基於 LLM 驅動的紅隊代理攻防演練與場域模擬實戰平台
LLM-Driven Red Team Agent Platform for Adversarial Drills and Real-World Scenario Simulation
LLM-Driven Red Team Agent Platform for Adversarial Drills and Real-World Scenario Simulation
在既有 AI 資安與零信任研究基礎上,我希望進一步深耕通訊資安與硬體資安。以下是接下來的研究規劃,歡迎討論問題定義、實驗設計與產學合作。
裝置、控制端與服務之間,如何確認指令與資料值得信任?
規劃研究無人機、機器人與控制系統之間的身分認證、指令授權與通訊保護。從偽冒、重放與未授權控制等威脅情境出發,探索防禦機制及其對延遲、可用性與運作安全的影響。
如何把硬體特徵用於裝置身分與金鑰保護?
探索實體不可複製函數(Physical Unclonable Function, PUF)在裝置識別、認證與金鑰生成的應用。研究規劃將評估環境變異下的可靠度、資源限制與攻擊抵抗能力,並討論如何銜接裝置及通訊安全。
這兩項為未來研究方向;已發表論文與獎項另列於研究成果中。
提出以零信任為基礎的 AI Agent 授權框架,從角色、資源與行為三個維度設計控制,結合人工確認與異常偵測,降低代理人權限過大的風險。
以 Ligolo-ng 加密隧道攻擊為案例,結合網路流量特徵與端點行為,研究混合多模型集成學習如何辨識加密橫向移動。
以多代理人分工、檢索增強生成及全域記憶管理支援自主滲透測試。研究於 VulnHub 靶機評估偵察與漏洞分析,自動化漏洞利用仍受環境因素限制。
從攻擊者視角分析 AD 帳號的風險,結合風險評估與攻擊圖,區分權限大小、影響程度及攻擊路徑,以 APT29 行為進行案例驗證。
零信任架構要求對每一個存取主體持續驗證,實作上的難題是:企業裡已經有入侵偵測、防火牆、端點防護等各式各樣的資安工具,各自產出資料,卻沒有一個統一的機制把它們整合起來判斷一個主體到底值不值得信任。STIE-ZTA 是一個以政策為基礎、具自適應學習能力的信任推論框架,彙整並分析這些既有工具的異質資料,持續評估每個主體的行為信任程度,讓企業在不汰換現有設備的前提下,做出更即時、更有依據的存取控制決策。
以 AD 攻擊為案例,將非結構化威脅情資轉為特徵網絡,結合風險分析及語言模型,研究如何支持漏洞判讀與修補優先順序。
AI-Based Construction of APT Hacker Family Attack Intelligence Topology and Risk Assessment Framework: A Case Study of Active Directory Server Attacks
學會期刊原文與書目 ↗英文題名、作者英文署名與卷期頁碼可於學會期刊頁查核。
本篇為 CISC 2025 會議研究的期刊延伸版本。
查看相關版本以 AD 伺服器攻擊為案例,研究運用 AI 方法建構 APT 家族攻擊情資的特徵拓樸與風險矩陣。
本篇為會議版本;後續期刊版本的題名與作者名單有所調整,兩筆分別保留各自書目。
查看相關版本學術書目保留各版本的題名與作者順序。七筆發表紀錄包含 APT 情資研究的會議與期刊版本,兩者屬於同一研究脈絡,並非七項互不相關的研究。若需討論研究合作或取得進一步書目資訊,歡迎透過學術信箱聯絡。
wilbur.wei@saturn.yzu.edu.tw點選邀約可準備洽詢內容,再複製或選擇郵件方式寄出。