IP Tracing and Active Network Response
主动安全主要涉及当通信网络中的主机受到攻击时执行一个或多个安全功能。这种安全功能包括针对攻击者的适当行动。为了适当地提供主动安全操作，应该将一组软件子系统集成在一起，以便它们可以自动检测并适当地解决底层网络中的任何漏洞。提出了主动安全响应模型的集成模型。该模型引入了主动响应机制（ARM）来追踪网络中的匿名攻击。这项工作的动机是拒绝服务攻击的频率和复杂性增加，以及难以追踪具有不正确或“欺骗”源地址的数据包。本文提出了两种跟踪方法的基础上提出的模型：1。睡眠水印跟踪（SWT）的未经授权的访问攻击。2.网络中的概率数据包标记（PPM），用于拒绝服务（DoS）和分布式拒绝服务（DDoS）攻击。在该模型的基础上，设计了防火墙、入侵检测系统等协同工作的网络安全工具，实现了对攻击者真实IP地址的快速主动响应。该模型能够检测网络漏洞，跟踪攻击源IP和重新配置被攻击子网。
2014-09-21 cs.CR cs.NI
Worst case attacks against binary probabilistic traitor tracing codes
对叛逆者追踪代码的设计有深刻见解的观点必须考虑共谋者可能导致的最坏情况的攻击。本文从信息论的角度出发，将最坏情况下的攻击定义为使叛逆者追踪码的可达速率最小化的合谋策略。设想了两种不同的解码器，如最近由P. Moulin \cite{Moulin08universal}定义的联合解码器和简单解码器。几类共谋者被定义为越来越多的权力。最坏情况下的攻击时，适用于Tardos的代码和概率版本的Boneh-Shaw建设每个类和每个解码器。本文给出了二进制概率叛逆者追踪码所能达到的实际速率。通常在文献中考虑的攻击，如多数票或少数票，实际上在很大程度上是次优的。本文还说明了分时概念在概率码中的重要性。
2009-08-18 cs.CR cs.IT math.IT
On the Privacy and Integrity Risks of Contact-Tracing Applications
基于智能手机的联系人追踪应用处于全球抗击新冠肺炎疫情的中心。虽然政府和医疗机构渴望强制部署此类应用程序，但它们面临着来自大众媒体、安全公司和人权观察机构越来越多的审查，这些机构担心这些技术被用作监视工具。在社区安全和隐私之间找到最佳平衡一直是一项挑战，各国解决这些问题的战略各不相同。本文描述了两种影响广泛的联系人跟踪应用程序的重要攻击。第一种称为接触隔离攻击，是一种用户隐私攻击，可用于识别您附近的潜在感染患者。第二种是接触污染攻击，通过导致接触追踪应用程序产生大量误报警报来影响接触追踪应用程序的完整性。我们开发了原型实现，并在DP-3 T应用程序框架的上下文中评估了这两种攻击，但这些漏洞会影响更广泛的应用程序。我们发现，这两种攻击都是可行的，并以最小的攻击者工作因子实现。我们通过使用模拟研究和SafeGraph数据库的测量结果进一步对这些攻击进行了影响评估。我们的研究结果表明，从适度数量（大约10，000个）的监测点发起的攻击可以有效地在主要大都市（如休斯顿）中发现5- 40%的受感染用户。
2020-12-08 cs.CR cs.CY
PhantomSeal: Proactive Deepfakes Defense with Identity/Context Protection and Forensic Tracing
The University of Kansas（堪萨斯大学）；University of Louisville（路易斯维尔大学）；The University of Chicago（芝加哥大学）
针对深度伪造尤其是面部交换攻击挑战，提出幻影封印主动防御，用新颖伪装技术嵌入身份作标识符，引导生成类似所选身份内容，防止面部交换并支持取证追踪，经实验验证其有效性和鲁棒性。
2026-08-05 cs.CR
Contact Tracing Made Un-relay-able
