简介: 本文发表于NDSS 2020，针对智能合约（比如以太坊）提出了一种新的拒绝服务（DoS）攻击方法（资源耗尽型）。
简介: 此文提出了著名的PPO算法，由谷歌 Open AI 于17年发布，对于深度强化学习领域产生了巨大的影响。在此之前，Natural Policy Gradient 算法解决了策略梯度算法的收敛性问题，但是此算法需要计算二阶导矩阵，在实际使用中性能受限，扩展性差。现有许多研究研究工作都是围绕如何通过近似二阶优化算法来降低算法复杂度。PPO算法采用了一个不太一样的方法，它没有引入一个强约束，而是将约束项作为目标函数中的一个惩罚项。这样就可以使用一阶优化算法来进行模型优化，大大降低了算法复杂度。
简介: 本文展示了如何将ResNet结构改变为可逆的结构，这种变更后的结构在分类、密度估计以及内容生成方面都适用。通常，强制网络结构可逆需要对网络进行维度划分并且需要限制网络结构。本文提出的方法仅需要在训练期间添加一个简单的规范化步骤，这在现有的机器学习框架中很容易实现。可逆的ResNets网络可以和现有的最好的图片分类器以及基于流的生成模型相媲美。这在之前，任何单个网络都是无法做到的。
简介: 这篇论文提出了一个新的模型:Sentence-BERT (SBERT)，它在预训练的BERT基础之上，使用*孪生网络(siamese network)*和*三元组网络(triplet network)*，对模型进行了微调。这样模型就可以生成句子的嵌入表示（sentence embedding），这些句子的嵌入表示可以直接用来计算句子间的余弦相似度。这样在前面提到的寻找最相似句子的任务中，就无需对每个句子对进行推理，大大减少了计算时间（65小时 -> 5秒），并且不会降低准确率。
简介: 论文使用来自92家公司的1.13亿封邮件，针对横向钓鱼攻击做了大规模分析。横向钓鱼攻击是指：攻击者利用攻破的企业账户向其他人发送钓鱼邮件（即钓鱼邮件的横向传播），利用被劫持者的信任关系获益。本文构建了一个检测横向钓鱼邮件的分类器，检测数数以百计的横向钓鱼邮件，误报为4/1000,000。基于检测到的攻击邮件，结合一些事件的分析，文章进一步 (1) 量化了横向钓鱼的规模；(2) 识别攻击者确定邮件主题和受害者的策略；(3)展示两种攻击者的攻击手法；(4)并且对攻击成功的概率进行了评估。总结下来，文章刻画了企业级攻击者模型和当今企业受钓鱼攻击的现状。
简介: 本文提出了一种语言表征模型BERT(Bidirectional Encoder Representations from Transformers)。它使用了一个深度、双向模型，用无标签的文本数据作为输入，来预训练一个文本的表征。BERT模型在模型的每一层中都使用了文本的上下文信息(双向)。在预训练的BERT模型后面可以接一个全连接层进行特定任务的微调训练。实验结果显示，在11个NLP任务上，BERT都可以达到现有的最高水平（18年）。
简介: 现在大型企业逐渐开始依赖于威胁检测软件来发现可疑行为。这些软件会产生许多告警，网络空间安全分析人会去分析这些告警是否是真正的攻击。不幸的是，在实际使用中，需要处理的告警数量远远多于分析人员的数量。这就导致了一个威胁警报疲劳或者信息过载问题的产生，从而可能会造成漏掉真正的攻击告警。
本文提出的NoDoze联合使用了告警相关的上下文以及历史信息来解决上述问题。NoDoze首先生成一个告警事件的因果依赖图；然后给图中每一个边打一个分，代表这个边的一个异常情况，这个分数和相应边所关联的事件出现的频率有关。然后NoDoze使用一个新的扩散算法，将这个分数通沿着相邻的边进行传播，这最终会生成一个聚合的分数以用来进行分类。在最后的实验结果中，该方法将误报降低了84%。
简介: 本文中提出了一个非常著名的概念：triplet loss。使用该loss函数，作者提出了一个新的系统FaceNet，它可以学习一个从人脸图像到一个小的欧几里得空间的映射，并且在这个新的空间中像点之间的距离可以反映原本人脸图片之间的相似性。这类似于词嵌入(Word Embedding)的方法，只不过本文中实现的是人脸图片的嵌入。文中使用了卷积神经网络来直接优化Embedding，而没有使用之前的一些论文中常用的瓶颈层。
简介: 这篇论文提出了一个可以用来训练一个用于衡量数据间的相似度模型的方法。它可以用于一些进行识别或者验证的应用程序，并且该方法可以用于训练样本种类非常多、单个类别样本数量非常少的情况。在验证类型的应用中，即使样本类别在原来训练数据中没有出现过也可以使用。
简介: 这篇论文描述了一个基于人工神经网络的签名验证算法。这个签名通过触摸板进行数据的收集。论文提出的网络结构被作者称为孪生时延神经网络。它之所以被称为孪生神经网络，是因为它由两个一摸一样的神经网络组成。在训练过程中，模型会去学习输入签名间的的相似性。模型被用作验证的时候，只有孪生网络的一半被用做前向推理。这半个网络的输出被当作原始签名的特征表示。验证过程就是将需要被验证的签名的特征表示向量与原始存储的特征表示进行比较，从而判断签名是否一致。
