Detecting fraudulent activity in a cloud using privacy-friendly data aggregates
Cisco（思科）
越来越多的用户和企业每天都在使用云服务。他们都希望有一个完美的表现，任何问题都对他们保持透明。最后这句话的执行非常具有挑战性。用户在我们云中的活动可能会影响我们服务器的整体性能，从而影响其他资源。我们可以把这类行为视为欺诈。它们可以是非法活动，例如发起DDoS攻击，也可以是云提供商不希望的活动，例如比特币挖矿，它使用大量的电力，减少硬件的寿命，并可能减缓其他用户的活动。本文讨论了一种通过使用非侵入性的、隐私友好的数据来检测此类活动的方法：账单数据。我们以OpenStack为例，使用Telemarket提供的数据，Telemarket是负责测量资源使用情况以进行计费的组件。结果将证明这种方法的效率和方法，以提高它将提供以及它的优点和缺点。
2014-11-25 cs.AI cs.CR cs.DC
Characterizing EOSIO Blockchain
自2018年6月主网上线以来，EOSIO已成为最受欢迎的区块链平台之一。与传统的基于PoW的系统（例如，Bitcoin和Ethereum），受限于低吞吐量，EOSIO是第一个高吞吐量的委托权益证明系统，已被许多应用程序广泛采用。尽管EOSIO拥有数百万个账户和数十亿笔交易，但人们对其生态系统知之甚少，尤其是与安全和欺诈有关的生态系统。在本文中，我们对EOSIO区块链及其相关的DApps进行了大规模的测量研究。我们收集了一个大规模的EOSIO数据集，并描述了包括转账、账户创建和合同调用在内的活动。利用我们的洞察力，我们开发了自动检测机器人和欺诈活动的技术。我们发现了数以千计的机器人账户（超过平台中30%的账户）和一些真实世界的攻击（301个攻击账户）。到我们研究的时候，我们发现的80个攻击账户已经被DApp团队确认，总共造成了828，824个EOS代币损失（大约260万美元）。
2020-02-13 cs.CR
Characterizing Transfer Graphs of Suspicious ERC-20 Tokens
本研究通过分析以太坊上ERC-20代币的转移图特征，提出一个简单模型，以平均88.7%的准确率识别诈骗合约，为提升以太坊安全性提供了新方法。
2025-01-20 cs.CR
FraudBench: A Multimodal Benchmark for Detecting AI-Generated Fraudulent Refund Evidence
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）；Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-NTU全球可持续性科技实验室）；Alibaba Group（阿里巴巴集团）
本文提出FraudBench，一个用于检测AI生成欺诈性退款证据的多模态基准。通过真实用户评价证据构建，结合图像编辑模型生成伪造证据，并评估不同模型在不同生成器下的性能。
2026-09-29 cs.AI cs.CR cs.CV
Detecting organized eCommerce fraud using scalable categorical clustering
Aalto University（阿尔托大学）
在线零售，电子商务，经常成为恶意客户（欺诈者）通过欺骗获得商品或服务进行欺诈的受害者。由职业欺诈者群体协调进行的欺诈，即下几个欺诈性订单以最大限度地扩大其收益，被称为有组织欺诈。现有的欺诈检测方法通常孤立地分析订单，并且它们不能有效地识别与有组织欺诈相关联的欺诈订单组。这些也错误地将许多合法订单识别为欺诈，这阻碍了它们用于自动取消欺诈。我们引入了一种新的解决方案，通过分析批量订单来检测有组织的欺诈行为。我们的方法是基于聚类，旨在将同一组欺诈者下的欺诈订单分组在一起。它有选择地使用两种现有的技术，凝聚聚类和采样递归分组订单成小集群在合理的时间。我们评估我们的聚类技术在现实世界中的Zalando网站上，在欧洲最大的在线服装零售商1的订单。我们的聚类在几个小时内处理了10万个订单，并将35-45%的欺诈订单分组在一起。我们提出了一个简单的技术，建立在我们的聚类，检测26.2%的欺诈行为，而提高虚假警报只有0.1%的合法订单。
2019-10-10 cs.CR cs.LG stat.ML
BlockScope: Detecting and Investigating Propagated Vulnerabilities in Forked Blockchain Projects