自动接触追踪是控制空气传播疾病传播的关键解决方案：它追踪个人之间的接触，以提醒人们他们被感染的潜在风险。目前的SARS-CoV-2大流行给许多国家的医疗保健系统带来了沉重的压力。各国政府选择了不同的方法来应对病毒的传播，接触者追踪应用程序被认为是最有效的方法。特别是，通过利用蓝牙低功耗技术，移动应用程序可以实现保护公民隐私的联系人跟踪。虽然研究人员提出了几种接触追踪方法，但每个政府都开发了自己的国家接触追踪应用程序。在本文中，我们证明了许多流行的接触追踪应用程序（例如，由意大利、法国、瑞士政府推广的那些）容易受到中继攻击。通过这种攻击，人们可能会被错误地诊断为SARS-CoV-2阳性，从而被强制隔离，最终导致医疗保健系统崩溃。为了解决这个漏洞，我们提出了一种新颖的轻量级解决方案，可以防止中继攻击，同时提供与当前方法相同的隐私保护功能。为了评估中继攻击和我们新型防御机制的可行性，我们针对意大利接触者追踪应用程序开发了概念验证（即，Immuni）。我们的防御设计允许它集成到任何联系人跟踪应用程序中。
2020-11-02 cs.CR cs.CY
AnonTokens: tracing re-identification attacks through decoy records
在向第三方发布数据时，隐私是最受关注的问题。数据所有者依靠匿名化方法来保护已发布的数据集免受重新识别攻击。然而，即使有严格的匿名化，重新识别攻击仍然是一种可能性，在许多情况下是一种现实。现有技术集中于提供具有最小信息损失的更好的匿名化算法以及如何防止数据泄露攻击。我们的方法试图解决这个问题的跟踪重新识别攻击的概念的基础上的honeytoken，诱饵或“诱饵”记录的目标是引诱恶意用户。虽然蜜证的概念已被广泛用于安全领域，但这是将该概念应用于数据隐私领域的第一种方法。具有高重新识别风险的记录，称为AnonTokens，被插入到匿名数据集中。这项工作证明了AnonTokens的可行性、可检测性和可用性，并为希望将我们的方法应用于实际用例的数据所有者提供了有希望的结果。我们用真实的大规模人口数据集评估了我们的概念。结果表明，引入诱饵令牌是可行的，不会对发布的数据集产生重大影响。
2019-06-24 cs.CR cs.DB
The Far Side of DNS Amplification: Tracing the DDoS Attack Ecosystem from the Internet Core
在本文中，我们通过研究补充数据源并得到正交方法的支持，为DNS放大生态系统提供了新的见解。首先，我们介绍了一种针对互联网核心的被动攻击检测方法，互联网交换点（IXP）。令人惊讶的是，IXP和蜜罐观察到的攻击大多是不相交的：96%的IXP推断的攻击对一个相当大的蜜罐平台是不可见的。其次，我们通过研究IXP痕迹与来自独立测量基础设施的不同数据联合评估观察到的DNS攻击的有效性。我们发现，攻击者有效地检测到新的反射器，并有目的地在它们之间旋转。与此同时，我们发现攻击者距离带来显着更高的放大因子（14倍）只有一小步。第三，我们通过研究攻击痕迹中的模式来识别和识别主要攻击实体。我们发现，该实体通过执行59%的攻击来主导DNS放大生态系统，并对其行为进行了深入分析。最后，我们的研究结果显示，各种.gov名称的运营商不遵守DNSSEC密钥翻转的最佳实践，这加剧了放大潜力。我们可以将这种操作行为与滥用和攻击者决策联系起来。
2021-10-06 cs.CR cs.NI
Tracing Back the Malicious Clients in Poisoning Attacks to Federated Learning
Duke University（杜克大学）；University of Louisville（路易斯维尔大学）；University of California, Los Angeles（加州大学洛杉矶分校）
针对联邦学习投毒攻击，提出首个投毒取证方法FLForensics，在训练防御失效后追溯恶意客户端，理论保证区分良恶，实验验证五个基准数据集上的有效性。
2025-10-14 cs.CR cs.CV
Learnable Linguistic Watermarks for Tracing Model Extraction Attacks on Large Language Models
