CyberSecurityLab
> initializing J205-1 ...
CyberSecurityLab
研究領域成員研究成果最新消息
加入我們 →
CyberSecurityLab

南臺科技大學 資訊安全實驗室(J205-1)
710301 臺南市永康區南臺街 1 號 南臺科技大學

研究

  • 研究領域
  • 論文發表
  • 專題作品
  • 競賽獲獎

實驗室

  • 成員
  • 最新消息
  • 加入我們

聯絡

  • [email protected]
  • Discord
  • CTFd
CyberSecurityLab © 2026 All rights reserved. · 小蔡 建置
研究領域 / Fileless Attack

無檔案攻擊

是一種不將惡意可執行檔(如 .exe 檔)寫入硬碟磁碟的網路攻擊手法,惡意程式碼會直接載入並存在於電腦的隨機存取記憶體(RAM)中。

Publications

相關論文

2026

研討會論文最佳論文

基於強化學習的工業控制系統無檔案攻擊防禦機制

蔡士煒, 郭振忠
ITAOI 2026 第二十四屆離島資訊技術與應用研討會, 2026年5月29日
網址 ↗PDF ↗
摘要

  工業控制系統(Industrial Control Systems, ICS)隨著IT/OT整合趨勢,正面臨越來越嚴峻的資安威脅。近年來,無檔案攻擊(FilelessAttack)因為執行過程完全在記憶體中進行,不會在磁碟上留下實體檔案,能有效規避傳統特徵碼式防毒軟體,成為針對ICS環境的新型高危威脅手法。   本研究設計並實作一套基於強化學習(Reinforcement Learning, RL)的工控網路資安防禦系統,用來偵測透過HID裝置注入、PowerShell無檔案執行,進而以ModbusTCP操控PLC設備的多段式攻擊鏈。系統採用WindowsEvent Log 作為資料來源,透過Logstash 即時收集命令列執行記錄,並以TF-IDF詞彙、字元n-gram及42項手工特徵共1042維向量表示每筆指令。   防禦模型採用近端策略優化演算法(ProximalPolicyOptimization, PPO),以二元分類方式判定指令是否為惡意行為,並透過四次系統性RewardShaping迭代,在抑制誤報的同時有效提升對進階威脅的偵測能力。實驗以2,451筆訓練樣本與614筆測試樣本進行驗證,系統最終達到97.39%正確率、98.29%精確率、95.04%召回率及96.64%F1分數,誤報率僅1.08%。結果驗證了PPO在命令列惡意行為偵測任務上的可行性,並展示強化學習應用在ICS網路防禦場景的潛力。關鍵詞:工業控制系統、強化學習、無檔案攻擊、PowerShell 偵測、入侵偵測

Awards

相關獲獎

最佳潛力獎

2025 沙崙資安新秀大賽

2025年11月19日 隊伍 評審委員
陳冠霖、謝明軒、蔡士煒

基於強化學習的工控網路資安防禦系統

無檔案攻擊強化學習Modbus工業控制系統