由于区块链生态系统的开源性质，新的区块链通常会分叉或部分重用经典区块链的代码。例如，流行的Dogecoin，Litecoin，Binance BSC和Polygon都是比特币/以太坊的变体。因此，这些“分叉”区块链可能会遇到类似的漏洞，这些漏洞在分叉或随后的提交获取过程中从比特币/以太坊传播。在本文中，我们对分叉区块链项目中传播的漏洞进行了系统的研究。为了促进这项研究，我们提出了BlockScope，这是一种新的工具，可以有效地检测多种类型的克隆漏洞，并输入现有的比特币/以太坊安全补丁。具体来说，BlockScope采用了基于相似度的代码匹配，并设计了一种新的计算代码相似度的方法，以覆盖所有语法范围的变体（即，1型、2型和3型）克隆。此外，BlockScope自动提取并利用补丁代码的上下文来缩小搜索范围，并仅定位潜在相关的代码进行比较。我们的评估表明，BlockScope实现了良好的准确率和高召回率，均为91.8%（比ReDeBug高1.8倍）。BlockScope允许我们在比特币和以太坊的16个分叉项目中的13个项目中发现101个以前未知的漏洞，其中16个来自Dogecoin，6个来自Litecoin，1个来自Binance，4个来自Optimism。我们已经向他们的开发人员报告了所有漏洞;其中40个已经修补或接受，66个已经确认或正在等待，只有4个被拒绝。我们进一步研究了发现的…
2023-02-21 cs.CR
Detecting Logic Vulnerabilities Across the Contract and Device Layers of Blockchain-Enabled IoT With Multi-Agent Heterogeneous Graph Attention
Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；Guangzhou University（广州大学）
针对区块链物联网中合约与设备层逻辑漏洞，提出多智能体异构图注意力框架MA-HGAT，统一建模多类工件，支持多种检测任务并实现轻量级边缘部署。
2026-09-17 cs.CR
Detecting and Preventing Credential Misuse in OTP-Based Two and Half Factor Authentication Toward Centralized Services Utilizing Blockchain-Based Identity Management
这项工作的重点是检测和防止被盗和滥用的秘密（如私钥）的认证向集中式服务的问题。我们提出了一个基于区块链的双因素身份验证方案SmartOTP的解决方案，我们根据我们的目的对其进行了修改，并在针对集中式服务提供商的双半因素身份验证设置中使用。我们提出的解决方案由四个实体组成，它们相互作用以确保身份验证：（1）用户，（2）代理，（3）服务提供商和（4）智能合约。在我们的解决方案的两个半因素中，第一个因素代表私钥，第二个半因素代表一次性密码（OTP）及其前身，其中OTP是从前身获得的（也称为，前图像）。我们描述了我们的方法，以及自举协议的认证过程。我们对我们的解决方案进行安全分析，在从客户端窃取秘密的主要攻击者模型之上，我们分析了中间人攻击和恶意软件篡改客户端。在凭证被盗的情况下，我们表明，我们的解决方案使用户能够立即检测到攻击的发生，并继续重新初始化与新的凭证。
2022-11-07 cs.CR
Detecting Malicious Accounts showing Adversarial Behavior in Permissionless Blockchains
IIT-Kanpur（印度理工学院坎普尔分校）
不同类型的恶意活动已经在多个无许可区块链中被标记，如比特币，以太坊等。虽然一些恶意活动利用区块链基础设施中的漏洞，但有些恶意活动通过社会工程技术瞄准其用户。为了解决这些问题，我们的目标是自动标记那些恶意利用其他参与者账户的区块链账户。为此，我们确定了一个强大的监督机器学习（ML）算法，该算法能够抵抗由可用数据集中某些恶意活动的过度表示引起的任何偏见，并且对对抗攻击具有鲁棒性。我们发现，迄今为止报告的大多数恶意活动，例如在以太坊区块链生态系统中，其行为在统计上是相似的。此外，先前用于识别恶意帐户的ML算法显示出对过度代表的特定恶意活动的偏见。在续集中，我们确定神经网络（NN）在面对这种偏见诱导数据集时表现最好，同时对某些对抗攻击具有鲁棒性。
2021-01-28 cs.CR cs.LG
Impact of Conflicting Transactions in Blockchain: Detecting and Mitigating Potential Attacks