本文提出一种在大型语言模型中嵌入可学习语言水印的方法，通过向词元频率分布引入受控噪声并利用KL散度进行统计检测，以追踪和防止模型提取攻击，同时兼顾鲁棒性与输出质量。
2024-04-28 cs.AI cs.CL cs.CR
Tracing the Origin of Adversarial Attack for Forensic Investigation and Deterrence
National University of Singapore（新加坡国立大学）；Huawei International（华为国际）
深度神经网络容易受到对抗攻击的攻击。在本文中，我们扮演了调查者的角色，他们想要追踪攻击并识别源，即生成对抗性示例的特定模型。由此产生的技术将有助于对袭击事件进行法医调查，并对潜在的袭击起到威慑作用。我们考虑买家-卖家设置，其中机器学习模型将被分发给各个买家，每个买家收到具有相同功能的略有不同的副本。恶意购买者从特定副本$\mathcal{M}_i$生成对抗性示例，并使用它们攻击其他副本。从这些对抗性的例子中，研究者想要确定来源$\mathcal{M}_i$。为了解决这个问题，我们提出了一个两阶段的分离和跟踪框架。模型分离阶段为同一分类任务生成模型的多个副本。这个过程将独特的特征注入到每个副本中，以便生成的对抗性示例具有独特且可追溯的特征。我们给出了一个并行结构，它在每个副本中嵌入一个“跟踪器”，以及一个对噪声敏感的训练损失来实现这个目标。跟踪阶段接受对抗性示例和一些候选模型，并识别可能的来源。基于对噪声敏感的损失函数所引入的独特特征，我们可以通过考虑每个跟踪器的输出logits来有效地跟踪潜在的对抗副本。实证结果表明，可以追踪对抗性示例的起源，并且该机制可以应用于广泛的架构和数据集。
2022-12-31 cs.CR cs.CV cs.LG
Tracing Target Answers in Poisoned Retrieval Corpora via Token Influence Attribution
National Yang Ming Chiao Tung University（阳明交通大学）；IBM Research（IBM研究院）；Hon Hai Research Institute（宏海研究院）
提出TRACE框架，通过令牌影响归因识别检索增强生成系统中的语料投毒攻击，无需额外分类器或LLM验证，在三个QA基准和六个LLM上验证了有效性。
2026-08-27 cs.CL cs.CR cs.IR
DeepTracer: Tracing Stolen Model via Deep Coupled Watermarks
针对现有模型水印易被窃取攻击移除的问题，提出DeepTracer框架，通过新颖水印样本构建、同类耦合损失约束及关键样本过滤机制，实现水印与主任务高耦合，在多场景实验中超越现有方法，提升防御效果与鲁棒性。
2025-11-12 cs.CR cs.LG
Tracing the Dynamics of Refusal: Exploiting Latent Refusal Trajectories for Robust Jailbreak Detection
Peking University（北京大学）；Nanyang Technological University（南洋理工大学）；Beijing Jiaotong University（北京交通大学）
通过因果追踪识别出稀疏的“拒绝轨迹”激活模式，并提出轻量级白盒检测器SALO，基于隐藏状态窗口实现鲁棒越狱检测。
2026-05-26 cs.AI cs.CL cs.CR
Tracing the Man in the Middle in Monoidal Categories
中间人（MM）不仅是一种普遍存在的安全攻击模式，也是网络计算和经济学的重要研究范式。识别正在进行的MM攻击是一个重要的安全任务，建模MM交互是一个有趣的任务计算语义。跟踪monoidal范畴是MM建模的自然框架，因为跟踪结构提供了一个工具来隐藏中间发生的事情。对已经追踪到的东西进行有效的分析似乎需要迹线的一个额外的属性，称为“正态性”。我们描述了一个适度的网络计算模型，基于偏序多集（pomsets），其中基本的网络相互作用产生的monoidal跟踪结构，和正常的跟踪结构产生的迭代，即coalgebraic结构在计算和通信中使用的术语和消息。对应关系的建立使用一个方便的monadic描述正常跟踪monoidal范畴。
