Mostree : Malicious Secure Private Decision Tree Evaluation with Sublinear Communication
Mostree协议通过结合不经意选择、树编码和三方安全计算，在恶意敌手模型下以次线性通信实现高效私有决策树评估，实验证明其性能接近半诚实方案。
2023-09-29 cs.CR
Fusion: Efficient and Secure Inference Resilient to Malicious Servers
针对安全机器学习推理中恶意服务器可能偏离协议、使用低质量模型的问题，提出Fusion框架，通过混合公开样本与待查询样本的多方计算强制服务器诚实，在效率和通信开销上均优于现有方案。
2023-06-10 cs.CR
Provably Secure Federated Learning against Malicious Clients
Duke University（杜克大学）
联邦学习使客户端能够协作学习共享的全局模型，而无需与云服务器共享其本地训练数据。然而，恶意客户端可以破坏全局模型，以预测用于测试示例的不正确标签。针对恶意客户端的现有防御利用拜占庭健壮的联邦学习方法。然而，这些方法不能证明地保证用于测试示例的预测标签不受恶意客户端的影响。我们通过集成联邦学习来弥合这一差距。特别是，给定任何基础联邦学习算法，我们使用该算法学习多个全局模型，每个模型都是使用随机选择的客户端子集学习的。在预测测试样本的标签时，我们在全局模型中进行多数投票。我们表明，我们的集成联邦学习与任何基础联邦学习算法是可证明的安全，对恶意客户端。具体来说，我们的集成全局模型预测的测试示例的标签是可证明不受恶意客户端的有限数量的影响。此外，我们证明了我们导出的界是紧的。我们在MNIST和人类活动识别数据集上评估了我们的方法。例如，当1,000个客户端中有20个是恶意客户端时，我们的方法可以在MNIST上实现88%的认证准确率。
2021-10-27 cs.CR cs.DC cs.LG
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning
National Taiwan University（台湾大学）
联邦学习是一种协作方法，旨在创建AI模型的同时保护数据隐私。当前的联邦学习方法往往严重依赖于安全聚合协议来保护数据隐私。然而，在某种程度上，这样的协议假设编排联邦学习过程的实体（即，服务器）并非完全恶意或不诚实。我们调查安全聚合的漏洞，如果服务器是完全恶意的，并试图获得访问私人，潜在的敏感数据可能会出现。此外，我们还提供了一种方法来进一步防御这种恶意服务器，并证明了在联邦学习设置中重建数据的已知攻击的有效性。
2022-11-10 cs.AI cs.CR
FALCON: Honest-Majority Maliciously Secure Framework for Private Deep Learning
Microsoft Research（微软研究院）；Algorand Foundation（Algorand 基金会）；Technion（以色列理工学院）；Princeton University（普林斯顿大学）；UC Berkeley（加州大学伯克利分校）
我们提出了Falcon，一个端到端的3方协议，用于大型机器学习模型的高效私人训练和推理。Falcon具有四个主要优点-（i）它具有高度的表达能力，支持VGG 16等高容量网络（ii）它支持批量归一化，这对于训练AlexNet等复杂网络非常重要（iii）Falcon保证了针对恶意对手的中止安全性，假设诚实的大多数（iv）最后，Falcon为协议设计提供了新的理论见解，使其高效并优于现有的安全深度学习解决方案。与现有技术的私有推理相比，我们平均比SecureNN（PETS'19）快8倍，与ABY 3（CCS'18）相当。我们的通信效率比这两者高出16- 200倍。对于私人培训，我们比SecureNN快6倍，比ABY 3快4.4倍，通信效率提高2- 60倍。我们在WAN环境中的实验表明，在大型网络和数据集上，计算操作主导了MPC的整体延迟，而不是通信。
2020-09-07 cs.CR cs.LG
Towards Bidirectional Protection in Federated Learning
University of California, Berkeley（加州大学伯克利分校）；Hong Kong University of Science and Technology（香港科技大学）
先前在增强联邦学习（FL）安全性方面的努力分为两类。在频谱的一端，一些工作使用安全聚合技术来隐藏单个客户端的更新，并且仅向恶意服务器显示聚合的全局更新，该恶意服务器试图从客户端的更新推断客户端的隐私。另一方面，一些工作使用拜占庭健壮的FL协议来抑制恶意客户端更新的影响。提出了一种联邦学习协议F2 ED-LEARNING，该协议首次提供了双向防御机制，能够同时对抗恶意集中式服务器和拜占庭恶意客户端。为了抵御拜占庭恶意客户端，F2 ED-LEARNING通过采用和校准一个经过充分研究的鲁棒均值估计器FilterL 2来提供无量纲估计误差。F2 ED-LEARNING还利用安全聚合来保护客户端免受恶意服务器的攻击。F2 ED-LEARNING的一个关键挑战是解决FilterL 2和安全聚合方案之间的不兼容性。具体地说，FilterL 2必须检查来自客户端的各个更新，而安全聚合则对恶意服务器隐藏这些更新。为此，我们提出了一种实用且高效的解决方案，将客户端拆分为分片，其中F2 ED-LEARNING安全地聚合每个分片的更新，并在来自不同分片的更新上启动FilterL 2。评估表明，F2 ED-LEARNING始终达到最佳或接近最佳的性能，并在五种常见的攻击下优于五种安全FL协议。
2021-05-30 cs.AI cs.CR cs.DC
FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation
Technical University of Munich（慕尼黑工业大学）；AI Sweden（瑞典AI公司）；Chalmers University of Technology（查尔姆斯理工大学）
