Recovering decimation-based cryptographic sequences by means of linear CAs
由称为收缩生成器的密码序列生成器产生的序列可以被建模为线性初等细胞自动机的输出序列。这些序列由基于反馈移位的线性结构产生的交织m序列组成。这一有益的特性可用于该生成器的密码分析。在这项工作中,我们提出了一个算法,利用这些细胞自动机和交织的m序列的固有线性。虽然不规则抽取发生器已被设想和设计为非线性序列发生器,但在实践中,它们可以很容易地用简单的线性结构进行分析。
2018-02-06 cs.CR
A Simple Attack on Some Clock-Controlled Generators
我们提出了一种新的方法来编辑距离攻击某些时钟控制的发电机,它应用图论的基本概念,以简化搜索树的原始攻击的方式,只有最有前途的分支进行分析。特别是,所提出的改进是基于一些图上定义的割集,以便某些最短路径提供编辑距离。该建议的最强的方面是,从攻击中获得的结果是绝对确定性的,并且目标寄存器的许多不一致的初始状态被预先识别,并在搜索过程中避免。
2010-05-01 cs.CR
Statistical Random Number Generator Attack against the Kirchhoff-Law-Johnson-Noise (KLJN) Secure Key Exchange Protocol
本文介绍并论证了四种新的针对Kirchhoff定律-Johnson-Noise(KLJN)安全密钥交换方案的统计攻击。这些攻击利用Alice/Bob站点上的受损随机数生成器。研究了Alice/Bob和Eve的探测噪声之间的偏相关性,即Eve对Alice和Bob的探测噪声的知识是有限的,但不是零。我们探讨双边的情况下,夏娃有部分知识的爱丽丝和鲍勃的随机数发电机。结果表明,在这种情况下,夏娃可以破解的安全密钥位,她的探测噪声和测量的电压噪声在电线之间的最高互相关。她还可以通过在她的噪声电压和她对Alice/Bob的噪声电压的评估之间取得最高的互相关来破解安全密钥位。然后,我们探讨单方面的情况下,夏娃只有爱丽丝的随机数发生器,因此只有这些噪音(爱丽丝和夏娃)的部分知识。在这种情况下,Eve仍然可以破解安全密钥位,但对于足够低的错误概率,她需要使用整个位交换周期进行攻击。KLJN密钥交换方案的安全性与其他协议类似,需要随机数生成器输出对于Eve是真正随机的。
2021-10-06 cs.CR
Transform Domain Analysis of Sequences
在密码分析中,密码在面对攻击时的安全性是根据三个复杂性标准来衡量的,即,计算、记忆和时间。某些特征在特定领域中可能不那么明显,在变换后的领域中对其进行分析通常会揭示出有趣的模式。此外,在不同的领域的复杂性标准是不同的,性能的改善往往是通过转换到一个替代领域的问题。由于编码理论和信号处理的结果,基于离散傅里叶变换(DFT)的攻击已经被证明在其计算复杂性方面比代数攻击更有效。受DFT攻击的启发,本文提出了一种基于线性反馈移位寄存器(LFSR)序列发生器的变换域分析方法。讨论了非线性滤波器和组合器发生器的时域和频域行为,以及基于中国剩余定理(CRT)的一些新的观察结果。CRT被用来建立LFSR序列的模式和有限域的基本循环结构。DFT频谱攻击的组合器生成器的应用也被证明。我们提出的方法节省了组合器生成器的选择性DFT攻击的最后一级计算。所提出的方法是证明了一些例子的组合器生成器,并可扩展到一般配置的组合器生成器。
2015-03-20 cs.CR
Deterministic Random Number Generator Attack against the Kirchhoff-Law-Johnson-Noise Secure Key Exchange Protocol
本文证明了Kirchhoff定律约翰逊噪声(KLJN)安全密钥交换机的脆弱性,以妥协的随机数发生器(S),即使这些随机数是用来产生的噪声模仿爱丽丝和鲍勃的电阻的约翰逊噪声。所示的攻击是确定性的,因为Eve对Alice和/或Bob的随机数的了解基本上是确定性的。此外,除了极少发生的可忽略不计的随机等待时间和验证时间之外,不需要进行统计评价。我们探讨两种情况。在第一种情况下,夏娃知道爱丽丝和鲍勃的随机噪声。我们表明,在这种情况下,夏娃可以快速破解的安全密钥位使用欧姆定律。在另一种情况下,夏娃只知道鲍勃的随机噪音。然后Eve首先可以通过使用欧姆定律来学习Bob的电阻值。因此,她将具有与Bob相同的知识,因此在比特交换时段结束时,她将知道Alice的比特。
2020-12-08 cs.CR
Cellular Automata in Stream Ciphers
一个广泛的家庭的非线性序列发生器,所谓的时钟控制收缩发生器,已被分析和识别的一个子集的线性细胞自动机。将给定的生成器转换为基于自动机的线性模型的算法非常简单,并且可以应用于实际感兴趣的范围。由于这些自动机的线性以及此类生成器的特性,可以提出一种密码分析方法。线性元胞结构很容易模拟密钥流生成器,并应用于流密码学。
2010-05-18 cs.CR cs.DM
Can It Reach the Generator? Investigating the Survival of Prompt-Injection Attacks in Realistic RAG Settings
