型提取、成员推断攻击，以及（即将推出的）模型反演攻击。 我们还计划加入差分隐私验证、自动化超参数优化、更多类别的攻击以及其他功能；更多信息请参阅 GitHub issues。 PrivacyRaven 曾在 OpenMined 隐私会议、Empire Hacking 和 Trail of Bits 博客 上亮相。...

TorchServe Server-Side Request Forgery vulnerability

ImpactRemote Server-Side Request Forgery SSRF Issue: TorchServe default configuration lacks proper input validation, enabling third parties to invoke remote HTTP download requests and write files to the disk. This issue could be taken advantage of to compromise the integrity of the system and...

On the Study of Biometric Spoofing Detection Using Deep Learning

Biometric systems are increasingly deployed in security applications; however, they remain vulnerable to spoofing attacks, in which attackers exploit counterfeit biometric data to gain unauthorized access. This research evaluates the effectiveness of state-of-the-art machine learning models,...

The Chronicles of Radio Frequency Fingerprinting

Radio Frequency Fingerprinting RFF has evolved from an early idea for radar emitter identification into a broad research field for wireless device identification and spectrum monitoring for security. Rather than presenting a conventional literature survey, this work provides a critical historical...

Cognitive Threat Intelligence and Explainable Federated Security Analytics for Distributed Infrastructure Systems

The increasing adoption of distributed infrastructure systems, cloud computing, Internet of Things IoT technologies, and edge-based architectures has significantly expanded the cybersecurity attack surface and introduced increasingly sophisticated cyber threats. Conventional centralized intrusion...

From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation

Machine-learning-based Intrusion Detection Systems IDS have achieved impressive accuracy in classifying network attacks, yet they consistently fall short on the question that matters most to a security analyst: what should I do next? This paper presents a unified, end-to-end framework that closes...

Convolutional-Neural-Networks for Deanonymisation of I2P Traffic

This study investigates the potential for deanonymizing services within the Invisible Internet Project I2P network through passive traffic analysis and machine learning techniques. The primary objective is to identify distinctive patterns in I2P traffic despite the encryption of its payload. To...

EDySec: A Deep Learning-Based Explainable Dynamic Analysis Framework for Detecting Malicious Packages in PyPI Ecosystem

The security of open-source software repositories is increasingly threatened by next-gen software supply chain attacks. These attacks include multiphase malware execution, remote access activation, and dynamic payload generation. Traditional Machine Learning ML detectors struggle to detect these...

CVE-2025-69893

A side-channel vulnerability exists in the implementation of BIP-39 mnemonic processing, as observed in Trezor One v1.13.0 to v1.14.0, Trezor T v1.13.0 to v1.14.0, and Trezor Safe v1.13.0 to v1.14.0 hardware wallets. This originates from the BIP-39 standard guidelines, which induce non-constant...

EUVD-2025-209448

A side-channel vulnerability exists in the implementation of BIP-39 mnemonic processing, as observed in Trezor One v1.13.0 to v1.14.0, Trezor T v1.13.0 to v1.14.0, and Trezor Safe v1.13.0 to v1.14.0 hardware wallets. This originates from the BIP-39 standard guidelines, which induce non-constant...

PT-2026-32627

A side-channel vulnerability exists in the implementation of BIP-39 mnemonic processing, as observed in Trezor One v1.13.0 to v1.14.0, Trezor T v1.13.0 to v1.14.0, and Trezor Safe v1.13.0 to v1.14.0 hardware wallets. This originates from the BIP-39 standard guidelines, which induce non-constant...

CVE-2025-69893

A side-channel vulnerability exists in the BIP-39 mnemonic processing implementation of Trezor One (v1.13.0 to v1.14.0), Trezor T (v1.13.0 to v1.14.0), and Trezor Safe (v1.13.0 to v1.14.0) hardware wallets. The root cause is derived from BIP-39 standard guidelines that cause non-constant time exe...