时序数据异常检测是数据挖掘及网络安全领域的重要研究课题。文章以时序数据异常检测技术为研究对象，运用文献调研与比较分析方法，深入探讨了深度学习模型在该领域的应用及其研究进展。文章首先介绍了深度时序数据异常检测的定义与应用；其次，提出了深度时序数据异常检测面临的9个问题与挑战，并将时序数据异常分为10类，枚举了16种典型的时序数据异常检测数据集，其中包括5种社交网络舆情安全领域相关数据集；再次，文章将深度时序数据异常检测模型进行分类研究，分析总结了近50个相关模型，其中包括基于半监督增量学习的社交网络不良信息发布者异常检测，进一步地，文章依据深度学习模型的学习模式将模型划分为基于重构、基于预测、基于重构与预测融合3种类型，并对这些模型的优缺点及应用场景进行综合分析；最后，文章从8个方面展望了深度时序异常检测技术的未来研究方向，分析了每个方向的潜在研究价值及技术瓶颈。
人工智能在训练推理等过程中的隐私泄露、推理失真等安全问题，引起了人们的高度关注，甚至涉及意识形态乃至国家战略安全。在此背景下，联邦学习作为一种新兴的机器学习架构，通过保持数据本地性的同时实现模型的联合训练，为多方参与数据分析、处理和共享的应用领域提供了有效的隐私保护能力。从联邦学习的研究动机、技术方法等方面来看，如何利用该技术有效解决典型应用场景下的实际问题是其核心和关键，因此相关应用研究现状的全面综述，对联邦学习的进一步研究与实践都具有参考价值。为此，文章对联邦学习在异常检测、推荐系统以及自然语言处理等典型技术应用中的研究现状进行综合性调研。首先，文章对相关文献按照应用场景角度进行全面的分类梳理，从多领域视角分析了联邦学习架构的研究现状。其次，文章从技术实现的角度，对比分析了各技术领域中不同方案的数据集合、性能特点、评价指标等方面。在此基础上，文章分析总结了联邦学习研究尤其是系统应用面临的关键挑战和发展方向。
随着互联网的普及和网络安全威胁的日益增加，网络流量特征的异常分析与检测已成为网络安全领域的重要研究课题。文章主要对近年来网络流量特征的异常分析与检测方法进行研究，首先，介绍了网络流量异常分析的基本概念和类型；其次，详细讨论了当前主要的异常检测技术，包括基于统计学、信息论、图论、机器学习以及深度学习的方法；然后，对常见的网络流量异常检测方法进行对比分析；最后，探讨当前研究面临的挑战和未来的发展方向。
近年来，随着大语言模型技术的迅速发展，其在医疗、法律等众多领域已经显现出应用潜力，同时为网络安全领域的发展提供了新的方向。文章首先综述了大语言模型的设计原理、训练机制及核心特性等基础理论，为读者提供了必要的背景知识。然后，深入探讨了大语言模型在识别和处置日益增长的网络威胁方面的作用，详细阐述了其在渗透测试、代码安全审查、社会工程学攻击以及网络安全专业知识评估方面的研究进展。最后，分析了该技术在安全性、成本和可解释性等方面的挑战并展望了未来的发展方向。
在联邦学习中，由于需要大量的参数交换，可能会引发来自不可信参与设备的安全威胁。为了保护训练数据和模型参数，必须采用有效的隐私保护措施。鉴于异构数据的不均衡特性，文章提出一种自适应性差分隐私方法来保护基于异构数据的联邦学习的安全性。首先为不同的客户端设置不同的初始隐私预算，对局部模型的梯度参数添加高斯噪声；其次在训练过程中根据每一轮迭代的损失函数值，动态调整各个客户端的隐私预算，加快收敛速度；接着设定一个可信的中央节点，对不同客户端的局部模型的每一层参数进行随机交换，然后将混淆过后的局部模型参数上传到中央服务器进行聚合；最后中央服务器聚合可信中央节点上传的混淆参数，根据预先设定的全局隐私预算阈值，对全局模型添加合适的噪声，进行隐私修正，实现服务器层面的隐私保护。实验结果表明，在相同的异构数据条件下，相对于普通的差分隐私方法，该方法具有更快的收敛速度以及更好的模型性能。