本研究提出FedGT框架，基于群测试思想利用重叠客户端分组与解码操作识别安全聚合联邦学习中的恶意客户端，在隐私与安全间取得平衡，实验验证其在多数据集投毒攻击下的识别效果与模型效用均优于现有隐私鲁棒聚合方法。
2024-07-10 cs.CR cs.IT cs.LG
Robust and Actively Secure Serverless Collaborative Learning
Northwestern University（西北大学）；CISPA（CISPA亥姆霍兹信息安全中心）；Google（谷歌）；University of Toronto and Vector Institute（多伦多大学与向量研究所）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
提出一种对恶意服务器安全且对恶意客户端鲁棒的P2P无服务器协作学习通用框架，可将任意鲁棒聚合算法转换至双方皆可恶意的环境，并在百万参数规模下验证了其计算高效性。
2023-10-25 cs.CR cs.LG
Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy
National Key Laboratory on Near-Surface Detection（近地表探测国家重点实验室）；Chengdu Fluid Dynamics Innovation Center（成都流体力学创新中心）；College of Computing and Data Science, NTU（南洋理工大学计算与数据科学学院）；College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Nanyang Technological University（南洋理工大学）
本文提出利用集成学习提升低空经济安全性，通过增强入侵检测系统来应对恶意飞行器入侵威胁。
2026-02-07 cs.CR
Peer-to-Peer Secure Multi-Party Numerical Computation Facing Malicious Adversaries
我们提出了一个有效的框架，使安全的多方数值计算在对等网络。这个问题出现在一系列的应用程序，如协同过滤，分布式计算的信任和信誉，监控和其他任务，其中的计算节点预计将保持其输入的隐私，同时执行联合计算的某个功能。虽然在分布式系统安全领域有大量关于安全多方计算的文献，但在实际应用中，这些方法很难在大规模对等网络中部署。在这项工作中，我们试图弥合安全领域的理论算法和实际的对等部署之间的差距。我们考虑两种安全模型。第一种是半诚实模型，其中对等体正确地遵循协议，但试图泄露私人信息。我们提供了三种可能的方案，安全多方数值计算，这个模型，并确定一个单一的轻量级计划，优于其他。使用广泛的模拟结果在真实的互联网拓扑结构，我们证明了我们的计划是可扩展的非常大的网络，高达数百万个节点。我们考虑的第二个模型是恶意对等体模型，其中对等体可以任意行为，故意试图影响计算结果以及损害其他对等体的隐私。对于这个模型，我们提供了第四个方案来保护计算的执行免受恶意对等体的攻击。该方案相对于半诚实模型具有更高的复杂度。总的来说，我们为对等网络设计人员提供了一套工具，可根据所需的安全级别进行选择。
2009-01-18 cs.CR cs.NI
Universally Composable Commitments with Communicating Malicious Physically Uncloneable Functions
本研究提出可通信恶意PUFs的新对抗模型，修改并适配现有理想可提取承诺方案，提出更高效的无状态恶意PUFs下的UC安全承诺方案，解决原始构造问题并指出未来解除状态限制的方向。
2025-04-14 cs.CR
MPC-enabled Privacy-Preserving Neural Network Training against Malicious Attack
Nanyang Technological University（南洋理工大学）；Shanghai Jiaotong University（上海交通大学）
安全多方计算（MPC）在机器学习，特别是隐私保护神经网络训练中的应用，近年来引起了研究界的极大关注。MPC使多个数据所有者能够联合训练神经网络，同时保护每个参与者的数据隐私。然而，大多数以前的工作集中在半诚实的威胁模型，不能抵御恶意参与者发送的欺诈性消息。在本文中，我们提出了一种方法来构建有效的$n$ -党协议的安全神经网络训练，可以提供安全的所有诚实的参与者，即使大多数的当事人是恶意的。与其他在不诚实的多数设置中提供半诚实安全的设计相比，我们的主动安全神经网络训练在LAN和WAN设置中分别产生了约2倍和2.7倍的可负担的效率开销。此外，我们提出了一个方案，允许添加剂的份额定义在一个整数环$\mathbb{Z}_N$被安全地转换为添加剂的份额在一个有限域$\mathbb{Z}_Q$，这可能是独立的利益。这样的转换方案是必不可少的安全和正确的转换共享海狸三元组定义在一个整数环中产生的预处理阶段的三元组定义在一个字段中使用的在线阶段的计算。
2021-02-10 cs.CR cs.DC cs.LG
Linear Model Against Malicious Adversaries with Local Differential Privacy
University of Florida（佛罗里达大学）；Northeastern University（东北大学）
科学合作受益于分布式资源的协作学习，但当数据敏感时仍然难以实现。近年来，隐私保护技术得到了广泛的研究，以分析跨不同机构的分布式数据，同时保护敏感信息。大多数现有的隐私保护技术都是为了抵抗半诚实的对手，并需要密集的计算来执行数据分析。安全的协作学习是显着困难的恶意对手谁可能偏离安全协议的存在。另一个挑战是在隐私保护的情况下保持高计算效率。本文利用矩阵加密技术对数据进行加密，使安全方案能够抵抗选择明文攻击、已知明文攻击和合谋攻击。该加密方案还实现了局部差分隐私。此外，交叉验证研究，以防止过度拟合，而不增加通信成本。在真实数据集上的实验结果表明，与现有的恶意攻击和半诚实模型相比，所提出的方案具有更高的计算效率。
