Αντικείμενο της διπλωματικής εργασίας είναι η ανάπτυξη μιας εργαλειοθήκης ψηφιακών εργαλείων συμμετοχικής επιστήμης (Citizen Science toolset) με έμφαση στη συμπερίληψη (inclusive), την προσβασιμότητα (accessibility), την ευχρηστία (user-friendliness) και την υποστήριξη πολλαπλών γλωσσών (multilingualism). Στόχος είναι η ενίσχυση της συμμετοχής των πολιτών (citizen engagement) και η ευαισθητοποίησή τους γύρω από τις βιολογικές λύσεις (bio-based solutions).

Ο/Η φοιτητής/τρια θα σχεδιάσει και θα υλοποιήσει εξειδικευμένους ψηφιακούς υπολογιστές (digital calculators) συμβατούς με κινητές συσκευές (mobile-compatible), οι οποίοι θα περιλαμβάνουν:

Υπολογιστή Ανατροφοδότησης (Feedback calculator): Για τη συλλογή απόψεων από ενδιαφερόμενα μέρη (stakeholders) σχετικά με την αντικατάσταση ουσιών πολύ υψηλής ανησυχίας (Substances of Very High Concern - SoCs) με ασφαλέστερες εναλλακτικές.

Υπολογιστή Επαγγελματικής Έκθεσης (Occupational exposure calculator): Για την καταγραφή ή εκτίμηση παραμέτρων έκθεσης από εργαζόμενους και φορείς.

Υπολογιστή Αξιολόγησης Αντιλαμβανόμενου Κινδύνου (Perceived risk evaluation calculator): Για την καταγραφή των αντιλήψεων σχετικά με τους περιβαλλοντικούς κινδύνους και τους κινδύνους υγείας που σχετίζονται με τις τρέχουσες (ορυκτές ή βιολογικές) και τις εναλλακτικές αλυσίδες παραγωγής.

Τεχνολογία Λογισμικού

Προγραμματισμός Ι και ΙΙ

Βάσεις Δεδομένων

Ανάπτυξη εφαρμογών για κινητά/ιστό (Web/Mobile Development), Σχεδιασμός Εμπειρίας Χρήστη (UX/UI Design), Προσβασιμότητα Ιστού (Web Accessibility).

Haklay, M. (2013). Citizen Science and Volunteer Computing: Associations and Opportunities. Σε αυτό το έργο αναλύεται πώς τα ψηφιακά εργαλεία και οι εφαρμογές μπορούν να σχεδιαστούν ώστε να είναι συμπεριληπτικά και να ενισχύουν τη συμμετοχή των πολιτών (citizen engagement) σε επιστημονικά και περιβαλλοντικά θέματα.

Sauermann, H., Vohland, K., Antoniou, V., Balázs, B., Göbel, C., Karatzas, K., ... & Winter, S. (2020). Citizen science and sustainability transitions. Research Policy, 49(5), 103978. Μια εξαιρετική αναφορά για το πώς η συμμετοχική επιστήμη μπορεί να οδηγήσει σε βιολογικές λύσεις (bio-based solutions) και στην υιοθέτηση ασφαλέστερων εναλλακτικών ουσιών μέσα από τη χρήση ψηφιακών πλατφορμών.

Preece, J. (2016). Citizen science: New research challenges for human–computer interaction. International Journal of Human-Computer Interaction, 32(8), 585-612. Εστιάζει στον σχεδιασμό διεπαφών (UX/UI) που είναι φιλικές προς τον χρήστη (user-friendly) και προσβάσιμες (accessible) σε κινητές συσκευές (mobile-compatible), διασφαλίζοντας τη συμμετοχή ευάλωτων κοινωνικών ομάδων.

.....

....

ΠΡΟΣΤΑΣΙΑ ΠΡΟΣΩΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ

ΝΟΜΙΚΟ ΠΛΑΙΣΙΟ ΚΤΠ

....

.....