本文通过建模与仿真分析区块链中冲突交易引发的四种关键攻击，提出有效缓解措施，在不增加开销的情况下降低攻击率并提升网络性能，强调主动管理冲突交易的重要性。
2024-12-08 cs.CR cs.DC
Securing Proof of Stake Blockchains: Leveraging Multi-Agent Reinforcement Learning for Detecting and Mitigating Malicious Nodes
本文提出MRL-PoS+共识算法，利用多智能体强化学习检测并消除PoS区块链中的恶意节点，通过惩罚-奖励机制有效抵御六种主要攻击，且不增加计算开销。
2024-12-08 cs.CR cs.DC
BotDetect: A Decentralized Federated Learning Framework for Detecting Financial Bots on the EVM Blockchains
本文提出一种基于智能合约编排的去中心化联邦学习框架，用于在EVM区块链上检测金融机器人，在保护隐私的同时实现高准确率检测。
2025-01-21 cs.CR cs.DC
VOLCANO: Detecting Vulnerabilities of Ethereum Smart Contracts Using Code Clone Analysis
基于区块链技术（BT）的以太坊智能合约使区块链网络上的同行之间的货币交易独立于中央授权机构。以太坊智能合约是部署为去中心化应用程序的程序，具有区块链共识协议的构建块。这使消费者能够在透明和无冲突的环境中达成协议。然而，这些智能合约中存在一些安全漏洞，对应用程序及其消费者构成潜在威胁，并在过去造成了巨大的经济损失。本文提出了一个框架和实证分析，使用代码克隆检测技术来识别智能合约中的漏洞及其变化。我们的实证分析是使用Nicad代码克隆检测工具在大约5万个以太坊智能合约的数据集上进行的。我们在两个数据集上评估了VOLCANO，一个数据集具有已确认的漏洞，另一个数据集具有从Etherscan收集的大约50k个随机智能合约。与两种公开可用的静态分析器检测智能合约中的漏洞相比，我们的方法在覆盖率和效率方面都有所改进。据我们所知，这是第一项使用克隆检测技术来识别以太坊智能合约中的漏洞及其演变的研究。
2022-03-01 cs.CR
MultiCFV: Detecting Control Flow Vulnerabilities in Smart Contracts Leveraging Multimodal Deep Learning
Hainan University（海南大学）
MultiCFV通过融合多模态特征提升智能合约控制流漏洞检测与代码克隆识别的准确性
2026-01-15 cs.CR
BlockScan: Detecting Anomalies in Blockchain Transactions
UC Santa Barbara（加州大学圣芭芭拉分校）；Meta AI；New York University（纽约大学）；sec3；Northwestern University（西北大学）
本文提出定制化 Transformer 系统 BlockScan，通过多模态 tokenizer、掩码预训练与新型检测头识别区块链异常交易，并在 Ethereum、Solana 上取得低误报率和高召回表现。
2025-10-21 cs.AI cs.CR
Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis
Premier University（总理大学）；United International University（联合国际大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）；Edith Cowan University（埃迪斯科文大学）
本研究将XAI技术与异常规则集成到树集成分类器中检测比特币异常交易，提出欠采样算法XGBCLUS平衡数据，实验证明该方法在准确率、TPR和FPR等指标上优于传统方法。
2024-01-07 cs.CR cs.LG
Safeguarding Blockchain Ecosystem: Understanding and Detecting Attack Transactions on Cross-chain Bridges
本文针对跨链桥攻击造成巨额损失的问题，收集了49起攻击事件并分析其模式，提出基于图视角的两阶段检测框架BridgeGuard，在召回率上较现有工具提升36.32%，并能有效检测未知攻击交易。
2025-03-03 cs.CR