2022-06-29 cs.CR cs.LG stat.ML
Toward Secure Edge Networks Taming Device to Device (D2D) Communication in IoT
物联网（IoT）的日益普及创造了对基于网络的流量异常检测系统的需求，该系统可以识别行为不端的设备。在这项工作中，我们提出了一种轻量级的技术，物联网保护，用于识别恶意流量。物联网卫士使用半监督学习来区分恶意和良性设备行为，使用设备生成的网络流量。为了实现这一目标，我们从网络日志中提取了39个特征，并丢弃了任何包含冗余信息的特征。在特征选择后，训练模糊C均值（FCM）算法得到区分良性流量和恶意流量的聚类。我们研究了这些聚类中的特征分数，并使用这些信息来预测新流量的类型。使用包含30多个设备的真实测试平台对IoT卫士进行了评估。结果表明，IoTguard在区分各种类型的恶意和良性流量方面具有很高的准确性（98%），并且误报率很低。此外，它具有低资源占用，可以在支持OpenWRT的接入点和COTS计算板上运行。
2018-10-16 cs.CR
Decrypting live SSH traffic in virtual environments
解密和检查加密的恶意通信可以帮助犯罪检测和预防。对客户端或服务器存储器的访问使得能够发现解密安全通信所需的伪像。本文开发了MemDecrypt框架来研究内存中加密文物的发现，并将该方法应用于解密虚拟机的安全通信。对于Secure Shell，用于安全的远程服务器管理，文件传输和隧道传输等，MemDecrypt实验快速产生实时安全文件传输的AES加密细节，包括远程用户凭据，传输的文件名和文件内容。因此，MemDecrypt可以发现加密文物并快速解密实时SSH恶意通信，包括检测和拦截机密数据的数据泄露。
2019-07-25 cs.CR
Secure Quantum Extraction Protocols
知识提取，通常在经典环境中研究，是几个密码协议的核心。我们介绍了安全量子提取协议的概念。NP关系的安全量子抽取协议$\mathcal{R}$是发送方和接收方之间的经典交互协议，其中发送方得到实例$z$和见证方$w$，而接收方只得到实例$z$ .对于任何有效的量子对抗发送方（遵循协议但可以选择自己的随机性），存在可以提取见证$w'$的量子提取器，使得$(z,w') \in \mathcal{R}$在恶意接收方时不应该能够输出任何有效的见证。研究并构造了两类安全量子提取协议。(1)基于量子全同态加密的量子提取协议满足一定的温和性质和量子不可错性，可以抵抗量子恶意接收者。在这个构造中，我们引入了量子环境中的非黑箱技术。之前所有的量子提取技术都是基于量子回溯。(2)量子提取协议基于带错误学习的量子硬度来防止经典的恶意接收器。作为一个应用程序，基于错误学习的量子硬度，我们提出了一个常数轮量子零知识参数系统的NP，保证安全性，即使对量子恶意验证;然而，我们的稳健性只适用于经典的概率多项式时间的对手。在我们的工作之前，这样的协议是已知的，另外，基于决策Diffie-Hellman的假设（或其他不反对多项式时间量子算法的密码假设）。
2020-09-24 cs.CR quant-ph
SIMC 2.0: Improved Secure ML Inference Against Malicious Clients
在本文中，我们研究了针对恶意客户端和半可信服务器的安全ML推理问题，使得客户端只学习推理输出，而服务器什么也不知道。这个问题首先由Lehmkuhl \textit{et al.}用一种解决方案（MUSE，Usenix Security'21）来阐述，其性能随后由Rehran等人大大改进。的工作（SIMC，USENIX Security'22）。然而，这些努力在走向实用性方面仍然存在着不小的差距，全面降低开销和安全推理加速的挑战。我们提出了SIMC 2.0，它符合SIMC的底层结构，但显着优化模型的线性和非线性层。具体而言，（1）设计了一种新的矩阵与向量同态并行计算的编码方法。它是通过洞察SIMC中密码原语之间的互补性而定制的。因此，它可以最小化在计算过程中引起的旋转操作的数量，这与其他同态操作相比在计算上非常昂贵，加法、乘法）。(2)我们减小了乱码电路（GC）（用于计算非线性激活函数，例如，ReLU）在SIMC中约占三分之二。然后，我们设计了一个替代的轻量级协议来执行原来分配给昂贵的GC的任务。实验结果表明，与SIMC相比，SIMC 2.0在线性层计算方面实现了最高达$17.4\times $的显著加速，在不同数据维度下实现非线性层的计算和通信开销至少减少了$1.3\times$.与此同时，SIMC 2.0在不同的最先进的ML模型上展示了$2.3\sim 4.3\times$对SI…
2022-10-27 cs.CR
Combining Shamir & Additive Secret Sharing to Improve Efficiency of SMC Primitives Against Malicious Adversaries
本研究提出结合Shamir与加法秘密共享的并行方案，将被动安全协议转化为主动安全协议，并构建更高效的比较协议，以提升安全多方计算的效率与安全性。
2023-11-15 cs.CR
MaliGNNoma: GNN-Based Malicious Circuit Classifier for Secure Cloud FPGAs
提出 MaliGNNoma，利用 GNN 扫描 FPGA 网表并解释恶意子电路，在 ZCU102 上以 98.24% 准确率检测复杂恶意配置。
2024-03-04 cs.CR
VerifyML: Obliviously Checking Model Fairness Resilient to Malicious Model Holder