• Σχεδιασμός και ανάπτυξη εφαρμογής για την υποστήριξη της βιώσιμης διατροφής.
• Καταγραφή και διαχείριση της καθημερινής κατανάλωσης τροφίμων από τον χρήστη.
• Εκτίμηση του περιβαλλοντικού αποτυπώματος της διατροφής (π.χ. εκπομπές CO₂, κατανάλωση νερού, χρήση γης) βάσει των καταγεγραμμένων τροφίμων.
• Παρακολούθηση βασικών διατροφικών και υγειονομικών δεικτών, όπως θερμίδες, μακροθρεπτικά και μικροθρεπτικά συστατικά.
• Δημιουργία εξατομικευμένων προγραμμάτων διατροφής σύμφωνα με τους στόχους και τις προτιμήσεις του χρήστη.
• Υποστήριξη δημιουργίας, αποθήκευσης και διαχείρισης συνταγών με αυτόματο υπολογισμό της διατροφικής και περιβαλλοντικής τους επίπτωσης.
• Ανάπτυξη εύχρηστου και φιλικού περιβάλλοντος διεπαφής (UI/UX) για κινητές συσκευές ή/και web.
• Αξιολόγηση της εφαρμογής ως προς τη χρηστικότητα, την απόδοση και την αποτελεσματικότητά της στην προώθηση βιώσιμων διατροφικών συνηθειών.

Η παρούσα διπλωματική εργασία έχει ως στόχο τον σχεδιασμό και την ανάπτυξη μιας εφαρμογής που προάγει τη βιώσιμη διατροφή, συνδυάζοντας πληροφορίες σχετικά με τη διατροφική αξία των τροφίμων και το περιβαλλοντικό τους αποτύπωμα. Η εφαρμογή θα επιτρέπει στους χρήστες να καταγράφουν την καθημερινή τους διατροφή, να δημιουργούν εξατομικευμένα προγράμματα διατροφής και να αποθηκεύουν ή να διαχειρίζονται συνταγές. Παράλληλα, θα υπολογίζει τόσο τους βασικούς διατροφικούς δείκτες όσο και δείκτες περιβαλλοντικής επίπτωσης (όπως οι εκπομπές διοξειδίου του άνθρακα), παρέχοντας ανατροφοδότηση που θα βοηθά τους χρήστες να λαμβάνουν πιο υγιεινές και περιβαλλοντικά υπεύθυνες διατροφικές αποφάσεις. Η ανάπτυξη της εφαρμογής θα βασιστεί σε σύγχρονες τεχνολογίες λογισμικού και θα συνοδεύεται από αξιολόγηση της λειτουργικότητας και της χρηστικότητάς της.

Ανάλυση και σχεδιασμός πληροφοριακών συστημάτων

Ανάπτυξη εφαρμογών

https://en.ilsole24ore.com/art/foodprint-tool-calculate-environmental-impact-recipes-AG5S45aB

Η μελέτη και ανάπτυξη τεχνικών Τεχνητής Νοημοσύνης για την βελτίωση της ιδιωτικότητας και την ασφάλειας σε περιβάλλον 5G/6G δικτύων

Η παρούσα μελέτη επικεντρώνεται στη μελέτη και ανάπτυξη προηγμένων τεχνικών Τεχνητής Νοημοσύνης, με στόχο τη βελτίωση της ιδιωτικότητας και της ασφάλειας σε περιβάλλον 5G/6G δικτύων.

Η μελέτη περιλαμβάνει:

• Aνάλυση κινδύνων και απειλών
• Ανάλυση υφισταμένων λύσεων
• Σχεδιασμό και υλοποίηση αλγορίθμων Τεχνητής Νοημοσύνης 
• Αξιολόγηση λύσεων

Ο ενδιαφερόμενος/η έχει την δυνατότητα, μετά από συνεννόηση με τον επιβλέποντα, να εκπονήσει την διατριβή του με την μορφή internship στην εταιρία Thales Hellas στο Κορωπί Αττικής.

Δικτυα Υπολογιστών

Δίκτυα Κινητών Επικοινωνιών

Τεχνητή Νοημοσύνη

Ασφάλεια Πληροφοριακών & Επικοινωνιακών Συστημάτων

Ασφάλεια Δικτύων Υπολογιστών και Τεχνολογίες Προστασίας της Ιδιωτικότητας

Κρυπτογραφία

Δίκτυα 5G/6G

Αλγόριθμοι τεχνητής νοημοσύνης

Κρυπτογραφικοί Αλγόριθμοι

Προτεινόμενη Βιβλιογραφία

[1] R. Kaur, D. Gabrijelčič, and T. Klobučar, “Artificial intelligence for cybersecurity: Literature review and future research directions,” Inf. Fusion, vol. 97, p. 101804, Sep. 2023, doi: 10.1016/j.inffus.2023.101804.