2012-03-28 cs.CR cs.LO math.CT
threaTrace: Detecting and Tracing Host-based Threats in Node Level Through Provenance Graph Learning
针对现有溯源图方法难以检测隐蔽威胁的问题，提出基于归纳图神经网络 GraphSAGE 的异常检测系统 threaTrace，在实体级别学习良性节点特征，实现早期主机入侵检测且优于现有系统。
2021-11-08 cs.CR cs.LG
Efficient and Privacy-Preserving Infection Control System for Covid-19-Like Pandemics using Blockchain
接触者追踪是控制COVID-19类大流行病的一种非常有效的方法。它旨在确定在病毒潜伏期内与受感染者密切接触的个人，并通知他们进行隔离。然而，现有系统存在隐私、安全和效率问题。为了解决这些局限性，在本文中，我们提出了一种高效且保护隐私的基于区块链的感染控制系统。而不是依赖于一个单一的权威来运行系统，一组健康当局，形成一个联盟区块链，运行我们的系统。使用区块链技术不仅可以保护我们的系统免受单点故障和拒绝服务攻击，而且还可以带来透明度，因为所有交易都可以由不同的方进行验证。虽然接触者追踪很重要，但这还不足以有效控制感染。因此，与大多数只关注接触者追踪的现有系统不同，我们的系统由三个集成的子系统组成，包括接触者追踪、公共场所访问控制和安全场所推荐。访问控制子系统阻止受感染的人访问公共场所以防止病毒传播，并且推荐子系统基于感染级别对区域进行分类，使得人们可以避免访问受污染的区域。我们的分析表明，我们的系统是安全的，可以保护用户的隐私，防止身份识别、社交图泄露和跟踪攻击，同时阻止虚假报告（或恐慌）攻击。此外，我们广泛的性能评估证明了我们的系统的可扩展性（这是可取的流行病），由于其低通信，计算和存储开销。
2021-04-06 cs.CR cs.CY
Effectiveness of Distillation Attack and Countermeasure on Neural Network Watermarking
National University of Singapore（新加坡国立大学）
机器学习作为一种服务和模型共享平台的兴起，提出了跟踪模型和证明作者身份的需求。数字水印技术是现有模型版权保护方法的重要组成部分。在本文中，我们表明，蒸馏，广泛使用的变换技术，是一个非常有效的攻击，以消除现有的算法嵌入的水印。脆弱性是由于蒸馏不保留嵌入在模型中的水印，这是冗余的，独立于主要的学习任务。我们的设计是为了回应破坏性的蒸馏。它用一个包含水印的固有模型来正则化一个神经网络，并迫使该模型也表示固有模型的知识。我们广泛的评估表明，ingrain是更强大的蒸馏攻击和其他广泛使用的转换技术的鲁棒性是现有的方法。
2019-06-14 cs.CR cs.LG
Watermarking Visual Concepts for Diffusion Models
针对扩散模型个性化生成特定概念图像带来的版权与安全威胁，提出轻量级概念水印框架ConceptWM，绑定目标概念与水印实现单阶段同步识别追踪，提升鲁棒性并优于现有方法，缓解模型误用。
2025-08-23 cs.AI cs.CR cs.MM
Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（统计与数据科学系，沃顿商学院，宾夕法尼亚大学）；Rutgers University（罗格斯大学）
该研究提出score attack方法，基于追踪攻击概念为差分隐私约束的参数估计极小极大风险提供下界，经多类模型验证其有效性与最优性。
2026-08-18 cs.CR cs.LG math.ST