在本文中，我们提出了VerifyML，第一个安全的推理框架来检查一个给定的机器学习（ML）模型的公平程度。VerifyML是通用的，在验证过程中不会受到恶意模型持有者的任何阻碍。我们依靠安全的两方计算（2 PC）技术来实现VerifyML，并精心定制了一系列优化方法，以提高其线性和非线性层执行的性能。具体来说，（1）VerifyML允许绝大多数开销离线执行，从而满足在线推理的低延迟要求。(2)为了加快离线准备，我们首先设计了新的同态并行计算技术，以加速认证海狸的三元组（包括矩阵向量和卷积三元组）的生成过程。它实现了高达$1.7\times$的计算加速，并获得至少$10.7\times$少的通信开销相比，国家的最先进的工作。(3)我们还提出了一个新的密码协议来评估非线性层的激活函数，这是$4\times$- $42\times$更快，$>48\times$更少的通信比现有的2 PC协议对恶意方。事实上，VerifyML甚至击败了最先进的半诚实ML安全推理系统！我们为VerifyML安全性提供了形式化的理论分析，并在包括ResNet-18和LeNet在内的主流ML模型上展示了其性能优势。
2022-10-16 cs.CR
A Secure Multi-Party Computation Protocol for Malicious Computation Prevention for preserving privacy during Data Mining
安全多方计算（SMC）允许具有相似背景的各方根据其私人数据计算结果，最大限度地减少泄露的威胁。需要在联网计算机上传递的敏感数据呈指数级增长，互联网的巨大增长为合作计算带来了巨大的机会，各方聚集在一起，促进计算并得出互利的结论;同时渴望保持他们的私人数据安全。这些计算通常需要在竞争对手之间进行，他们显然厌倦了彼此的意图。SMC不仅满足了这些方面的需求，而且还为各个组织提供了合理的解决方案，如隐私保护数据库查询，隐私保护科学计算，隐私保护入侵检测和隐私保护数据采掘。本文是一个扩展到以前提出的协议Encrytpo_Random，提出了一个一帆风顺但有效的方法SMC，并提出了一个精心制作的架构，从而这样一个有效的协议，涉及各方已经提出了联合计算和第三方谁承担这样的计算，可以开发。通过这种扩展的工作，试图进一步加强现有的协议，从而为更安全的多方计算过程铺平了道路。
2009-08-07 cs.CR cs.DB
Secured Traffic Monitoring in VANET
车载自组织网络（VANEARTH）促进车辆与邻近车辆以及与路边单元（RSU）的无线通信。然而，网络中不准确信息的存在会导致流量畸变，并破坏任何流量监控系统的正常功能。因此，在恶意环境下，确定源自感兴趣区域（ROI）的广播消息的可信度至关重要。此外，涉及车辆的私人信息（如位置和速度）的隐私泄露可能导致严重后果，如未经授权的跟踪和伪装攻击。因此，我们提出了一种基于边缘云的隐私保护安全决策模型，该模型采用基于车辆数据（如GPS位置和速度）的启发式算法，在不同的交通场景（如拥堵）下从ROI中验证交通相关信息。所提出的模型的有效性已被验证使用VENTOS，SUMO和Omnet++模拟器，也通过使用模拟云环境。我们比较我们提出的模型，现有的基于对等的身份验证模型，多数投票模型，和基于声誉的系统在不同的攻击场景。我们表明，我们的模型是能够有效地过滤恶意车辆，并提供准确的交通信息的存在下，至少有一个非恶意车辆的ROI。
2020-07-27 cs.CR
Secure communication between UAVs using a method based on smart agents in unmanned aerial vehicles
Shahid Ashrafi Esfahani University（沙希德·阿什拉夫·伊斯法哈尼大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
无人机（UAV）可以部署用于监控非常大的区域，而无需网络基础设施。无人机在飞行过程中相互通信，相互交换信息。然而，这种通信由于其动态拓扑而带来安全挑战。为了解决这些挑战，所提出的方法使用两个阶段来对抗恶意无人机攻击。在第一阶段，我们应用了一些规则和原则来检测恶意无人机。在这个阶段，我们试图根据网络中的无人机的行为来识别和删除恶意无人机，以防止发送虚假信息给调查无人机。在第二阶段，移动代理的基础上，一个三步协商过程被用来消除恶意无人机。通过这种方式，我们使用移动代理来通知我们的正常邻居无人机，以便它们不监听恶意无人机生成的数据。因此，每个UAV的移动代理通过三步协商过程使用可靠的邻居，使得它们不监听恶意UAV产生的流量。NS-3仿真器用于验证SAUAV方法的有效性。与CST-UAS、CS-AVN、HVCR和BSUM方法相比，该方法在检测率、误报率、漏报率、分组投递率和剩余能量方面都有更高的效率。
2020-11-03 cs.AI cs.CR cs.CY
Trusted Hardware Acceleration for Malicious-Secure Function Secret Sharing
National University of Defense Technology（国防科技大学）
提出VIGOR-DFA，一种GPU集成加速器，通过认证尾声、冻结检查及资源账本机制，在恶意安全下消除FSS密钥移动，显著降低延迟和能耗。
2026-10-06 cs.CR
Secured Quantum Identity Authentication Protocol for Quantum Networks
针对量子网络中恶意量子中继器通过恶意纠缠威胁通信保密的问题，提出一种无需周期性刷新共享密钥的量子身份认证协议，仿真显示其平均4轮后可100%检测恶意纠缠。
2023-12-10 cs.CR cs.NI quant-ph
Passwords and FIDO2 Are Meant To Be Secret: A Practical Secure Authentication Channel for Web Browsers
University of Tennessee（田纳西大学）；Brigham Young University（杨百翰大学）
本文针对密码管理器自动填充和FIDO2协议面临本地攻击的问题，提出并实现两种防御方案，在Firefox中验证可防XSS和恶意扩展，兼容性高。
2025-10-15 cs.CR