[2] M. M. Ogonji, G. Okeyo, and J. M. Wafula, “A survey on privacy and security of Internet of Things,” Comput. Sci. Rev., vol. 38, p. 100312, Nov. 2020, doi: 10.1016/j.cosrev.2020.100312.

[3] M. M. Saeed and M. Alsharidah, “Security, privacy, and robustness for trustworthy AI systems: A review,”Comput. Electr. Eng., vol. 119, p. 109643, Nov. 2024, doi: 10.1016/j.compeleceng.2024.109643.

Στόχος της διπλωματικής εργασίας είναι η αξιοποίηση και περαιτέρω ανάπτυξη πλατφόρμας IoT για την παρακολούθηση της ποιότητας αέρα, καθώς και η διερεύνηση διαφορετικών σεναρίων χρήσης, με σκοπό την κατανόηση της λειτουργικότητας, της αποδοτικότητας και της πρακτικής αξίας του συστήματος σε πραγματικές συνθήκες.

Στο πλαίσιο της εργασίας θα πραγματοποιηθεί ενσωμάτωση και αξιοποίηση αισθητήρων για τη μέτρηση βασικών ρύπων (PM1.0, PM2.5, PM10, VOCs), ενώ θα εξεταστεί η λειτουργία του συστήματος σε διαφορετικά περιβάλλοντα.

Ενδεικτικά σενάρια χρήσης περιλαμβάνουν:

• Παρακολούθηση ποιότητας αέρα σε εσωτερικούς χώρους (π.χ. αίθουσες διδασκαλίας, γραφεία)
• Παρακολούθηση εξωτερικού περιβάλλοντος (π.χ. ημι-αστικές περιοχές)
• Ανίχνευση επεισοδίων ρύπανσης και ειδοποίηση χρηστών
• Υποστήριξη λήψης αποφάσεων (π.χ. αερισμός χώρου, βελτιστοποίηση λειτουργίας συστημάτων HVAC)

Θα αξιολογηθεί η απόδοση της πλατφόρμας ως προς την ακρίβεια, την αξιοπιστία, τη χρηστικότητα και τη δυνατότητα υποστήριξης διαφορετικών εφαρμογών.

α) Στο πρώτο μέρος της εργασίας θα παρουσιαστούν οι βασικές έννοιες των συστημάτων IoT και η αρχιτεκτονική της πλατφόρμας.

β) Στο δεύτερο μέρος θα υλοποιηθούν και θα παραμετροποιηθούν τα επιλεγμένα σενάρια χρήσης.

γ) Στο τρίτο μέρος θα πραγματοποιηθεί συλλογή και ανάλυση δεδομένων, καθώς και αξιολόγηση των σεναρίων ως προς την αποτελεσματικότητά τους.

• Δίκτυα Υπολογιστών

• Κατανόηση δικτύων και πρωτοκόλλων επικοινωνίας (π.χ. TCP/IP, MQTT, HTTP)
• Βασικές έννοιες πληροφοριακών συστημάτων και διαχείρισης δεδομένων
• Βασική εξοικείωση με αισθητήρες και ενσωματωμένα συστήματα

Garcia, Antony, Yessica Saez, Itamar Harris, Xinming Huang, and Edwin Collado. "Advancements in air quality monitoring: a systematic review of IoT-based air quality monitoring and AI technologies." Artificial Intelligence Review 58, no. 9 (2025): 275.

Shahid, Saim, David J. Brown, Philip Wright, Ahmad M. Khasawneh, Bryn Taylor, and Omprakash Kaiwartya. "Innovations in air quality monitoring: sensors, IoT and future research." Sensors 25, no. 7 (2025): 2070.

Στόχος της διπλωματικής εργασίας είναι η αξιοποίηση και περαιτέρω ανάπτυξη πλατφόρμας IoT για εφαρμογές γεωργίας ακριβείας, καθώς και η διερεύνηση σεναρίων χρήσης σε καλλιέργειες αμπελιού και ελιάς, με σκοπό τη βελτίωση της αποδοτικότητας των καλλιεργειών και την υποστήριξη της λήψης αποφάσεων σε πραγματικές συνθήκες.

