Machine Learning for Detection and Mitigation of Web Vulnerabilities and Web Attacks
Universität des Saarlandes(萨尔大学)
本文是一篇综述,梳理了应用经典与先进机器学习技术检测和防范XSS、CSRF等Web漏洞与攻击的已有研究,分析各方法的优劣,为后续研究指明方向并推动Web安全与机器学习的交叉研究。
2023-04-27 cs.AI cs.CR cs.CY
Dancer in the Dark: Synthesizing and Evaluating Polyglots for Blind Cross-Site Scripting
针对无反馈的盲 XSS 场景,本文提出合成可覆盖多种注入上下文的 polyglot 载荷,并在 Tranco Top 100,000 网站中发现 18 个后端系统的 20 个漏洞。
2025-02-12 cs.CR
Protection of Web Applications from Cross-Site Scripting Attacks in Browser Side
跨站脚本(XSS)漏洞是现代Web应用程序中最常见的安全问题。这些漏洞利用网络应用程序代码中的漏洞,导致严重后果,例如窃取cookie,密码和其他个人凭据。跨站点脚本在访问中间受信任站点中的信息时会出现漏洞。客户端解决方案充当Web代理以缓解跨站点脚本漏洞,该漏洞手动生成规则以缓解跨站点脚本尝试。客户端解决方案有效防止用户环境中的信息泄漏。跨站点脚本漏洞很容易执行,但很难检测和预防。本文提供了客户端解决方案,以减轻跨站点脚本的缺陷。现有的客户端解决方案降低了客户端系统的性能,导致不良的网络冲浪体验。在这个项目中提供了一个客户端解决方案,使用一步一步的方法来保护跨站点脚本,而不会降低用户的Web浏览体验。
2010-04-11 cs.CR
Consideration Points Detecting Cross-Site Scripting
Web应用的应用范围不断扩大,提供的服务越来越多,已经成为服务提供者和用户之间最重要的沟通渠道之一。为了增强用户体验,许多Web应用程序正在使用客户端脚本语言,例如JavaScript,但这种JavaScript的增长也增加了Web应用程序中的严重安全漏洞,例如跨站脚本(XSS)。在本文中,我调查了所有的技术已经被用来检测XSS和安排一些分析,以评估这些方法的性能。本文指出了XSS检测的主要难点。我没有实现这个漏洞问题的任何解决方案,因为我的重点是审查这个问题。但是,我相信,这一评估将是合作的进一步研究,这方面的关注,因为这篇论文弄清楚这一超越安全问题的一切。
2009-08-28 cs.CR cs.PL
Off-Path Attacking the Web
我们展示了一个偏离路径(仅欺骗)的攻击者如何执行跨站脚本(XSS),跨站请求伪造(CSRF)和网站欺骗/污损攻击,而不需要在Web浏览器或服务器中的漏洞,并绕过已知的防御。攻击者还可以发起破坏性的拒绝服务(DoS)攻击,即使客户端和服务器之间的连接是通过SSL/TLS保护的。攻击是实际的,需要一个傀儡(浏览器沙箱中的恶意脚本)在受害者客户端机器上运行,攻击者能够在互联网上进行IP欺骗。我们的攻击使用了一种技术,允许一个偏离路径的攻击者学习TCP连接中客户端和服务器的序列号。该技术利用了许多计算机,特别是运行Windows的计算机,使用全局IP-ID计数器的事实,该计数器提供了一个侧通道,允许有效暴露连接序列号。我们提出的学习技术和攻击,利用它的实验评估结果。最后,我们提出了实际的防御,可以部署在防火墙级别,不需要改变现有的TCP/IP协议栈。
2012-04-30 cs.CR
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
Browser Security Posture Analysis: A Client-Side Security Assessment Framework
本文提出完全运行于浏览器内的JavaScript/WebAssembly安全评估框架,通过120多项原位测试诊断客户端安全策略,并在多浏览器与企业场景中验证其发现。
2025-05-12 cs.CR
Categorizing Service Worker Attacks and Mitigations
本文系统分析了Service Worker的已知攻击向量与新滥用路径,将其分类并评估浏览器缓解情况,提出新的监控策略并在Chromium中验证,证明严格策略对合法应用影响小。
2021-11-13 cs.CR
FedGA: Federated Learning with Gradient Alignment for Error Asymmetry Mitigation
University of Birmingham(伯明翰大学)
针对联邦学习中客户端间类别不平衡导致的模型更新偏差问题,提出基于梯度对齐的FedGA方法,通过反向传播时的标签校准防止少数类遗忘,有效缓解误差不对称并提升模型准确率。