The University of Queensland(昆士兰大学);CSIRO(澳大利亚联邦科学与工业研究组织)
本文在真实的三阶段RAG流水线(检索器→LLM重排序器→LLM生成器)中重新评估了七种生成式引擎优化(GEO)攻击,发现基于梯度和指令覆盖的攻击在到达生成器前大多失效,仅LLM驱动的提示注入保持端到端有效,且所有攻击易被轻量级防护检测。
2026-05-28 cs.CR cs.IR
An algebraic attack on stream ciphers with application to nonlinear filter generators and WG-PRNG
论文基于 Courtois–Meier 攻击提出一种针对非线性滤波生成器的新型代数攻击,并通过实验证明 WG-PRNG 的实际安全性低于此前声称。
2024-04-08 cs.CR cs.SC
Secure Generators of q-valued Pseudo-Random Sequences on Arithmetic Polynomials
提供了一种用于控制节点运行中的错误的技术,该节点用于形成在随机错误和通过攻击者的故意攻击产生的错误下操作的$q$值伪随机序列(PRS),其中特征方程的系统由算术多项式实现,该算术多项式允许计算过程被并行化,并且进而允许使用冗余模码设备。
2018-09-07 cs.CR
Generator Cost Coefficients Inference Attack via Exploitation of Locational Marginal Prices in Smart Grid
针对智能电网中公开的实时电价和发电数据,提出利用节点边际电价推断发电机成本系数的方法,证明闭式解存在并给出收敛条件,在IEEE基准系统上验证有效性。
2025-03-26 cs.CR
Modelling Nonlinear Sequence Generators in terms of Linear Cellular Automata
在这项工作中,一个广泛的家庭LFSR为基础的序列发生器,所谓的时钟控制收缩发生器(CCSG),已被分析和识别的一个子集的线性元胞自动机(CA)。事实上,可以推导出一对描述CCSG行为的线性模型。将给定的CCSG转换为基于CA的线性模型的算法非常简单,并且可以在实际感兴趣的范围内应用于CCSG。这些细胞模型的线性可以有利地以两种不同的方式使用:(a)用于CCSG的分析和/或密码分析,以及(b)用于从这种生成器获得的输出序列的重构。
2010-05-13 cs.CR cs.DM
Random Number Generator Attack against the Kirchhoff-Law-Johnson-Noise Secure Key Exchange Protocol
本文介绍并证明了两种针对Kirchhoff定律-Johnson-Noise(KLJN)安全密钥交换方案的新攻击。这些攻击基于安全性受损的随机数生成器。首先,我们探讨的情况下,夏娃都知道爱丽丝和鲍勃的随机数发生器的种子。我们表明,在这种情况下,夏娃可以破解的安全密钥位内的一小部分的位交换周期,即使她的电流和电压测量只有一个单一的位的分辨率。在第二次攻击中,我们探讨了夏娃只知道爱丽丝的随机数生成器的种子的情况。我们表明,在这种情况下,夏娃仍然可以破解的安全密钥位,但她需要使用整个位交换期间的攻击。KLJN密钥交换方案的安全性与其他协议类似,需要随机数生成器输出对于Eve是真正随机的。
2020-05-21 cs.CR cs.SY eess.SY
The Attack Generator: A Systematic Approach Towards Constructing Adversarial Attacks
neurocat GmbH(neurocat有限公司);Volkswagen AG(大众汽车集团)
大多数最先进的机器学习(ML)分类系统都容易受到对抗性扰动的影响。因此,对抗鲁棒性对在安全和安全关键环境(如自动驾驶、疾病检测或无人机)中部署基于ML的系统提出了重大挑战。在过去几年中,我们看到大量的出版物提出了越来越多的新的对抗攻击。然而,攻击研究似乎是相当非结构化的,新的攻击往往是从无限可能的对抗攻击中随机选择的。在这篇文章中,我们对对抗攻击的创建过程进行了结构化分析。通过检测对抗攻击的不同构建块,我们概述了新的对抗攻击集的道路。我们称之为“攻击生成器”。在追求这一目标,我们总结和扩展现有的对抗扰动分类法。然后将得到的分类与自动驾驶车辆的计算机视觉系统的应用环境相关联,即语义分割和目标检测。最后,为了证明有用的攻击发生器,我们调查现有的语义分割攻击检测定义组件的对抗攻击。
2019-06-17 cs.CR cs.LG stat.ML
An efficient attack of a McEliece cryptosystem variant based on convolutional codes
Löndahl和Johansson去年提出了McEliece密码系统的一个变体,它用卷积码取代了Goppa码。这种修改应该使结构攻击更加困难,因为该方案的公共生成矩阵包含完全随机生成的大部分。他们提出了两种这种方案,其中之一是采用Goppa码并通过添加时变卷积码的生成矩阵来扩展它。我们在这里表明,该方案可以成功地攻击,通过寻找低重量的码字在该方案的公共代码,并用它来解开卷积部分。它仍然是打破这个计划的戈帕部分,可以在不到一天的计算在手头的情况下。