ASTRA: High Throughput 3PC over Rings with Application to Secure Prediction
Indian Institute of Science（印度科学学院）；International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
安全计算的具体效率是近年来许多研究的热点。在这项工作中，我们提出了具体有效的协议，安全$3$ -党计算（3 PC）的整数模$2^{\ell}$容忍一个腐败，无论是半诚实和恶意的安全环。由于环上计算模拟了真实世界系统结构上的计算，环上安全计算近年来得到了广泛的研究。在离线-在线范式中，我们的构建具体地呈现了最有效的在线阶段。在半诚实设置中，我们的协议需要在{ \it online}阶段每个乘法门的$2$环元素的通信，从而获得{ \em小于一个元素}的每一方成本。这是第一次在3 PC制度中实现。在{ \it malicious}设置中，我们的协议要求在在线阶段每个乘法门的$4$元素的通信，通过$5$元素击败最先进的协议。实现了选择性中止和公平的安全概念，公平的恶意协议涉及稍微更多的通信比其对应的中止安全的输出门{ \em单独}。我们将我们的技术从$3$ PC中应用到安全的服务器辅助机器学习（ML）推理中，用于一系列预测函数-线性回归，线性SVM回归，逻辑回归和线性SVM分类。我们的设置考虑了一个具有训练好的模型参数的模型所有者和一个具有查询的客户端，后者愿意根据前者的模型参数来学习她的查询的预测。输入和计算外包给一组三个非勾结的服务器。我们的结构迎合了半诚实和恶意的世界，总是比现有的结构表现得更好。
2019-12-05 cs.CR cs.LG
An In-Depth Analysis of Cyber Attacks in Secured Platforms
Osun State University（奥孙州立大学）；North Carolina Agricultural and Technical University（北卡罗来纳农工大学）
针对全球恶意软件威胁上升、安卓平台面临加密勒索软件等恶意威胁的问题，本文调研对比了多种用于手机恶意威胁检测的机器学习技术，介绍了所用Android Applications数据集及准确率评估方式，指出这类方法对数据量的高需求是开发专用反恶意软件系统的挑战。
2025-10-29 cs.AI cs.CR cs.LG
DEFEND: Poisoned Model Detection and Malicious Client Exclusion Mechanism for Secure Federated Learning-based Road Condition Classification
Networked Systems Security Group KTH Royal Institute of Technology Stockholm Sweden（网络系统安全组 瑞典皇家理工学院）
DEFEND通过中毒模型检测和恶意客户端排除机制，有效防御针对联邦学习的道路状况分类的标签翻转攻击，提升模型鲁棒性。
2025-12-05 cs.AI cs.CR
A Topological Approach to Secure Message Dissemination in Vehicular Networks
安全消息分发是车辆网络中的一个重要问题，特别是考虑到车辆到车辆消息分发对恶意攻击的脆弱性。传统的安全机制主要基于消息加密和密钥管理，只能保证已知源和目的地对之间的安全消息交换。然而，在车载网络中，每辆车都可以了解其周围环境并作为来源做出贡献，同时充当目的地或其他车辆信息的中继，“陌生”车辆之间经常发生消息交换。为了在车辆网络中防止内部攻击者（其可能篡改所传播消息的内容）的安全消息传播，确保所传输消息的一致性和完整性成为传统的基于消息加密和密钥管理的方法无法提供的主要关注点。在本文中，通过将底层的网络拓扑信息，我们提出了一个最佳的决策算法，能够最大限度地提高作出正确的决定的消息内容的机会，假设在网络中的恶意车辆的百分比的先验知识。此外，提出了一种新的启发式决策算法，可以在不知道恶意车辆百分比的情况下做出决策。通过仿真实验，将本文提出的决策算法与现有的不考虑或只部分考虑拓扑信息的决策算法的安全性能进行了比较，验证了算法的有效性.我们的研究结果表明，通过纳入网络拓扑信息，安全性能可以得到很大的改善。这一工作揭示了安全消息分发的最佳算法设计。
2018-03-22 cs.CR cs.IT math.IT
Octopus: A Secure and Anonymous DHT Lookup
分布式哈希表（DHT）查找是结构化对等网络（P2P）中的核心技术。其分散的性质引入了安全和隐私漏洞的应用程序建立在他们之上，因此，我们着手设计一个查找机制，实现安全性和匿名性，迄今为止的一个开放的问题。我们提出八达通，一种新的DHT查找，提供了强有力的保证，安全性和匿名性。Octopus使用攻击者识别机制来发现和删除恶意节点，严重限制了对手进行主动攻击的能力，并将查找查询拆分到单独的匿名路径上，并引入虚拟查询以实现高水平的匿名性。我们通过开发一个基于事件的模拟器来分析Octopus的安全性，以表明攻击者发现机制可以快速识别恶意节点，并且出错率很低。我们使用概率模型计算了Octopus的匿名性，并表明Octopus可以实现接近最优的匿名性。我们评估Octopus的效率与207个节点的Planetlab和Octopus具有合理的查找延迟和可管理的通信开销。
2012-03-12 cs.CR
FLCert: Provably Secure Federated Learning against Poisoning Attacks
Meta Platforms（Meta平台公司）；University of Science and Technology of China（中国科学技术大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Duke University（杜克大学）