Στο πλαίσιο της εργασίας θα πραγματοποιηθεί ενσωμάτωση και αξιοποίηση αισθητήρων για την παρακολούθηση κρίσιμων περιβαλλοντικών και εδαφικών παραμέτρων (π.χ. υγρασία εδάφους, θερμοκρασία και υγρασία αέρα, ηλιακή ακτινοβολία, αγωγιμότητα εδάφους).

Η εργασία εστιάζει στην αξιοποίηση της πλατφόρμας IoT σε πραγματικά σενάρια γεωργίας ακριβείας, με έμφαση σε καλλιέργειες αμπελιού και ελιάς, λαμβάνοντας υπόψη τις ιδιαιτερότητες κάθε καλλιέργειας.

Ενδεικτικά σενάρια χρήσης περιλαμβάνουν:

• Παρακολούθηση μικροκλιματικών συνθηκών σε αμπελώνες και ελαιώνες
• Υποστήριξη έγκαιρης ανίχνευσης συνθηκών που ευνοούν ασθένειες ή στρες φυτών
• Ανάλυση δεδομένων για τη βελτίωση της παραγωγικότητας και της ποιότητας της καλλιέργειας

Θα αξιολογηθεί η απόδοση της πλατφόρμας ως προς την αξιοπιστία, τη χρηστικότητα και τη δυνατότητα υποστήριξης διαφορετικών εφαρμογών γεωργίας ακριβείας.

α) Στο πρώτο μέρος της εργασίας θα παρουσιαστούν οι βασικές έννοιες των συστημάτων IoT και της γεωργίας ακριβείας, καθώς και η αρχιτεκτονική της πλατφόρμας.

β) Στο δεύτερο μέρος θα υλοποιηθούν και θα παραμετροποιηθούν τα επιλεγμένα σενάρια χρήσης σε αμπέλια και ελαιώνες.

γ) Στο τρίτο μέρος θα πραγματοποιηθεί συλλογή και ανάλυση δεδομένων, καθώς και αξιολόγηση των σεναρίων ως προς την αποτελεσματικότητά τους.

• Δίκτυα Υπολογιστών

• Κατανόηση δικτύων και πρωτοκόλλων επικοινωνίας (π.χ. TCP/IP, MQTT, HTTP)
• Βασικές έννοιες διαχείρισης και ανάλυσης δεδομένων
• Βασική εξοικείωση με αισθητήρες και ενσωματωμένα συστήματα

Roccatello, Eduard, Antonino Pagano, Nicolò Levorato, and Massimo Rumor. "State of the art in internet of things standards and protocols for precision agriculture with an approach to semantic interoperability." Network 5, no. 2 (2025): 14.

Singh, Gurpreet, and Sandeep Sharma. "A comprehensive review on the Internet of Things in precision agriculture." Multimedia Tools and applications 84, no. 17 (2025): 18123-18198.

Ανάπτυξη VR εφαρμογής αποκατάστασης άνω άκρου για ασκήσεις κινησιοθεραπείας και μέτρηση βελτίωσης κινητικού ελέγχου.

Θα σχεδιαστεί VR γυμναστική αποκατάστασης με χειρονομιακό έλεγχο (hand tracking) του Meta Quest 3 χωρίς controllers.

Το πείραμα θα γίνει με ενήλικες χρήστες που θα εκτελούν κινησιοθεραπευτικές ασκήσεις σε VR (π.χ. reaching tasks, grasp and release). Θα καταγραφούν metrics:

• Εύρος κίνησης
• Ταχύτητα κίνησης
• Τρέμουλο/αστάθεια (signal smoothing)
• Precision tracking από Quest 3

Τα δεδομένα θα φιλτραριστούν με Kalman/Savitzky–Golay filter και θα αναλυθούν για tracking απόδοσης.

• Προγραμματισμός
• Μηχανική Μάθηση ή Εισαγωγή στην ΤΝ
• Πειραματικές Μέθοδοι και Ανάλυση Δεδομένων

• Προγραμματισμός
• Μηχανική Μάθηση ή Εισαγωγή στην ΤΝ
• Πειραματικές Μέθοδοι και Ανάλυση Δεδομένων

Cuesta-Gómez, A., Sánchez-Herrera-Baeza, P., Oña-Simbaña, E. D., Martínez-Medina, A., Ortiz-Comino, C., Balaguer-Bernaldo-de-Quirós, C., ... & Cano-de-la-Cuerda, R. (2020). Effects of virtual reality associated with serious games for upper limb rehabilitation in patients with multiple sclerosis: Randomized controlled trial. Journal of neuroengineering and rehabilitation, 17(1), 90.