2013-02-20 cs.CR
Beyond Explicit Generators: Distribution-Free Linear-Decomposition Attacks on Public-Key Encryption
University of Sydney(悉尼大学)
本文提出针对公钥加密的无分布线性分解攻击框架,将其应用于2024年基于扭曲斜群环的概率PKE,实现明文恢复与恒定IND-CPA优势,通过实验验证了攻击有效性。
2026-08-24 cs.CR
Adversarial defenses via a mixture of generators
Warsaw University of Technology(华沙工业大学)
尽管神经网络取得了巨大的成功,但对抗性示例仍然是深度学习系统的一个相对薄弱的特征。在构建更强大的对抗攻击和设计对抗对抗示例影响的方法方面都有相当大的努力。我们提出了一种通过混合生成器转换对抗输入数据的方法,以恢复被对抗攻击混淆的正确类。一组规范的图像用于通过潜在的多个攻击生成对抗性示例。这种变换后的图像由一组生成器处理,这些生成器作为一个整体进行逆向训练,以竞争反转初始变换。据我们所知,这是第一次使用基于混合的对抗训练系统作为防御机制。我们表明,它是可能的训练这样一个系统,没有监督,同时对多个对抗攻击。我们的系统能够恢复以前看不见的例子的类信息,既没有攻击,也没有MNIST数据集上的数据标签。结果表明,这种多攻击方法与在单攻击环境中测试的对抗性防御相比具有竞争力。
2021-10-05 cs.CR cs.LG
Vulnerabilities in AI Code Generators: Exploring Targeted Data Poisoning Attacks
University of Naples Federico II(那不勒斯费德里科二世大学)
本研究针对AI代码生成器提出定向数据投毒攻击,发现少量投毒即可导致生成漏洞代码,且攻击成功率受模型架构和投毒率影响,难以检测,为防御提供了见解。
2024-02-09 cs.AI cs.CR
Source-independent quantum random number generator against tailored detector blinding attacks
随机性,主要是以随机数的形式,是许多密码任务安全性的基本前提。即使对手完全知道协议,甚至控制随机性源,也可以提取量子随机性。然而,攻击者可以通过定制的检测器致盲攻击进一步操纵随机性,这是具有可信检测器的协议所遭受的黑客攻击。在这里,通过将无点击事件视为有效事件,我们提出了一个量子随机数生成协议,可以同时解决源漏洞和凶猛的定制检测器致盲攻击。该方法可以推广到高维随机数的产生。我们实验证明我们的协议生成随机数的二维测量的生成速度为0.1位每脉冲的能力。
2023-03-23 cs.CR quant-ph
CAG: A Real-time Low-cost Enhanced-robustness High-transferability Content-aware Adversarial Attack Generator
Rutgers University - School of Engineering(罗格斯大学工程学院);MIT-IBM Watson AI Lab, IBM Research(IBM研究院麻省理工学院-IBM沃森人工智能实验室)
尽管深度神经网络(DNN)在许多人工智能领域取得了巨大的成功,但它很容易受到对抗攻击的攻击。对抗攻击是一种通过向合法输入添加不可感知的扰动来引起预期的误分类的方法。研究人员已经开发出多种类型的对抗攻击方法。然而,从实际部署的角度来看,这些方法遭受的几个缺点,如攻击生成时间长,内存成本高,鲁棒性不足和低可移植性。提出了一种基于内容的对抗攻击生成器(CAG),以实现实时的【形】、低成本、增强鲁棒性和高可移植性的对抗攻击。首先,作为一种基于生成模型的攻击,与PGD和C\&W等最先进的攻击相比,CAG在生成对抗性示例方面表现出显着的加速(至少500倍)。CAG只需要一个生成模型就可以对任何目标类进行有针对性的攻击。由于CAG将标签信息编码到可训练的嵌入层中,因此它不同于先前的基于生成模型的对抗攻击,后者针对$n$不同的目标类使用生成模型的$n$不同副本。因此,CAG显著降低了生成对抗性示例所需的内存成本。CAG可以通过在训练过程中整合类激活图信息来生成专注于输入关键区域的对抗性扰动,从而提高CAG攻击对最新对抗性防御的鲁棒性。此外,通过在生成扰动的过程中引入随机丢弃,CAG在黑盒攻击场景中表现出在不同DNN分类器模型之间的高可移植性。在不同数据集和DNN模型上的大量实验已经验证了CAG的实时的【形】、低成本、增强的鲁棒性和高可移植性的优点。
2019-12-16 cs.CR cs.CV
Examples of the Generalized Quantum Permanent Compromise Attack to the Blum-Micali Construction
