Masterarbeten
Resultat från vårt Master Thesis Program – där studenter skriver exjobb i verkliga miljöer och ger organisationer den kompetens som krävs för att ta sina AI-projekt till nästa nivå.
Arbeten 2026
Identifying LLM-Powered Cyber Attacks with Timing Analysis and Honeytoken-Based Deception
Vår masteruppsats undersökte hur LLM-drivna angripare kan identifieras och skiljas från traditionella botar och mänskliga angripare med hjälp av beteendeanalys, tidsanalys och 'honey-tokens'. Våra resultat visade på tydliga skillnader i tidsmönster, beteende och interaktion med honey-tokens, vilket visar att LLM-drivna angripare har mätbara egenskaper som kan användas för detektion. I takt med att LLM:er och agentisk AI blir allt bättre på att utföra autonoma uppgifter inom cybersäkerhet, ger vårt arbete organisationer och forskare praktiska metoder för att upptäcka och analysera denna nya typ av cyberhot.
Full thesis: Identifying LLM-Powered Cyber Attacks with Timing Analysis and Honeytoken-Based Deception
Code repository: github.com/AI-Sweden-Honeypot-Thesis/AhSh/tree/working_branch
Framework/s: Cybersecurity AI (CAI) (aliasrobotics.github.io/cai, github.com/aliasrobotics/cai)
LLM Attacker Behavior and Designing Adaptive Honeypot Defences
I takt med att autonoma AI-agenter börjar automatisera cyberattacker i flera steg saknar säkerhetsteam praktiska data om hur dessa verktyg faktiskt beteende sig när de utforskar system. Med utgångspunkt i forskning inom Project Violet undersökte detta arbete hur man kan kartlägga angripares avsikter samt testade om dynamiskt anpassningsbara 'honeypots' i realtid faktiskt förbättrar försvaret. Våra resultat visar att extra algoritmisk komplexitet inte nödvändigtvis överträffar enkla, välförankrade lösningar. Det hjälper team att fatta pragmatiska och kostnadseffektiva beslut när de experimenterar med AI-driven 'threat intelligence'.
Fler masterarbeten publiceras inom kort.