由于其分布式性质，联邦学习容易受到中毒攻击，其中恶意客户端通过操纵其本地训练数据和/或发送到云服务器的本地模型更新来中毒训练过程，使得中毒的全局模型错误分类许多不加区分的测试输入或攻击者选择的输入。现有的防御主要利用拜占庭健壮的联邦学习方法或检测恶意客户端。但是，这些防御措施不具有针对中毒攻击的可证明的安全保证，并且可能容易受到更高级的攻击。在这项工作中，我们的目标是弥合差距，提出FLCert，一个集成的联邦学习框架，这是可证明安全的中毒攻击与有限数量的恶意客户端。我们的核心思想是将客户端分成组，使用任何现有的联邦学习方法为每组客户端学习一个全局模型，并在全局模型中进行多数投票以分类测试输入。具体来说，我们考虑了两种方法来对客户端进行分组，并相应地提出了FLCert的两种变体，即，FLCert-P在每个组中随机抽样客户端，FLCert-D确定性地将客户端划分到不相交的组。我们在多个数据集上进行的大量实验表明，我们的FLCert为测试输入预测的标签可证明不受有限数量的恶意客户端的影响，无论他们使用什么中毒攻击。
2022-10-04 cs.AI cs.CR cs.LG
On the Communication Complexity of Secure Multi-Party Computation With Aborts
本文研究点对点网络中带弃权（不执行）的安全多方计算的通信复杂度，设计了近乎最优的通信高效协议，并证明了诚实参与方数量、通信复杂度和协议局部性之间的权衡关系。
2024-06-11 cs.CR
Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
University of South-Eastern Norway（东南挪威大学）
该研究针对临床EEG数据联邦学习的隐私泄露问题，提出以掩码安全聚合为核心的隐私保护框架，经模拟医疗场景验证，半诚实变体开销低，恶意变体安全性强但开销更高。
2026-09-09 cs.CR cs.DC cs.LG
Armadillo: Robust Single-Server Secure Aggregation for Federated Learning with Input Validation
University of Pennsylvania（宾夕法尼亚大学）；UC Berkeley（加州大学伯克利分校）；J.P. Morgan AI Research（摩根大通人工智能研究院）；AlgoCRYPT CoE（算法加密卓越中心）
针对联邦学习中单服务器安全聚合易受恶意客户端破坏的问题，本文提出Armadillo系统，通过两层安全聚合协议和低轮次协议实现高效破坏抗性，仅需3轮且计算轻量，恶意客户端仅能在合法范围内影响结果。
2026-09-26 cs.CR
RAIN: Secure and Robust Aggregation under Shuffle Model of Differential Privacy
Beijing Institute of Technology（北京理工大学）；Minzu University of China（中央民族大学）
RAIN提出了一种在差分隐私洗牌模型下实现安全、稳健和可验证的聚合框架，通过符号空间聚合和秘密共享协议提升隐私保护和对抗鲁棒性。
2026-03-03 cs.CR
SONNI: Secure Oblivious Neural Network Inference
本文揭示了隐私保护MLaaS协议中易受Silver Platter模型窃取攻击的弱点，并提出一种新颖的结果检查协议，在抵御恶意串谋的同时保护数据与模型隐私。
2025-04-26 cs.CR
A Secure Federated Learning Framework for 5G Networks
Heilongjiang University（黑龙江大学）；Nanyang Technological University（南洋理工大学）；Prince Sattam Bin Abdulaziz University（萨塔姆·本·阿卜杜勒阿齐兹亲王大学）；Tokyo Institute of Technology（东京工业大学）；Changchun University of Science and Technology（长春理工大学）；Menoufia University（梅努菲亚大学）；Nile University（尼罗河大学）
联邦学习（FL）最近被提出作为一种新兴范式，用于使用分布式训练数据集构建机器学习模型，这些数据集在5G网络中的不同设备上本地存储和维护，同时为参与者提供隐私保护。在FL中，中央聚合器累积参与者上传的本地更新以更新全局模型。但是，存在两个关键的安全威胁：中毒和成员推断攻击。这些攻击可能由恶意或不可靠的参与者实施，导致全局模型的构建失败或FL模型的隐私泄露。因此，发展安全防御手段对FL至关重要。在这篇文章中，我们提出了一个基于区块链的安全FL框架来创建智能合约，并防止恶意或不可靠的参与者参与FL。在这样做的过程中，中央聚合器通过自动执行智能合约来识别恶意和不可靠的参与者，以抵御中毒攻击。此外，我们使用局部差分隐私技术来防止成员推断攻击。仿真结果表明，该框架能够有效地抵御投毒攻击和成员推断攻击，从而提高FL在5G网络中的安全性。
2020-05-12 cs.CR cs.LG cs.NI
Passwords Are Meant to Be Secret: A Practical Secure Password Entry Channel for Web Browsers
本文提出一种由密码管理器自动填充假密码、再由浏览器在请求发送前替换为真密码的安全输入方案，有效阻止恶意脚本和扩展窃取凭证，且无需用户改变行为。
2024-02-09 cs.CR
SMTFL: Secure Model Training to Untrusted Participants in Federated Learning
本研究提出SMTFL方法，通过动态分组梯度混淆、投毒检测与遗忘机制、多方管控的加密聚合，在无可信参与方的联邦学习中抵御梯度反转和投毒攻击，兼具高检测准确率与模型性能保障。
2025-02-21 cs.CR cs.DC
BlockLoc: Secure Localization in the Internet-of-Things using Blockchain