2024-12-21 cs.CR cs.LG
JSRehab: Weaning Common Web Interface Components from JavaScript Addiction
利用JavaScript(JS)实现用户界面(UI)交互性已经成为网络上的标准多年。然而,使用JS会增加带宽和电池消耗,因为脚本需要由浏览器下载和处理。此外,客户端JS可能会暴露访问者的安全漏洞,如跨站点脚本(XSS)。本文介绍了一种新的服务器端插件,称为JSRehab,自动重写常见的Web界面组件的替代品,不需要任何JavaScript(JS)。JSRehab的主要目标是大幅减少并最终删除网页中包含的JS,以提高其响应能力并消耗更少的资源。我们报告我们的实现JS康复Bootstrap,到目前为止最流行的UI框架,并评估它的语料库的100个网页。我们通过手动验证表明,确实可以降低页面对JS的依赖性,同时保持其交互性和可访问性。我们观察到,JSRehab为测试设备上的大多数网页带来了至少5%的节能,同时为HTML有效负载引入了仅5%的中间在线开销。
2022-03-14 cs.CR
Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection
本文提出FL-LTD,通过监控损失趋势动态检测并缓解恶意客户端,提升联邦学习的鲁棒性和安全性。
2026-01-28 cs.CR
Analysing and strengthening OpenWPM's reliability
自动浏览器被广泛用于大规模研究网络。他们的前提是,他们衡量普通浏览器在网络上会遇到什么。在实践中,已经发现了由于自动化检测而导致的偏差。到什么程度可以改进自动化浏览器以减少这种偏差,迄今为止还没有详细研究。在本文中,我们调查了一个特定的Web自动化框架:OpenWPM,一个流行的研究框架,专门设计用于研究Web隐私。我们分析了(1)OpenWPM的可检测性,(2)OpenWPM检测的普遍性,以及(3)OpenWPM数据记录的完整性。我们的分析表明OpenWPM很容易被检测到。我们测量了基于指纹的检测在多大程度上已经在100,000个网站上对OpenWPM客户端进行了利用,并观察到它通常被检测到(约14%的头版)。此外,我们在脚本中发现了专门检测OpenWPM客户端的集成例程。我们对OpenWPM数据记录完整性的调查发现了新的规避技术和以前未知的针对OpenWPM仪器的攻击。我们调查并制定缓解措施以解决已识别的问题。总之,我们发现自动化框架的可靠性不应该被视为理所当然。应研究此类框架的可识别性,并部署缓解措施,以提高可靠性。
2022-05-18 cs.CR
Adversarial Detection Avoidance Attacks: Evaluating the robustness of perceptual hashing-based client-side scanning
消息传递平台的端对端加密(E2 EE)使人们能够安全地、私密地彼此通信。然而,它的广泛采用引起了人们的担忧,即非法内容现在可能会被不被发现地分享。随着全球对密钥托管系统的抵制,科技公司、政府和研究人员最近提出了基于感知哈希的客户端扫描,以检测E2 EE通信中的非法内容。我们在这里提出了第一个框架来评估感知哈希为基础的客户端扫描检测避免攻击的鲁棒性,并显示当前的系统是不强大的。更具体地说,我们提出了三个对抗攻击-一个一般的黑盒攻击和两个白盒攻击的离散余弦变换为基础的算法-对感知散列算法。在一项大规模的评估中,我们发现基于感知散列的客户端扫描机制在黑盒设置中极易受到检测规避攻击,超过99.9%的图像在保留图像内容的同时成功受到攻击。我们还表明,我们的攻击产生不同的扰动,强烈表明,直接的缓解策略将是无效的。最后,我们表明,使攻击更难所需的更大阈值可能需要每天标记和解密超过10亿张图像,这引起了强烈的隐私问题。总的来说,我们的研究结果对世界各地的政府、组织和研究人员目前提出的基于感知散列的客户端扫描机制的稳健性提出了严重质疑。
2022-08-02 cs.CR
Federated Unlearning with Gradient Descent and Conflict Mitigation
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Guangzhou University(广州大学);The Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);University of Michigan(密歇根大学);Shenzhen Research Institute of Big Data(深圳大数据研究院)
本文提出FedOSD方法,通过设计遗忘交叉熵损失和正交最速下降方向,在缓解梯度冲突的同时实现高效联邦遗忘,并有效恢复模型效用,实验表明其优于现有联邦遗忘算法。
2024-12-28 cs.AI cs.CR cs.DC
Accuracy-Privacy Trade-off in the Mitigation of Membership Inference Attack in Federated Learning