模糊测试是当今比较流行的漏洞挖掘技术之一。传统的模糊测试往往需要大量人工参与，测试周期较长且测试效果依赖于专家经验。近年来，机器学习应用广泛，这为软件安全测试技术注入了新活力。一些研究工作使用机器学习技术对模糊测试过程进行优化和改进，弥补了传统模糊测试技术的诸多缺陷。文章对基于机器学习的模糊测试技术进行了全面分析。首先，总结了常见的漏洞挖掘方法、模糊测试过程与分类以及传统模糊测试技术的不足；然后，从模糊测试的测试用例生成、变异、筛选和调度等角度入手，着重介绍了机器学习方法在模糊测试技术中的应用研究，并结合机器学习和模糊测试实现其他功能的研究工作；最后，基于现有的工作分析总结了目前研究的局限性和面临的挑战，并对该领域未来的发展方向进行了展望。
随着工业4.0和智能制造的快速发展，工业控制系统的安全性成为关键问题。工业控制协议作为工业控制系统的核心通信机制，其安全性直接关系到系统的稳定性和数据保护。然而，许多工业控制协议在设计时缺乏充分的网络安全考虑，导致系统容易受到恶意软件、拒绝服务等攻击，可能危及企业利益甚至国家安全。当前，研究者们正积极探索工业控制协议的安全问题，并提出了多种解决方案。文章综述了工业控制协议的安全现状、主要挑战和发展趋势。首先，介绍了工业控制协议的基本概念和分类，分析了其安全特性及脆弱性。然后，重点讨论了符号执行、逆向分析和模糊测试在漏洞挖掘中的应用，这些技术在应对复杂工业协议时尤为有效。而且还探讨了加密认证、入侵检测及深度防御等安全防护措施。最后，文章探索了生成式大语言模型在工业控制系统安全中的应用，涉及代码生成、网络防护及自动化控制等领域，助力工业控制系统从被动防御向主动防护转变。通过本研究，期望能够提升对工业控制协议安全性的认识，为工业控制系统的可靠性和安全性提供坚实的基础和实用的解决方案，以有效保护关键信息基础设施免受潜在威胁和攻击。
随着大语言模型在软件开发领域的广泛应用，在提升开发效率的同时也引入了新的安全风险，特别是在对安全性要求较高的密码学应用领域。文章针对大语言模型提出了一个密码应用安全评估的开源提示词库LLMCryptoSE，该词库包含460个密码场景自然语言描述提示词。同时，通过对大语言模型生成的代码片段进行深入分析，着重评估了密码API使用不当的情况，采用静态分析工具CryptoGuard结合人工的方法进行审查。在评估ChatGPT3.5、文心3.5和星火3.5等主流大语言模型时，文章对生成的1380个代码片段进行了密码误用检测，发现52.90%的代码片段至少存在一处密码误用，其中星火3.5大模型表现较佳，误用率为48.48%。文章不仅揭示了当前大语言模型在密码应用代码安全性方面所面临的挑战，还为模型的使用者和开发者提出了一系列增强安全性的建议，旨在为大语言模型在密码领域的推广应用提供实践指导。
联邦学习作为一种新兴的隐私保护分布式机器学习框架，利用密码原语有效地解决了隐私泄露问题，如何在分布式环境中防止投毒攻击已成为联邦学习的研究热点。目前的研究工作大部分依赖于数据独立同分布情况，并使用明文进行恶意梯度识别，无法处理数据异构带来的挑战。为了解决上述问题，文章提出一个基于分层聚类的个性化联邦学习隐私保护框架。该框架基于坐标感知的中位数算法对梯度进行加密，并采用安全余弦相似度方案识别恶意梯度，通过层次聚合方法增强模型在独立同分布和非独立同分布场景下的鲁棒性。在MNIST、CIFAR-10和Fashion-MNIST三个公开数据集上的实验结果表明，该模型具有较强的隐私保护能力。与FedAVG、PPeFL、中位数、裁剪均值和聚类等算法相比，该模型准确率分别提升了14.90%、9.59%、29.50%、26.57%和23.19%。