本文给出了对Blum-Micali构造的量子永久妥协攻击的例子。这样的攻击说明了以前对Blum-Micali生成器的攻击如何扩展到整个Blum-Micali构造,包括Blum-Blum-Shub和Kaliski生成器。
2010-12-08 cs.CR cs.IT math.IT
Algebraic Attack on the Alternating Step(r,s)Generator
交替步进(r,s)发生器(ASG(r,s))是A.坎索它由长度为l、m和n位的三个寄存器组成。第一个寄存器控制其他两个寄存器的时钟。其他两个寄存器被时钟控制r次(或不被时钟控制)(分别为s次或不计时),这取决于第一寄存器中的时钟控制位。特殊情况r=s=1是原始的和众所周知的交替步骤发生器。Kanso声称没有针对ASG(r,s)的有效攻击,因为r和s是保密的。本文提出了一种交替步生成器ASG模型,并对ASG(r,s)提出了一种新的有效的代数攻击,利用3(m+n)比特的输出序列来寻找秘密密钥,计算复杂度为O((m^2+n^2)*2^{l+1}+(2^{m-1})*m^3 +(2^{n-1})*n^3)计算复杂性.我们表明,这个系统是没有更安全的比原来的ASG,在相反的ASG(r,s)的构造器的要求。
2010-06-09 cs.CR cs.IT math.IT
BSPA: Exploring Black-box Stealthy Prompt Attacks against Image Generators
Tsinghua University(清华大学);RealAI;University of Chinese Academy of Sciences(中国科学院大学)
本文提出黑盒隐蔽提示攻击方法 BSPA,利用检索器模拟 API 用户并借助过滤器分数调整敏感词检索空间,无需访问模型内部即可生成隐蔽攻击提示,并构建 NSFWeval 数据集验证其对主流图像生成器的攻击效果与防御建议。
2024-02-23 cs.CL cs.CR cs.CV
Context-Based Adversarial Attacks on AI Code Generators: Vulnerability Analysis and Implications
The Beacom College of Computer & Cyber Sciences Dakota State University(达科他州立大学比康计算机与网络科学学院)
研究通过2800次实验,发现上下文对抗攻击使代码生成漏洞增加10.7倍,并提出双层防御框架实现89.1%检测率。
2026-06-09 cs.CR cs.SE
Prompt Optimization and Evaluation for LLM Automated Red Teaming
Fuel iX Applied Research(Fuel iX应用研究);North Carolina State University(北卡罗来纳州立大学);University of Minnesota(明尼苏达大学);TELUS Digital(TELUS数字);Learn Prompting
针对大语言模型应用漏洞识别需求,本文提出将攻击成功率应用于单次攻击的提示优化方法,通过重复攻击衡量可发现性,助力更稳健的红队攻击生成器评估与优化。
2025-07-29 cs.CL cs.CR
Detecting Stealthy Data Poisoning Attacks in AI Code Generators
针对无触发器隐蔽数据投毒,论文在CodeBERT、CodeT5+和AST-T5上评估谱特征、激活聚类与静态分析,发现现有检测均存在明显局限。
2025-08-29 cs.CR cs.SE
Generalizable Black-Box Adversarial Attack with Meta Learning
Tsinghua University(清华大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Tencent AI Lab(腾讯人工智能实验室);University of Electronic Science and Technology of China(电子科技大学)
在黑盒对抗攻击场景中,目标模型的参数是未知的,攻击者的目标是在一定的查询预算下,根据查询反馈找到一个成功的对抗性扰动。由于反馈信息的有限性,现有的基于查询的黑盒攻击方法往往需要多次查询才能攻击出一个良性样本。为了降低查询成本,我们建议利用历史攻击的反馈信息,称为示例级对抗性可转移性。具体而言,通过将对每个良性示例的攻击视为一项任务,我们通过训练元生成器来生成以良性示例为条件的扰动,从而开发了一个元学习框架。当攻击一个新的良性示例时,Meta生成器可以根据新任务的反馈信息以及一些历史攻击来快速微调,以产生有效的扰动。此外,由于元训练过程消耗许多查询来学习可泛化的生成器,我们利用模型级对抗性可移植性,在白盒代理模型上训练元生成器,然后将其转移到帮助攻击目标模型。所提出的具有两种对抗性可转移性的框架可以自然地与任何现成的基于查询的攻击方法相结合,以提高其性能,这已经通过大量的实验得到了验证。
2023-01-01 cs.CR cs.CV cs.LG
Learning to Attack Powergrids with DERs