·       Μελέτη της τεχνολογίας Generative AI και των LLMs.

·       Αξιολόγηση εργαλείων όπως ChatGPT, Claude, Gemini και Copilot.

·       Διερεύνηση της εφαρμογής τους σε επιχειρήσεις ICT.

·       Μελέτη των επιπτώσεων στην παραγωγικότητα και την ποιότητα υπηρεσιών.

·       Ανάλυση ζητημάτων ασφάλειας, ιδιωτικότητας και κανονιστικής συμμόρφωσης.

·       Διαμόρφωση προτάσεων βέλτιστων πρακτικών υιοθέτησης.

Η ραγδαία ανάπτυξη των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models - LLMs) και εργαλείων όπως τα ChatGPT, Claude, Gemini και Copilot δημιουργεί νέες δυνατότητες για την υποστήριξη επιχειρήσεων Πληροφορικής και Επικοινωνιών. Η διπλωματική εργασία θα διερευνήσει τις δυνατότητες αξιοποίησης των εργαλείων αυτών σε επιχειρησιακές και τεχνικές διαδικασίες, καθώς και τα οφέλη και τους περιορισμούς που προκύπτουν από την υιοθέτησή τους.

Περιοχές Εφαρμογής

·    Τεχνική Υποστήριξη (Help Desk)

·       Ανάπτυξη Λογισμικού και DevOps

·       Κυβερνοασφάλεια

·       Διαχείριση Έργων Πληροφορικής

·       Διαχείριση Γνώσης και Επιχειρησιακών Διαδικασιών

·       Ενσύρματα και Ασύρματα Δίκτυα Επικοινωνιών

·       Wi‑Fi, 5G και 6G Δίκτυα

·       Δίκτυα NTN και Δορυφορικές Επικοινωνίες

·       Software Defined Networking (SDN) και Network Automation

·       Network Operations Centers (NOC) και AIOps

Η εργασία μπορεί να περιλαμβάνει βιβλιογραφική ανασκόπηση, συγκριτική αξιολόγηση εργαλείων Generative AI, μελέτη περίπτωσης σε πραγματικό ή εργαστηριακό περιβάλλον, καθώς και σχεδίαση και ανάλυση ερωτηματολογίου σε επαγγελματίες του χώρου ICT.

Η εργασία αναμένεται να καταγράψει τις δυνατότητες και τους περιορισμούς των εργαλείων Generative AI, να αξιολογήσει τη συνεισφορά τους στις επιχειρήσεις ICT και να προτείνει ένα πλαίσιο βέλτιστων πρακτικών για την αξιοποίησή τους.

Τεχνητής Νοημοσύνη

Μηχανική Μάθηση

Δίκτυα

Τεχνολογίες Νέφους

Βασικές γνώσεις Πληροφορικής, Δικτύων Υπολογιστών και Τεχνητής Νοημοσύνης. Επιθυμητή είναι η εξοικείωση με εργαλεία παραγωγικής τεχνητής νοημοσύνης και σύγχρονα περιβάλλοντα ICT.

Επιστημονικά Άρθρα

·       Brown, T. et al. (2020). Language Models are Few-Shot Learners.

·       Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback.

·       OpenAI (2023). GPT-4 Technical Report.

·       Touvron, H. et al. (2023). LLaMA: Open and Efficient Foundation Language Models.

·       Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models.

·       Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.

·       Kellerer, W. et al. (2022). Machine Learning for Networking.

·       Zhang, C. et al. (2024). Large Language Models for Telecommunications Networks: A Survey.

·       Saad, W. et al. (2023). Generative AI for Future Wireless Networks.

·       Chen, M. et al. (2021). Evaluating Large Language Models Trained on Code.

Βιβλία

·       Russell & Norvig – Artificial Intelligence: A Modern Approach.

·       Chip Huyen – Designing Machine Learning Systems.

·       Tom Taulli – Generative AI for Business.

·       Provost & Fawcett – Data Science for Business.

·       Alpaydin – Introduction to Machine Learning.

·       Goodfellow, Bengio & Courville – Deep Learning.