组织性复杂、计划性高效和指向性明确的高级持续性威胁（APT）攻击是我国面临的主要威胁之一，APT组织的行动隐匿化、攻击常态化趋势愈加明显。近年来，我国掌握主要的APT活动越来越困难，与APT组织将攻击行为匿迹于正常信息服务和网络活动中，以及将攻击流量藏匿于正常通信流量中不无关系。这种高隐蔽攻击行为隐匿后所处的状态，称之为密态。如何检测发现密态行为并实施体系对抗，是当前网络空间防御要解决的瓶颈性难题之一。文章从澄清网络空间高级攻击活动的流量传输隐匿技术机理角度出发，围绕匿名通信链路构建和流量特征行为检测两个维度，提出流量密态匿迹对抗的研究框架和对抗能力评估指标体系，全面阐述近年来相关研究工作进展、研究方法及解决方案，以期探索网络空间密态对抗能力新的发展方向。
随着人工智能技术快速发展，大语言模型（LLM）凭借其强大的自然语言处理能力已在科研、教育、金融、医疗等许多领域崭露头角。然而，在LLM被广泛使用的过程中，伴随一系列安全问题：如存在偏见、歧视的风险，存在生成有害内容的风险，存在泄露用户隐私信息的风险，存在信息误导性传播的风险以及容易受到恶意对抗攻击等安全风险。上述风险可能对用户造成损害，甚至影响社会稳定及伦理秩序，因此需要对LLM进行全面安全检测评估。文章针对目前关于LLM安全性检测评估的相关研究内容，归纳总结常见的安全风险类型，并对已提出的主流安全检测评估技术或方法进行综述，同时介绍相关评估方法、评估指标、常用数据集和工具，归纳国内外关于大模型安全评估出台的重要参考标准、规范。此外，文章还讨论了安全对齐的技术理念、原理、功能实现机制及安全对齐技术评价体系。最后，通过分析当前LLM安全检测评估面临的问题，展望未来技术发展趋势和研究方向，旨在为学术界、产业界的相关研究和实践提供参考。
SQL注入攻击是一种被攻击者广泛使用的网络攻击手段，严重威胁网络空间安全。传统的SQL注入攻击检测方法主要有基于规则和基于机器学习两种，这些方法存在泛用性较差且误报率高的问题。文章提出一种基于大语言模型的SQL注入攻击检测方法，利用提示工程和指令微调技术，得到SQL注入攻击检测专用大语言模型；通过分析迭代轮数、微调样本数以及推理参数对模型性能的影响，探索提升大语言模型检测能力的途径；依托大语言模型强大的语义理解能力，降低检测误报率。对文章所提的SQL注入攻击检测专用大语言模型在Kaggle数据集上进行实验分析，结果表明其准确率达到99.85%以上，误报率低于0.2%，F1值达到0.999，相较于目前较先进的SQL注入攻击检测方法，在检测性能上有较大提升。
电子数据取证作为计算机科学和法学的交叉学科，正逐渐被人们所重视。文章介绍了电子数据取证相关概念，详细阐述了取证技术的研究进展，并对取证工具的类型、功能特点以及相关的行业测试标准和规范进行了分析研究。文章还展望了电子数据取证研究的发展趋势。
随着电力网络智能化的发展，海量的业务数据分散存储于不同的部门中，数据共享的安全性差、流转管控难，如何在保障数据安全隐私性的前提下进行数据安全可控的共享成为难题。针对以上问题，文章提出一种基于区块链的电力应用数据安全共享方法，通过基于属性加密的访问控制提高数据流转中的安全性，避免一对多数据共享时的多次加密，通过区块链分布式账本保证数据标识、加密策略、用户身份与属性密码等隐私数据的安全性，并根据智能合约审计防止用户通过篡改属性信息欺骗访问控制机制。实验结果表明，区块链智能合约能够实现机构间的数据流转管控，具备追踪溯源和异常发现能力。基于HyperLedger Fabric框架搭建的区块链网络上的数据标识上链时延在60~100 ms，TPS大于400。
相较于传统入侵检测机制，智能化的入侵检测技术能够充分提取数据特征，具有更高的检测效率，但对数据样本标签的要求也更高。文章按数据样本标签从有监督和无监督角度对物联网入侵检测技术的最新进展进行综述。首先概述了基于签名的入侵检测方法，并基于有监督和无监督的分类分析了近期基于传统机器学习的入侵检测方法;然后分析了近期基于深度学习的入侵检测方法，分别对基于有监督、无监督、生成对抗网络和深度强化学习的入侵检测方法进行分析;最后分析总结了物联网入侵检测技术的研究挑战和未来的研究趋势。