OFFIS – Institute for Information Technology(OFFIS——信息技术研究所);Carl von Ossietzky University Oldenburg(奥尔登堡卡尔·冯·奥西茨基大学)
在过去的几年里,电网已经成为网络攻击的重要目标。特别是对乌克兰电网的攻击引发了对可能的攻击媒介,其程度和可能的缓解措施的大量研究。然而,许多人没有考虑现实的情况下,时间序列被纳入模拟,以反映独立发电机和消费者的瞬态行为。此外,很少有人考虑潜在攻击者的有限感官输入。在本文中,我们描述了一个无功功率攻击的基础上,一个很好的理解的情况。我们表明,独立的代理人可以学习使用电网的动态对它的攻击,即使在面对其他发电机和消费者节点独立行事。
2022-04-24 cs.AI cs.CR
Revisiting the Concrete Security of Goldreich's Pseudorandom Generator
局部伪随机数发生器是密码学中的一类基本的密码原语,在理论密码学中有着非常广泛的应用。根据Couteau et al.的工作,本文进一步研究了一类重要的局部伪随机生成器的具体安全性,即,Goldreich伪随机发生器我们的第一次攻击是猜测和确定类型。我们的结果显着改进了Couteau等人提出的最先进的算法,在渐近和具体的复杂性方面,并打破了他们提出的所有挑战参数。例如,对于建议的128位安全性的参数集,我们可以通过大约$2^{61}$的因子更快地求解实例,从而完全破坏所声称的安全性。我们的第二次攻击进一步利用了谓词$P_5$的极其稀疏的结构,并结合了迭代解码的思想。这种新的攻击,命名为猜测和解码,大大改善了猜测和确定的方法,密码相关的参数。Couteau等人提出的所有挑战参数集。ASIACRYPT 2018中的工作,以80位(128位)安全级别为目标,可以在大约$2^{58}$($2^{78}$)的操作中解决。我们提出了新的参数,以实现80位(128位)的安全性相对于我们的攻击。我们还将攻击扩展到其他有前途的谓词,并调查他们的阻力。
2021-03-03 cs.CR cs.IT math.IT
When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse
University of Technology Sydney(悉尼科技大学);Peking University(北京大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
针对RAG中毒攻击现有检测方法失效的问题,提出基于文档级注意力崩溃的轻量级检测框架D-SCAN,可在攻击未改变最终答案时也实现有效检测。
2026-08-10 cs.CR
Secure pseudo-random linear binary sequences generators based on arithmetic polynoms
我们提出了一种新的方法来构建伪随机二进制序列(PRS)生成器的加密数据保护的目的,从犯罪者的攻击,所造成的大量的硬件错误和故障的产生。新方法是基于使用线性多项式算法实现PRS生成器的布尔特征函数系统。逻辑公式系统的“算术化”允许应用剩余系统的数学装置来对PRS生成过程进行多序列化,并对由硬件故障引起的计算错误进行组织控制。这保证了PRS生成器功能的高度安全性,从而保证了基于这些PRS的加密数据保护工具的安全性。
2014-09-08 cs.CR
STEP-GAN: A Step-by-Step Training for Multi Generator GANs with application to Cyber Security in Power Systems
在这项研究中,我们介绍了一种新的智能电网电力系统的无监督对策,基于生成对抗网络(GANs)。鉴于智能电网系统(SGS)在城市生活中的关键作用,其安全性尤为重要。然而,近年来,机器学习领域的进步引起了人们对这些系统遭受网络攻击的担忧。例如,城市基础设施最重要的组成部分之一的电力系统受到了对手的广泛攻击。攻击者使用虚假数据注入攻击(FDIA)破坏电力系统,从而破坏系统的可用性、完整性或机密原则。我们的模型模拟可能的攻击电力系统使用多个发电机在一步一步的相互作用,在训练阶段的一个干扰。因此,我们的系统对看不见的攻击具有鲁棒性。此外,该模型大大减少了基于GAN模型的众所周知的模式崩溃问题。我们的方法是通用的,它可以在广泛的一类分类任务。所提出的模型具有较低的计算复杂度,并优于基线系统约14%和41%的准确性方面的高度不平衡的公开可用的工业控制系统(ICS)网络攻击电力系统数据集。
2020-09-11 cs.CR cs.SY eess.SP
Random Number Generator, Zero-Crossing, and Nonlinearity Attacks against the Kirchhoff-Law-Johnson-Noise (KLJN) Secure Key Exchange Protocol