Heuristics for Detecting CoinJoin Transactions on the Bitcoin Blockchain
Coinshares；Ecole Polytechnique（巴黎综合理工学院）
本研究针对比特币区块链上CoinJoin交易难以识别的问题，深入分析JoinMarket、Wasabi和Whirlpool等协议的开源实现，开发了精炼的启发式检测方法，并基于截至区块760,000的交易数据提供了全面分析。
2023-11-21 cs.CR cs.DC cs.LG
Detecting Sybil Addresses in Blockchain Airdrops: A Subgraph-based Feature Propagation and Fusion Approach
Binance（币安）；Zand；Suzhou Artificial Intelligence Research Institute（苏州人工智能研究院）；Shanghai Jiao Tong University（上海交通大学）
本文提出基于两层交易子图特征提取与 LightGBM 的女巫地址检测方法，融合生命周期、金额和网络结构特征，在193,701个地址数据集上各项指标均超过0.9。
2025-05-14 cs.CR cs.LG
The role of Blockchain in DDoS attacks mitigation: techniques, open challenges and future directions
近年来，随着物联网（IOT）和软件定义网络（SDN）等新技术的普及，分布式拒绝服务（DDoS）攻击媒介不断扩大，并为针对目标受害者的更复杂的DDoS攻击提供了新的机会。新的攻击向量包括连接到互联网的不安全和易受攻击的物联网设备，SDN架构中的南向通道饱和等拒绝服务漏洞。鉴于这些攻击的数量大、范围广，利益相关者合作及时检测和缓解拒绝服务攻击是有益的。区块链技术被认为是由于分散的设计，安全的分布式存储和隐私而提高了安全性。在现有技术中没有探索用于DDoS攻击缓解的区块链技术的彻底探索和分类。本文回顾并分类了现有的基于区块链技术的最先进的DDoS缓解解决方案。DDoS缓解技术根据解决方案部署位置进行分类，即基于网络，靠近攻击者位置，靠近受害者位置以及网络架构中的混合解决方案，重点是物联网和SDN架构。此外，根据我们的研究，讨论了实施基于区块链的DDoS缓解解决方案的研究挑战和未来方向。我们相信这篇论文可以作为未来研究人员使用区块链技术检测和缓解拒绝服务攻击的起点和参考资源。
2022-02-08 cs.CR
Detecting Financial Bots on the Ethereum Blockchain
Iknaio Cryptoasset Analytics（Iknaio加密资产分析机构）；IMT School for Advanced Studies（IMT高等研究院）；Complexity Science Hub（复杂系统科学中心）
本研究提出基于机器学习的以太坊金融机器人检测方法，通过构建含7类24子类的分类体系和133个人类、137个机器人地址的数据集，实现最高83%的分类准确率与82.6%的聚类纯度。
2025-01-02 cs.CR cs.LG
EventSpec: Defining and Detecting Event-Semantic Issues in Blockchain Ecosystems
Nanyang Technological University（南洋理工大学）；Peking University（北京大学）；Beijing Institute of Technology（北京理工大学）；Xi’an Jiaotong University（西安交通大学）；Hong Kong Polytechnic University（香港理工大学）
针对智能合约事件日志与链上状态不一致的问题，提出EventSpec方法，通过行为推断和差分检查检测五类事件语义缺陷，在6617个合约上达到90.17%精确率，并验证了链下攻击的可行性。
2026-09-09 cs.CR cs.SE
Understanding Money Trails of Suspicious Activities in a cryptocurrency-based Blockchain