一些物联网应用程序紧密依赖于设备的位置。然而，定位算法可以很容易地通过注入错误的位置而受到损害。在本文中，我们提出了一种基于区块链的物联网（IoT）安全定位算法。该算法使用一个公共账本（区块链），其中包含节点位置及其邻居节点列表。该分类账在IoT设备之间共享。一旦物联网设备被定位，其新位置和邻居节点列表就会被添加到区块链中。这些共享的本地化数据稍后将被其他物联网设备用于其本地化过程。为了避免恶意节点发送虚假位置的攻击，在将其添加到区块链之前，需要验证所声称位置的正确性。此外，节点（物联网设备）之间交换的数据经过签名，以保证其真实性和完整性。将这些安全机制集成到本地化过程中可以排除错误数据，从而减少本地化错误。仿真结果表明，在存在恶意节点的情况下，加入安全机制后，算法的定位精度得到了提高。
2019-04-30 cs.CR
Key Exchange Trust Evaluation in Peer-to-Peer Sensor Networks with Unconditionally Secure Key Exchange
随着传感器网络利用率的不断提高，安全的重要性也变得更加深刻。许多行业都依赖传感器网络来执行关键任务，恶意实体可能会造成灾难性的破坏。我们提出了一种新的对等传感器网络的密钥交换信任评估，其中部分网络具有无条件安全的密钥交换。对于给定的传感器，具有无条件安全密钥交换的通道的部分越高，信任值越高。我们简要介绍了无条件安全的密钥交换的概念，并提到目前的信任措施在传感器网络。我们证明了新的密钥交换信任措施，在一个假设的传感器网络使用有线和无线通信信道。
2015-11-20 cs.CR
Side-Channel Hardware Trojan for Provably-Secure SCA-Protected Implementations
硬件木马已经引起了学术界、工业界和政府机构的关注。有效的检测机制和针对这种恶意设计的对策，只有当有一个深入的了解如何硬件木马可以在实践中建立，特别是木马专门设计，以避免检测。在这项工作中，我们提出了一种机制，介绍了一个非常隐秘的硬件木马到密码原语配备可证明安全的一阶侧信道对策。一旦木马被触发，恶意设计表现出可利用的侧通道泄漏，导致成功的密钥恢复攻击。一般来说，这样的特洛伊木马既不需要添加也不需要删除任何逻辑，这使得它非常难以检测。在ASIC上，它可以通过子晶体管级的精细操作插入，在FPGA上，它可以通过改变特定信号的路由来插入，从而导致\textbf{zero}逻辑开销。其基本概念是基于修改一个错误屏蔽的硬件实现，使得以特定时钟频率运行器件违反其基本属性之一，从而导致可利用的泄漏。我们将我们的技术的阈值实现的PRESENT块密码实现在两个不同的CMOS技术，并显示，触发木马使ASIC原型脆弱。
2019-09-22 cs.AR cs.CR
Security against false data injection attack in cyber-physical systems
University of Southern California（南加州大学）
本文研究了通过多传感器观测实现线性高斯过程的安全远程估计，提出了一种基于学习的过滤算法以检测恶意传感器注入攻击，并在小误报率约束下实现更高的检测概率和更低的均方误差。
2018-07-31 cs.CR cs.SY eess.SY
STAR-FL: Secure Federated Learning with Spatial-Temporal Analysis and Robust Aggregation
Ahsanullah University of Science and Technology（阿萨努拉科技大学）；Florida International University（佛罗里达国际大学）
针对联邦学习面临的定向投毒攻击，提出STAR-FL框架，通过时空聚类识别恶意更新、聚合阶段调整学习率缓解漏检恶意更新影响，实验表明其防御效果优于现有方法且能显著降低攻击成功率。
2026-08-18 cs.CR cs.LG
Distributed HDMM: Scalable, Distributed, Accurate, and Differentially Private Query Workloads without a Trusted Curator
University of Vermont（佛蒙特大学）
Distributed HDMM 是一种无需可信 curator 的分布式高维矩阵机制，能够在大规模分布式数据上高效准确地处理线性查询工作负载。
2025-12-17 cs.CR
Collusion-Secure Watermarking for Sequential Data
在这项工作中，我们解决了由于未经授权共享个人数据而可能产生的责任问题。我们考虑的情况下，一个人分享他的序列数据（如基因组数据或位置模式）与几个服务提供商（SP）。在这种情况下，如果他的数据在未经他同意的情况下与其他第三方共享，个人希望确定对这种未经授权的共享负责的服务提供商。为了提供这种功能，我们提出了一种新的基于优化的水印方案，用于共享顺序数据。因此，在未经授权的敏感数据共享的情况下，所提出的方案可以找到泄漏的来源，通过检查泄漏的数据内的水印。特别地，所提出的方案以高概率保证（i）接收数据的恶意SP不能理解加水印的数据点，（ii）当多于一个恶意SP聚合它们的数据时，它们仍然不能确定加水印的数据点，（iii）即使未授权共享仅涉及原始数据或修改的数据的一部分（以损坏水印），则可以保持对应的恶意SP对泄漏负责，以及（iv）所添加的水印符合对应数据的性质。也就是说，如果在数据中存在固有的相关性，则添加的水印仍然保留这种相关性。水印通常意味着改变数据的某些部分，因此它可能对数据效用产生负面影响。所提出的方案也最大限度地减少这种效用损失，同时它提供了上述的安全保证。此外，我们进行了一个案例研究，该计划的基因组数据，并显示该计划的安全性和实用性的保证。
2017-08-18 cs.CR
Secure Multi-Path Routing with All-or-Nothing Transform for Network-on-Chip Architectures