本文提出了三种针对KLJN方案的新型攻击。第一种攻击类型是基于受损的RNG。第一次RNG攻击是确定性的。首先,夏娃知道这两种噪音。她可以通过欧姆定律和一位的权力,在一小部分的位交换期。第二,Eve只知道Bob的噪声,所以她可以通过欧姆定律学习Bob的电阻值,并在比特交换周期结束时学习Alice的电阻。她也可以使用排除法。第二次RNG攻击是统计性的。首先,夏娃对爱丽丝和鲍勃的噪音有部分了解。她可以通过在她的噪声和线路中测量的噪声之间取最高的互相关,以及通过在她的噪声和Alice/Bob的噪声之间取最高的互相关来破解比特。第二,夏娃只知道爱丽丝的噪音的一部分。她仍然可以破解钻头,但在钻头交换期之后。第二种攻击类型是基于热力学。以前,KLJN方案需要热平衡。然而,Vadai等人在(Nature)Science Reports中展示了一种修改的方案,其中存在非零热噪声,但系统抵抗所有已知的攻击。我们利用线电流和电压之间的重合事件,并表明存在非零信息泄漏。一旦热平衡恢复,系统就再次完全安全。最后一种攻击类型是基于噪声发生器的非线性。我们探讨了在第二和第三阶失真的影响。它表明,1%的失真导致一个显着的信息泄漏。我们还表明,降低有效温度的结果在KLJN计划接近完美的安全性。
2021-12-16 cs.CR cs.SY eess.SY
Randen - fast backtracking-resistant random generator with AES+Feistel+Reverie
依赖于伪随机数发生器的算法通常会在对手可以预测发生器的行为时失去其性能保证。为了保护非密码应用程序免受此类攻击,我们提出了“强”伪随机生成器,其特征在于两个属性:计算上无法区分随机和回溯抵抗。一些现有的加密安全生成器也符合这些标准,但它们太慢,无法被普遍接受。我们介绍了一个新的开源生成器,称为“Randen”,并表明它是“强大的”,除了在现实世界的基准测试中表现优于Mersenne Twister,PCG,ChaCha 8,ISAAC和Philox。这是通过硬件加速实现的。Randen是Reverie的一个实例,Reverie是最近发表的一个强大的海绵状随机生成器,它具有一个新的排列,该排列是从具有16个分支的改进的广义Feistel结构构建的。我们提供了新的界限,积极的S盒多达24轮的建设,使内存效率的搜索算法成为可能。用Randen替换现有的生成器可以保护随机算法,如水库采样免受攻击。该置换也可用于宽块密码和散列函数。
2018-10-04 cs.CR cs.DS
Game-Theoretic Unlearnable Example Generator
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学)
本文将不可学习样本投毒攻击建模为非零和Stackelberg博弈,证明了博弈均衡的存在性,提出了含三类梯度的GUE攻击方法,实验验证其在多场景下的投毒有效性及良好泛化能力。
2024-01-31 cs.CR cs.LG stat.ML
AT-GAN: An Adversarial Generator Model for Non-constrained Adversarial Examples
Huazhong University of Science and Technology(华中科技大学);Peking University(北京大学);Cornell University(康奈尔大学)
尽管对抗机器学习发展迅速,但大多数对抗攻击和防御研究主要集中在受输入图像约束的基于扰动的对抗样本上。与现有的作品相比,我们提出了无约束的对抗示例,这些示例完全从头开始生成,对输入没有任何约束。与基于扰动的攻击或所谓的无限制对抗攻击不同,该攻击仍然受到输入噪声的约束,我们的目标是学习对抗示例的分布,以生成无约束但语义上有意义的对抗示例。遵循这一精神,我们提出了一个新的攻击框架,称为AT-GAN(生成对抗网络上的对抗转移)。具体来说,我们首先开发一个正常的GAN模型来学习良性数据的分布,然后转移预训练的GAN模型来估计目标模型的对抗性样本的分布。通过这种方式,AT-GAN可以学习非常接近真实数据分布的对抗性示例的分布。据我们所知,这是构建对抗生成器模型的第一项工作,该模型可以直接从任何输入噪声中生成对抗示例。大量的实验和可视化结果表明,所提出的AT-GAN可以非常有效地生成对人类感知更真实的各种对抗性示例。此外,AT-GAN在白盒攻击设置下对对抗训练模型产生更高的攻击成功率,并对黑盒模型表现出适度的可移植性。
2020-02-07 cs.CR cs.CV cs.LG
Shilling Black-box Recommender Systems by Learning to Generate Fake User Profiles
Xiamen University(厦门大学);Chongqing University(重庆大学)
由于推荐系统(RS)在引导客户购买方面的关键作用,无良方自然会有动机欺骗RS以获取利润。在本文中,我们研究了先令攻击,其中一个敌对方注入了一些虚假的用户简档用于不正当的目的。传统的先令攻击方法缺乏攻击可转移性(即,攻击对某些受害者RS模型无效)和/或攻击不可见性(即,可以容易地检测注入的分布)。为了克服这些问题,我们提出了Leg-UP,一种基于生成对抗网络的新型攻击模型。Leg-UP从采样的"模板“中的真实用户学习用户行为模式,并构建虚假的用户简档。为了模拟真实用户,Leg-UP中的生成器直接输出离散评级。为了提高攻击的可转移性,通过最大化对代理RS模型的攻击性能来优化生成器的参数。为了提高攻击的不可见性,Leg-UP采用了一个引导生成器来生成不可检测的虚假用户简档。在基准测试上的实验表明,Leg-UP在广泛的受害者RS模型上超过了最先进的先令攻击方法。我们工作的源代码可以在https://github.com/XMUDM/ShillingAttack上找到。