去中心化、冗余和伪匿名特性使得无权限公共区块链平台成为加密货币技术平台的吸引力。然而，这种采用使网络犯罪分子能够利用区块链平台中的漏洞，并通过社会工程瞄准用户进行恶意活动。大多数用于检测恶意行为者的最先进技术都依赖于单个钱包地址的交易行为，但不分析资金轨迹。我们提出了一种基于经验的方法，该方法添加了与资金追踪相关的新功能，以分析和发现加密货币区块链中的可疑活动。在这里，我们只关注循环行为，并识别区块链中时间交易图中存在的隐藏模式。我们在以太坊区块链的交易数据上展示了我们的方法。我们发现恶意活动（如赌博、网络钓鱼和洗钱）在以太坊中有不同的循环模式。我们还在以太坊中发现了两个可疑的基于时间循环路径的传输。我们的技术可能适用于其他加密货币区块链，并根据正在调查的加密货币的性质进行适当的修改。
2021-08-26 cs.CR cs.SI
Ghost-Filled Orders: Detecting and Testing Atomicity Violations in Non-Custodial Prediction Markets
University of Toronto（多伦多大学）；ETH Zurich（苏黎世联邦理工学院）
本研究通过Polymarket案例揭示非托管预测市场中链下接单与链上结算间的原子性缺口，量化其九个月影响，并测试另三个市场均存在同类漏洞，提出检测方法。
2026-09-17 cs.CR
Trade or Trick? Detecting and Characterizing Scam Tokens on Uniswap Decentralized Exchange
加密货币生态系统的繁荣推动了对数字资产交易平台的需求。除了中心化交易所（CEX）之外，还引入了去中心化交易所（DEX），允许用户在不将其数字资产的保管权转移给中间人的情况下交易加密货币，从而消除了传统CEX的安全和隐私问题。Uniswap作为最突出的加密货币DEX，正在继续吸引骗子，欺诈性加密货币在生态系统中泛滥。在本文中，我们采取了第一步来检测和表征Uniswap上的骗局令牌。我们首先收集了与Uniswap V2交易所相关的所有交易，并从不同的角度调查了Uniswap上的加密货币交易格局。然后，我们提出了一种准确的方法，用于在Uniswap上标记基于关联启发式和机器学习技术的欺诈令牌。我们已经识别出Uniswap上列出的超过1万个诈骗代币，这表明Uniswap上列出的代币中大约有50%是诈骗代币。所有的骗局代币和流动性池都是专门为“地毯拉”骗局而创建的，一些骗局代币在智能合约中嵌入了技巧和后门。我们进一步观察到，数千个共谋地址帮助与诈骗令牌/池创建者合作实施诈骗。诈骗者从39，762名潜在受害者中获得了至少1600万日元的利润。我们在本文中的观察表明，识别和阻止去中心化金融生态系统中的诈骗行为迫在眉睫，我们的方法可以充当举报人，在早期阶段识别诈骗代币。
2021-11-11 cs.CR
Detecting brute-force attacks on cryptocurrency wallets
区块链是一种分布式账本，通过加密工具（例如数字签名和哈希函数）保护其免受恶意修改。区块链最突出的应用之一是加密货币，如比特币。在这项工作中，我们考虑了基于暴力搜索攻击的加密货币网络中收集资产的钱包的特定攻击。以比特币为例，我们证明了如果攻击成功实施，合法用户能够以很高的概率证明这种攻击的事实。我们还考虑了两种修改现有加密货币协议以应对此类攻击的选择。首先，我们讨论一个修改，需要在比特币协议中引入变化，并允许减少攻击钱包的动机。其次，另一种选择是构建特殊的智能合约，奖励用户提供蛮干攻击的证据。该智能合约的执行可以作为所采用的加密机制（特别是散列函数）具有明显漏洞的自动警报。
2019-12-19 cs.CR quant-ph
CoinWatch: A Clone-Based Approach For Detecting Vulnerabilities in Cryptocurrencies
加密货币近年来变得非常流行。成千上万的新加密货币已经出现，提出了新的和新颖的技术，改进了比特币的区块链数据结构和共识机制的核心创新。然而，加密货币是网络攻击的主要目标，因为它们可以在交易所匿名出售，并且大多数加密货币的代码库都是公开的。一个特别的问题是加密货币中代码克隆的流行，这可能会放大安全威胁。如果在一种加密货币中发现漏洞，它可能会传播到其他克隆的加密货币中。在这项工作中，我们提出了一个系统的解决方案，我们提出了CoinWatch（CW）。考虑到输入端报告的漏洞，CW使用代码演化分析和克隆检测技术来指示可能存在漏洞的加密货币。我们使用4个CVE在1094种加密货币上应用了CW，并在384个项目中获得了786个真实漏洞，这些漏洞已被开发人员确认并成功报告为CVE扩展。
2020-10-28 cs.CR
One Signature, Multiple Payments: Demystifying and Detecting Signature Replay Vulnerabilities in Smart Contracts
Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文首次实证研究智能合约签名重放漏洞（SRV），从1419份审计报告识别出5种SRV类型，设计LASiR结合LLM语义理解与符号执行检测漏洞，实验显示其F1值达87.90%，且SRV在目标合约中分布广泛。
2025-11-12 cs.CR cs.SE
Combating Fraud in Online Social Networks: Detecting Stealthy Facebook Like Farms
随着企业越来越多地依赖社交网站与客户互动，了解和打击声誉操纵活动至关重要，包括使用“像农场”欺诈性地增加Facebook页面点赞数。为此，已经提出了几种欺诈检测算法，其中一些由Facebook部署，这些算法使用图协同聚类来区分真正的喜欢和由农场控制的配置文件生成的喜欢。然而，正如我们在本文中所展示的那样，这些工具不能很好地与隐形农场一起工作，这些农场的用户在较长的时间跨度上传播喜欢并且喜欢流行的页面，旨在模仿常规用户。我们提出了Facebook使用的基于图形的检测工具的实证分析，并强调了它们对更复杂的农场的缺点。接下来，我们将重点关注社交网络账户在其时间轴上生成的内容，作为真假社交活动的指标。我们分析了从时间轴帖子中提取的各种特征，我们将其分为两大类：词汇和非词汇。我们假设并验证，与普通用户相比，像农场账户这样的账户往往会经常重新分享内容，使用更少的单词和更差的词汇，并且更经常地产生重复的评论和喜欢。我们提取了相关的词汇和非词汇特征，并使用它们来构建分类器来检测类似的农场账户，实现了更高的准确率，即至少99%的准确率和93%的召回率。
2016-05-09 cs.CR cs.SI
Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics
Universitat Autònoma de Barcelona（巴塞罗那自治大学）；University of Bologna（博洛尼亚大学）；Universidad Politécnica de Madrid（马德里理工大学）
在塑造货币互联网的过程中，区块链和分布式账本技术（DLT）在金融领域的应用引发了监管方面的担忧。值得注意的是，虽然在这一领域启用的用户匿名可以保障隐私和数据保护，但缺乏可识别性阻碍了问责制，并对打击洗钱和资助恐怖主义和扩散行为提出了挑战。随着执法机构和私营部门应用取证技术来跟踪跨生态系统的加密货币转移，本文重点关注这些技术在其部署影响该领域特征和演变的领域中日益增长的相关性。特别是，这项工作提供了上下文的见解，机器学习和交易图分析的方法的应用。也就是说，它通过各种技术分析了表示为有向图网络的比特币交易的真实数据集。将区块链交易建模为一个复杂的网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，被称为图卷积网络（GCN）和图注意力网络（GAT）的神经网络类型是一种有前途的AML/CFT解决方案。值得注意的是，在这种情况下，GCN的表现优于其他经典方法，GAT首次被应用于检测比特币中的异常。最后，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放性精神的法医战略。
2023-03-18 cs.CR cs.DC cs.LG
Concentrated Stopping Set Design for Coded Merkle Tree: Improving Security Against Data Availability Attacks in Blockchain Systems
在某些区块链系统中，轻节点是仅下载区块的一小部分的客户端。轻节点容易受到数据可用性（DA）攻击，其中恶意节点向轻节点隐藏块的无效部分。最近，Yu等人提出了一种基于擦除码的编码Merkle树（CMT）技术，该技术使轻节点能够以高概率检测DA攻击。CMT是使用LDPC码构造的，用于快速解码，但如果恶意节点隐藏了代码的小停止集，则可能无法检测到DA攻击。为了解决这个问题，Yu等人使用了经过充分研究的技术来设计具有高最小停止集大小的随机LDPC码。虽然有效，这些代码不一定是最佳的应用。在本文中，我们展示了一个更专业的LDPC码设计，以提高对DA攻击的安全性。我们实现这一目标，提供了一个确定性的LDPC码的建设，集中停止集的变量节点的一小群，而不是只消除停止集。我们设计这些代码通过修改渐进边增长算法到一个技术称为熵约束PEG（EC-PEG）算法。这种新方法证明了更高的概率检测DA攻击，并允许在短的长度良好的代码。
2021-01-23 cs.CR cs.IT math.IT