University of Florida（佛罗里达大学）
本文提出一种基于All-Or-Nothing变换的轻量级安全多路径路由方法，有效降低窃听攻击开销，提升NoC系统芯片的安全性。
2026-01-20 cs.AR cs.CR cs.NI
Unlimited Lives: Secure In-Process Rollback with Isolated Domains
针对运行时攻击下的软件弹性问题，本文提出隔离域安全回滚机制，并实现 SDRoB 软件库，验证其可高效、安全地用于真实软件。
2023-04-21 cs.CR
An effective and secure user authenticated protocol for Location based services in road networks
道路网络用于在车辆之间交换信息，其中事故和交通信息可以通过基础设施传递或接收服务。尽管无线通信系统产生有效的交通系统并为驾驶员提供便利，但是存在通过恶意信息对驾驶员造成交通干扰和风险的可能性。因此，应该研究一种方法来限制中间攻击的机会。本文提出了一种有效的基于用户的认证协议，基于位置的服务，以安全的地址配置基于IPv6的混合区的道路网络。该协议具有以下特点：（1）匿名认证：消息发布者可以被认证。(2)隐私：通信内容是保密的。为了提高系统的可扩展性，必须通过地址配置方案来降低成本。(3)效率：它实现了快速的消息验证，低存储要求，并在发生争议时，提供具有成本效益的身份跟踪。考虑车辆的运动、速度和距离的变化，通过降低成本来维持尽可能多的公共用户。性能评估和成本分析表明，我们的框架可以降低成本，并获得优于结果。该模型可以实现可靠性和效率与包速率信息。与现有的用户认证密钥建立协议相比，该协议具有响应时间短、开销小、丢包信息少、隐私保护能力强等优点。
2017-05-17 cs.CR
TOUCAN: A proTocol tO secUre Controller Area Network
现代汽车不再是纯粹的机械设备，而是包含了如此多的数字技术，以至于它们类似于计算机网络。电子控制单元（ECU）需要交换大量数据才能使汽车的各种功能正常工作，如果我们希望这些功能在攻击者恶意活动的情况下按预期工作，则必须确保这些数据的安全性。TOUCAN是一种新的安全协议，旨在确保安全，同时符合CAN和AUTOSAR标准。它在真实性、完整性和机密性方面实现了安全性，但无需升级现有ECU（的硬件）或使用新组件丰富网络。开销是微小的，即帧的数据字段的大小的减小。一个原型实现在STM32F407Discovery板上表现出良好的性能。
2021-11-23 cs.CR
Securing Mobile Ad hoc Networks:Key Management and Routing
网络中两个节点之间的安全通信依赖于可靠的密钥管理系统，该系统在通信节点之间生成和分发密钥，以及在它们之间建立路由的安全路由协议。但由于移动自组织网络缺乏中心服务器和基础设施，密钥管理是网络中的主要问题。网络拓扑结构的动态变化导致网络中节点之间的信任关系薄弱。在移动自组网中，移动节点不仅作为终端，而且作为中间路由器。因此，多跳场景发生在移动局域网中的通信;其中在源和目的地之间可能存在一个或多个恶意节点。一个路由协议被认为是安全的，它可以检测到恶意节点（从源到目的地的路径中的节点）的有害影响。在本文中，我们提出了一个密钥管理方案和一个安全的路由协议，按需路由协议，如DSR和AODV的安全。我们假设MANNETWORK被分成多个组，每个组中有一个组长。组长负责本小组的密钥管理。提出的密钥管理方案是一种分散的方案，不需要任何可信第三方（TTP）进行密钥管理。在建议的密钥管理系统中，一个新的节点和组长相互认证之前加入网络。而安全路由协议允许通信双方以及中间结点对其他节点进行认证，并保持消息的完整性
2012-05-11 cs.CR
Outsourcing Private Machine Learning via Lightweight Secure Arithmetic Computation
在几个实际感兴趣的设置中，双方寻求使用公共机器学习模型来协作地对他们的私有数据执行推断。例如，几家医院可能希望共享患者的医疗记录，以增强诊断和疾病预测，但由于隐私问题，可能无法明确共享数据。在这项工作中，我们提出了一个积极的安全协议外包安全和私人机器学习计算。关于这个问题的最近的工作主要集中在被动安全协议，其安全性对被动（“半诚实”）方，但可能会完全崩溃，在存在的主动（“恶意”）方谁可以偏离协议。基于安全神经网络的分类算法可以被视为整数算术计算的实例化。我们展示了我们的协议的效率，通过将其应用到现实世界的算术神经网络计算的实例，包括一个网络训练执行协作疾病预测。
2018-12-04 cs.CR
Privacy-from-Birth: Protecting Sensed Data from Malicious Sensors with VERSA
存在许多众所周知的技术来保护IoT/CPS系统中的感测数据，例如，通过认证通信端点、在传输之前加密数据以及混淆业务模式。这样的技术保护感测到的数据免受外部对手的攻击，同时假设感测设备本身是安全的。与此同时，以物联网为重点的攻击的规模和频率都在增长。这就自然而然地提出了一个问题：即使设备上的所有软件都受到了威胁，如何保护传感数据？理想地，为了实现这一点，必须保护感测数据免于其起源，即，从物理模拟量被转换成其数字对应物并变得可由软件访问时开始。我们将此属性称为PfB：从出生开始的隐私。在这项工作中，我们将PfB正式化并设计了验证的遥感授权（VERSA）-一种可证明安全和正式验证的架构，确保只有正确执行预期和明确授权的软件才能访问和操作传感接口，特别是通用输入/输出（GPIO），这是物联网设备上模拟和数字世界之间的通常边界。此保证仅需最少的硬件支持即可获得，即使所有设备软件都受到损害，也能有效。VERSA确保恶意软件既不能访问GPIO映射存储器上的感测数据，也不能获得其任何踪迹。VERSA已经过正式验证，其开源实现针对资源受限的物联网边缘设备，通常用于传感。实验结果表明，PfB是可以实现的，并负担得起的这样的设备。
2022-05-05 cs.AR cs.CR