2022-06-23 cs.CR cs.IR cs.LG
BadLLM-TG: A Backdoor Defender powered by LLM Trigger Generator
本文提出BadLLM-TG,利用大语言模型的知识,通过提示驱动强化学习生成触发器,用于缓解后门攻击,实验表明其在减少攻击成功率方面表现优异。
2026-03-16 cs.AI cs.CR
FinRT: Distilling Adaptive Red-Teaming Strategies into Reusable Adversarial Generators in Consumer Finance
Capital One(第一资本)
FinRT提出一种结构化框架,将自适应红队策略蒸馏为可复用对抗生成器,在消费金融领域显著提升攻击成功率与严重性,并保持语义多样性。
2026-09-30 cs.CL cs.CR cs.LG
PCAP-Backdoor: Backdoor Poisoning Generator for Network Traffic in CPS/IoT Environments
University of Pittsburgh(匹兹堡大学)
本文提出PCAP-Backdoor技术,针对CPS/IoT网络流量数据集进行后门投毒攻击,仅投毒1%训练数据即可使模型误分类,且难以被现有防御技术检测。
2025-01-28 cs.CR cs.LG cs.NI
Knowledge-to-Jailbreak: Investigating Knowledge-driven Jailbreaking Attacks for Large Language Models
Tsinghua Univerisity(清华大学);Peking University(北京大学);Hong Kong University of Science and Technology(香港理工大学);Beihang Univerisity(北京航空航天大学)
提出knowledge-to-jailbreak任务,利用12,974个知识—越狱对微调jailbreak-generator,从领域知识生成有效且相关的LLM越狱攻击。
2025-06-09 cs.AI cs.CL cs.CR
On the 4-adic complexity of the two-prime quaternary generator
R. Hessel和A. Winterhof证明了具有两个奇素数$p\neq q$的周期$pq$的二素数(二进制)生成器的2-adic复杂度接近于其周期,并且在许多情况下可以达到最大值。当二素生成器用于产生四元序列时,需要确定其4-adic复杂度。我们给出了4-adic复杂度的可能值的公式,当$p<q$时,4-adic复杂度大于$pq-\log_4(pq^2)-1$.因此,它足以抵抗有理近似算法的攻击。
2021-06-10 cs.CR math.NT
DiffusionHijack: Supply-Chain PRNG Backdoor Attack on Diffusion Models and Quantum Random Number Defense
School of Electronics, Electrical Engineering and Physics, Fujian University of Technology(福建工程学院电子工程与物理学院);School of Humanities, Fujian University of Technology(福建工程学院人文学院);Institute of Applied Physics and Materials Engineering, University of Macau(澳门大学应用物理与材料工程学院)
研究提出DiffusionHijack攻击通过供应链注入恶意PRNG控制扩散模型生成图像,采用量子随机数生成器有效防御该攻击,降低输出相似度至随机基线水平。
2026-05-13 cs.CR cs.LG
On the Use of Cellular Automata in Symmetric Cryptography
在这项工作中,基于有限域的伪随机序列发生器已分析从他们的密码学应用的角度来看。事实上,一类非线性序列发生器已被建模的线性元胞自动机。将给定的生成器转换为基于自动机的线性模型的算法非常简单,并且基于基本结构的级联。一旦发生器已被线性化,一个密码分析攻击,利用这种模型的弱点已经开发出来。线性元胞结构很容易模拟序列发生器,并应用于流密码。
2010-05-11 cs.CR cs.DM
Eyes-on-Me: Scalable RAG Poisoning through Transferable Attention-Steering Attractors
提出Eyes-on-Me模块化攻击,通过可重用的注意力吸引子和焦点区域实现零成本适应新目标,在18种RAG设置下平均攻击成功率提升35.9个百分点,并迁移至未见过的黑盒检索器和生成器。