简介: 本文发表于NDSS 2020，针对智能合约（比如以太坊）提出了一种新的拒绝服务（DoS）攻击方法（资源耗尽型）。
简介: 此文提出了著名的PPO算法，由谷歌 Open AI 于17年发布，对于深度强化学习领域产生了巨大的影响。在此之前，Natural Policy Gradient 算法解决了策略梯度算法的收敛性问题，但是此算法需要计算二阶导矩阵，在实际使用中性能受限，扩展性差。现有许多研究研究工作都是围绕如何通过近似二阶优化算法来降低算法复杂度。PPO算法采用了一个不太一样的方法，它没有引入一个强约束，而是将约束项作为目标函数中的一个惩罚项。这样就可以使用一阶优化算法来进行模型优化，大大降低了算法复杂度。
简介: 本文展示了如何将ResNet结构改变为可逆的结构，这种变更后的结构在分类、密度估计以及内容生成方面都适用。通常，强制网络结构可逆需要对网络进行维度划分并且需要限制网络结构。本文提出的方法仅需要在训练期间添加一个简单的规范化步骤，这在现有的机器学习框架中很容易实现。可逆的ResNets网络可以和现有的最好的图片分类器以及基于流的生成模型相媲美。这在之前，任何单个网络都是无法做到的。
简介: 这篇论文提出了一个新的模型:Sentence-BERT (SBERT)，它在预训练的BERT基础之上，使用*孪生网络(siamese network)*和*三元组网络(triplet network)*，对模型进行了微调。这样模型就可以生成句子的嵌入表示（sentence embedding），这些句子的嵌入表示可以直接用来计算句子间的余弦相似度。这样在前面提到的寻找最相似句子的任务中，就无需对每个句子对进行推理，大大减少了计算时间（65小时 -> 5秒），并且不会降低准确率。
简介: 论文使用来自92家公司的1.13亿封邮件，针对横向钓鱼攻击做了大规模分析。横向钓鱼攻击是指：攻击者利用攻破的企业账户向其他人发送钓鱼邮件（即钓鱼邮件的横向传播），利用被劫持者的信任关系获益。本文构建了一个检测横向钓鱼邮件的分类器，检测数数以百计的横向钓鱼邮件，误报为4/1000,000。基于检测到的攻击邮件，结合一些事件的分析，文章进一步 (1) 量化了横向钓鱼的规模；(2) 识别攻击者确定邮件主题和受害者的策略；(3)展示两种攻击者的攻击手法；(4)并且对攻击成功的概率进行了评估。总结下来，文章刻画了企业级攻击者模型和当今企业受钓鱼攻击的现状。
简介: 本文提出了一种语言表征模型BERT(Bidirectional Encoder Representations from Transformers)。它使用了一个深度、双向模型，用无标签的文本数据作为输入，来预训练一个文本的表征。BERT模型在模型的每一层中都使用了文本的上下文信息(双向)。在预训练的BERT模型后面可以接一个全连接层进行特定任务的微调训练。实验结果显示，在11个NLP任务上，BERT都可以达到现有的最高水平（18年）。
简介: 现在大型企业逐渐开始依赖于威胁检测软件来发现可疑行为。这些软件会产生许多告警，网络空间安全分析人会去分析这些告警是否是真正的攻击。不幸的是，在实际使用中，需要处理的告警数量远远多于分析人员的数量。这就导致了一个威胁警报疲劳或者信息过载问题的产生，从而可能会造成漏掉真正的攻击告警。
本文提出的NoDoze联合使用了告警相关的上下文以及历史信息来解决上述问题。NoDoze首先生成一个告警事件的因果依赖图；然后给图中每一个边打一个分，代表这个边的一个异常情况，这个分数和相应边所关联的事件出现的频率有关。然后NoDoze使用一个新的扩散算法，将这个分数通沿着相邻的边进行传播，这最终会生成一个聚合的分数以用来进行分类。在最后的实验结果中，该方法将误报降低了84%。
简介: 本文中提出了一个非常著名的概念：triplet loss。使用该loss函数，作者提出了一个新的系统FaceNet，它可以学习一个从人脸图像到一个小的欧几里得空间的映射，并且在这个新的空间中像点之间的距离可以反映原本人脸图片之间的相似性。这类似于词嵌入(Word Embedding)的方法，只不过本文中实现的是人脸图片的嵌入。文中使用了卷积神经网络来直接优化Embedding，而没有使用之前的一些论文中常用的瓶颈层。
简介: 这篇论文提出了一个可以用来训练一个用于衡量数据间的相似度模型的方法。它可以用于一些进行识别或者验证的应用程序，并且该方法可以用于训练样本种类非常多、单个类别样本数量非常少的情况。在验证类型的应用中，即使样本类别在原来训练数据中没有出现过也可以使用。
简介: 这篇论文描述了一个基于人工神经网络的签名验证算法。这个签名通过触摸板进行数据的收集。论文提出的网络结构被作者称为孪生时延神经网络。它之所以被称为孪生神经网络，是因为它由两个一摸一样的神经网络组成。在训练过程中，模型会去学习输入签名间的的相似性。模型被用作验证的时候，只有孪生网络的一半被用做前向推理。这半个网络的输出被当作原始签名的特征表示。验证过程就是将需要被验证的签名的特征表示向量与原始存储的特征表示进行比较，从而判断签名是否一致。