联邦学习算法通常面临着客户端之间差异巨大的问题，这些异质性会降低全局模型性能，文章使用知识蒸馏方法缓解这个问题。为了进一步解放公共数据，完善模型性能，文章所提的DFP-KD算法使用无数据方法合成训练数据，利用无数据知识蒸馏方法训练鲁棒的联邦学习全局模型；使用ReACGAN作为生成器部分，并且采用分步EMA快速更新策略，在避免全局模型灾难性遗忘的同时加快模型的更新速率。对比实验、消融实验和参数取值影响实验表明，DFP-KD算法比经典的无数据知识蒸馏算法在准确率、稳定性、更新速度方面都更具优势。
基于区块链的联邦学习作为一种新兴的去中心化的分布式机器学习新范式，其在克服传统联邦学习所面临的数据孤岛、隐私泄露以及安全威胁等不足的同时，也面临着区块链技术在成本、效率以及有效性等方面带来的新挑战。为此，文章首先结合基本原理、技术分类、优势以及待解决问题对联邦学习和区块链进行阐述。在此基础上，文章围绕联邦学习与区块链所涉及的架构、性能、隐私性、安全性、激励机制、共识机制等对基于区块链的联邦学习研究进行了系统的总结分析。最后，文章从基于区块链的联邦学习原理、平衡性以及应用三个维度，探讨未来的研究趋势和亟待解决的主要问题。
近年来，联邦学习以独特的训练方式打破了数据“孤岛”，因此受到越来越多的关注。然而在训练全局模型时，联邦学习易受到推理攻击，可能会泄露参与训练成员的一些信息，产生严重的安全隐患。针对联邦训练过程中半诚实/恶意客户端造成的差分攻击，文章提出了基于中心化的差分隐私联邦学习算法DP-FEDAC。首先，优化联邦加速随机梯度下降算法，改进服务器的聚合方式，计算参数更新差值后采用梯度聚合方式更新全局模型，以提升稳定收敛；然后，通过对聚合参数添加中心化差分高斯噪声隐藏参与训练的成员贡献，达到保护参与方隐私信息的目的，同时还引入时刻会计（MA）计算隐私损失，进一步平衡模型收敛和隐私损失之间的关系；最后，与FedAC、分布式MB-SGD、分布式MB-AC-SGD等算法做对比实验，评估DP-FEDAC的综合性能。实验结果表明，在通信不频繁的情况下，DP-FEDAC算法的线性加速最接近FedAC，远优于另外两种算法，拥有较好的健壮性；此外DP-FEDAC算法在保护隐私的前提下能够达到与FedAC算法相同的模型精度，体现了算法的优越性和可用性。
区块链技术因其去中心化和不可篡改性被广泛应用，但隐私保护和可信性问题依然是制约其发展的一大瓶颈。可信执行环境（TEE）通过提供硬件隔离的安全执行环境，有效解决了区块链中隐私保护和可信计算的难题。文章综述了基于TEE的区块链技术及其融合应用。从区块链的分层架构出发，探讨了TEE在区块链不同层次中的优化，包括数据层、交易层、共识层、合约层和互操作层，并分析了其存在的优势和不足。此外，文章总结了TEE与区块链融合的去中心化应用，包括去中心化可信人工智能（AI）、联邦学习和隐私拍卖等。
网络异常流量识别是目前网络安全的重要任务之一。然而传统流量分类模型是依据流量数据训练得到，由于大部分流量数据分布不均导致分类边界模糊，极大限制了模型的分类性能。为解决上述问题，文章提出一种基于深度度量学习的异常流量检测方法。首先，与传统深度度量学习每个类别单一代理的算法不同，文章设计双代理机制，通过目标代理指引更新代理的优化方向，提升模型的训练效率，增强同类别流量数据的聚集能力和不同类别流量数据的分离能力，实现最小化类内距离和最大化类间距离，使数据的分类边界更清晰；然后，搭建基于1D-CNN和Bi-LSTM的神经网络，分别从空间和时间的角度高效提取流量特征。实验结果表明，NSL-KDD流量数据经过模型处理，其类内距离显著减小并且类间距离显著增大，类内距离相比原始类内距离减小了73.5%，类间距离相比原始类间距离增加了52.7%，且将文章搭建的神经网络比广泛使用的深度残差网络训练时间更短、效果更好。将文章所提模型应用在流量分类任务中，在NSL-KDD和CICIDS2017数据集上，相比传统的流量分类算法，其分类效果更好。