2026-06-26 cs.CL cs.CR cs.LG
A new neural-network-based model for measuring the strength of a pseudorandom binary sequence
La Trobe University(拉筹伯大学)
最大阶复杂度是衡量伪随机序列非线性的重要工具。缺乏用于以有效且高效的方式预测伪随机二进制序列的强度的工具。为此,本文提出了一种基于神经网络的伪随机二进制序列强度测量模型。使用收缩生成器(SG)密钥流作为伪随机二进制序列,然后计算唯一窗口大小(UWS)作为最大阶复杂度的表示,我们证明了所提出的模型提供了更准确和有效的预测(测量)比经典的方法预测最大阶复杂度。
2019-10-09 cs.CR cs.LG
Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Tongji University(同济大学)
针对现有图后门攻击触发器跨范式迁移性差的问题,提出CP-GBA,利用图提示学习训练通用子图触发器,实现跨监督、对比、提示学习范式的高迁移性攻击,并取得最优攻击成功率。
2025-10-26 cs.CR cs.LG
On the Robustness of Watermarking for Autoregressive Image Generation
Ruhr University Bochum(波鸿鲁尔大学);Middlebury College(米德尔伯里学院);New York University(纽约大学);Independent Researcher(独立研究员);Qualcomm(高通)
研究自回归图像生成中水印技术的鲁棒性,揭示其易受移除和伪造攻击的影响,并提出三种新攻击方法,表明现有水印方案无法可靠检测合成内容。
2026-04-13 cs.AI cs.CR cs.CV
Poisoning Programs by Un-Repairing Code: Security Concerns of AI-generated Code
University of Naples Federico II(那不勒斯费德里科二世大学)
本文针对AI代码生成器面临的数据投毒风险,提出一种诱导其生成脆弱代码的新型攻击,并评估其对先进代码生成模型的影响及防御方案。
2024-03-11 cs.AI cs.CR cs.SE
Overparameterized Linear Regression under Adversarial Attacks
Uppsala University(乌普萨拉大学)
我们研究了面对对抗性攻击时线性回归的误差。在这个框架中,对手改变回归模型的输入,以最大化预测误差。我们提供的边界上的预测误差的存在下的对手作为一个函数的参数规范和错误的情况下,这样的对手。我们展示了这些界限如何使研究对抗性错误成为可能,使用非对抗性设置的分析。所得结果揭示了过参数化线性模型对抗攻击的鲁棒性。添加特性可能是额外健壮性的来源,也可能是脆弱性的来源。一方面,我们使用渐近结果来说明如何双下降曲线可以获得对抗性错误。另一方面,我们推导出当添加更多特征时对抗性误差可以增长到无穷大的条件,而与此同时,测试误差趋于零。我们表明,这种行为是由这样一个事实,即规范的参数向量的增长与功能的数量。它还建立了$\ell_\infty$和$\ell_2$ -对抗性攻击可能会表现出根本不同,由于如何$\ell_1$和$\ell_2$ -规范的随机投影集中。我们还展示了我们的重新表述如何将对抗训练作为凸优化问题来解决。然后利用这一事实来建立对抗训练和参数收缩方法之间的相似性,并研究训练如何影响估计模型的鲁棒性。
2023-01-27 cs.CR cs.LG eess.SP
Seed Hijacking of LLM Sampling and Quantum Random Number Defense
School of Electronic, Electrical and Physics, Fujian University of Technology(福建工程学院电子、电气与物理系);School of Humanities, Fujian University of Technology(福建工程学院人文学院);Department of Investigation, Fujian Police College(福建警察学院调查系);Institute of Applied Physics and Materials Engineering, University of Macau(澳门大学应用物理与材料工程研究院)
本文提出SeedHijack攻击,通过操控PRNG输出实现指定token注入,提出基于量子随机数生成器的防御方案,解决LLM采样层的关键漏洞。
2026-05-08 cs.AI cs.CR cs.LG
Machine Learning Cryptanalysis of a Quantum Random Number Generator
本文利用预测性机器学习分析光学连续变量量子随机数发生器中确定性经典噪声的影响,证明经滤波和随机性提取后QRNG可抵抗ML攻击,并表明ML可用于基准测试RNG设备质量。
2025-05-07 cs.CR cs.LG quant-ph