Διαδικτυακές Πηγές

·       ChatGPT (OpenAI) – https://chatgpt.com

·       Claude (Anthropic) – https://claude.ai

·       Gemini (Google) – https://gemini.google.com

·       Microsoft Copilot – https://copilot.microsoft.com

·       Perplexity AI – https://www.perplexity.ai

AI Governance

·       EU AI Act – https://artificialintelligenceact.eu

·       NIST AI Risk Management Framework – https://www.nist.gov/itl/ai-risk-management-framework

·       OECD AI Principles – https://oecd.ai/en/ai-principles

·       European Commission AI Strategy – https://digital-strategy.ec.europa.eu

AI για Δίκτυα και Τηλεπικοινωνίες

·       ETSI ENI – https://www.etsi.org/committee/1414-eni

·       ITU AI for Good – https://aiforgood.itu.int

·       O-RAN Alliance – https://www.o-ran.org

·       TM Forum Autonomous Networks – https://www.tmforum.org/topics/autonomous-networks/

·       Cisco AI Networking

·       Juniper Mist AI

Επιχειρησιακή Υιοθέτηση Generative AI

·       McKinsey – The Economic Potential of Generative AI

·       Deloitte – State of Generative AI in the Enterprise

·       Gartner – Generative AI Research Hub

·       IBM – What is AIOps?

Modern offensive security operations increasingly require evasion-aware code generation that can adapt to specific endpoint detection and response (EDR) telemetry.

This thesis investigates the following research question:

Can state-of-the-art large language models, when provided with structured detection feedback from a SigmaHQ or Yara based evaluation pipeline, iteratively refine red team payloads to reduce detection rates against a configured EDR baseline, while preserving functional behavior?

A closed-loop evaluation pipeline will be implemented as a Model Context Protocol (MCP) server exposing detection-evaluation tools to the LLM under test. 
The pipeline consists of four stages:
•    Lab Environment: a snapshot-restored Windows VM with Sysmon and open-source Elastic Agent forwarding telemetry to a local Elasticsearch instance.
•    Detection Evaluation: a curated SigmaHQ/Yara or other ruleset is converted to Lucene (Elastic’s query language like MS’s KQL) queries via pySigma and executed against the telemetry of each run, returning per-rule firing data and MITRE ATT&CK mappings.
•    Feedback Provider: an MCP tool aggregates fired rules, triggering field values, and source code into a structured prompt context for the LLM.
Iterative refinement: the LLM proposes code modifications, which are rebuilt, re-executed, and re-evaluated until either full evasion is reached or a configurable iteration limit has been met.
Four hosted models will be evaluated:
•    Kimi K2 Thinking
•    Qwen 3.6 Plus
•    DeepSeek Pro V4
•    GLM-5.1
Cloud hosted models were selected over locally self-hosted alternatives to avoid three known limitations of the small-model class: degraded reasoning under long iterative contexts, increased hallucination rates during multi-step code transformation, and context-window resource exhaustion as detection feedback accumulates across iterations.
Evaluation metrics: Detection-rate reduction relative to the baseline payload, functionality preservation rate (verified via behavioural tests in the lab), number of iterations to evasion, and a token-cost / wall-clock-time efficiency metric per model.
The aforementioned models can be accessed and deployed via platforms such as Hugging Face or Ollama, both of which provide access to a wide variety of open-source models.

Ασφάλεια Δικτύων Υπολογιστών

Ασφάλεια Δικτύων Υπολογιστών

[1] Akil et al., 2025. LLMalMorph: On the Feasibility of Generating Variant Malware using Large-Language-Models. arXiv:2507.09411. https://arxiv.org/abs/2507.09411
[2] MalGEN authors, 2025. MalGEN: A Generative Agent Framework for Modeling Malicious Software in Cybersecurity. arXiv:2506.07586. https://arxiv.org/abs/2506.07586
[3] Botacin et al., 2025. Automated Malware Source Code Generation via Uncensored LLMs and Adversarial Evasion of Censored Models. Applied Sciences, MDPI, 15(17):9252. https://www.mdpi.com/2076-3417/15/17/9252
[4] Isozaki et al., 2024. Towards Automated Penetration Testing: Introducing LLM Benchmark, Analysis, and Improvements. arXiv:2410.17141. https://arxiv.org/abs/2410.17141
[5] Shao et al., 2024. NYU CTF Bench: A Scalable Open-Source Benchmark Dataset for Evaluating LLMs in Offensive Security. NeurIPS 2024, arXiv:2406.05590. https://arxiv.org/abs/2406.05590

.

.

.

.

.