.png){kind=icon}
返回
Cyber risk quantification for adversarial machine learning attacks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2026.110964.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 整合Bow-Tie、MITRE ATT&CK、FAIR和蒙特卡洛的统一风险框架。
• 该方法映射攻击者路径和防御控制措施，以向技术利益相关者阐明风险。
• 概率风险建模估算年度化损失，以支持数据驱动的安全决策。
• 针对一个假设的机器学习勒索软件攻击的案例研究量化了组织影响。
• 该框架扩展其范围涵盖规避、数据投毒和隐私攻击。
期刊
C
IF:
4.9
论文数:
6.7K
被引数:
1.3W
机构
暂无机构信息
引用论文
Designing a financial quantification model for cyber risk: A case study in a bank设计网络风险金融量化模型：一家银行的案例研究
PREAI
分享收藏The nature of losses from cyber-related events: risk categories and business sectors网络相关事件的损失性质：风险类别与行业部门
OAAI
OAAI分享收藏A Machine Learning-Based Ransomware Detection Method for Attackers' Neutralization Techniques Using Format-Preserving Encryption.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain网络安全领域的对抗性机器学习攻击及防御方法OAAI
OAAI分享收藏
查看更多内容