Old Dominion University(奥多明尼昂大学);Deloitte & Touche LLP(德勤全球)
本文探索深度集成与联邦学习的关系,研究基于置信度的指标在FL中缓解成员推理攻击时的适用性,通过多客户端、数据集和融合策略实验,证实了FL中准确率与隐私权衡的明确存在。
2024-07-26 cs.AI cs.CR cs.LG
Pacer: Comprehensive Network Side-Channel Mitigation in the Cloud
网络侧信道(NSC)通过分组定时和分组大小泄漏秘密。它们在公共IaaS云中尤其令人担忧,在公共IaaS云中,任何租户都可以托管并间接观察受害者的流量形状。我们介绍Pacer,这是第一个在公共IaaS云中端到端消除NSC泄漏的系统。它建立在塑造客人外部的客人流量的原则性技术基础上,通过设计使流量形状独立于秘密。然而,Pacer还解决了以前工作中没有考虑的重要问题-它防止内部侧信道泄漏影响整形流量,并且它尊重网络流量控制,拥塞控制和丢失恢复信号。Pacer是作为主机hypervisor的准虚拟化扩展实现的,只需要对hypervisor和来宾内核进行适度的更改,并且只需要对应用程序进行可选的最小更改。我们提出了Pacer的关键抽象的隐形隧道,描述其设计和实现,证明了重要的设计方面的安全性,通过正式的模型,并通过实验评估表明,Pacer对带宽,客户端延迟和服务器吞吐量施加适度的开销,同时挫败基于最先进的CNN分类器的攻击。
2022-02-17 cs.CR
FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning
Purdue University(普渡大学);IBM Research(IBM研究院);Rutgers University(罗格斯大学)
联邦学习(FL)是一种分布式学习范式,它使不同的各方能够一起训练模型,以实现高质量和强大的隐私保护。在这种情况下,单个参与者可能会受到危害,并通过毒化数据(或梯度)来执行后门攻击。现有的工作健壮的聚合和认证的FL鲁棒性不研究如何硬化良性客户端可以影响全局模型(和恶意客户端)。在这项工作中,我们从理论上分析了交叉熵损失,攻击成功率和清洁精度之间的联系。此外,我们提出了一个触发逆向工程为基础的防御,并表明我们的方法可以实现鲁棒性的改善与保证(即,降低攻击成功率)而不影响良性准确性。我们在不同的数据集和攻击设置中进行了全面的实验。我们的研究结果对8个竞争SOTA防御方法显示,我们的方法在单发和连续FL后门攻击的经验优势。代码可在https://github.com/KaiyuanZh/FLIP上获得。
2023-02-27 cs.AI cs.CR cs.LG
CLIP: Client-Side Invariant Pruning for Mitigating Stragglers in Secure Federated Learning
University of Toronto(多伦多大学)
针对安全联邦学习中异构掉队客户端造成的计算与网络瓶颈,提出 CLIP 客户端不变神经元剪枝及网络感知剪枝方法,在 CIFAR10、Shakespeare、FEMNIST 上实现 13%–34% 训练加速且精度损失很小。
2025-10-19 cs.CR cs.DC cs.LG
Web Cache Overflow: Exploiting Imprecise Keys for Cache Degradation and Beyond
University of Trento(特伦托大学);Akamai(阿卡迈科技);Northeastern University(东北大学)
该研究发现Web缓存键不精确可被滥用产生冗余条目,导致缓存降级、源站负载增加甚至DoS攻击,提出精确缓存键设计为关键安全缓解措施。
2026-08-06 cs.CR
Model Context Protocol Threat Modeling and Analyzing Vulnerabilities to Prompt Injection with Tool Poisoning
New York Institute of Technology(纽约理工学院)
本文基于STRIDE和DREAD框架对MCP五个关键组件进行威胁建模,发现工具污染是主要客户端漏洞,提出多层防御策略以提升AI代理生态的安全性。
2026-03-23 cs.CR cs.SE
Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks
ICT Convergence Research Center(信息通信融合研究中心);Kumoh National Institute of Technology(Kumoh国立技术学院);IT-Convergence Engineering(信息融合工程)
本文提出一种联邦学习框架,用于在遭受网络攻击时实现电动汽车充电预测中的异常检测与缓解,通过保护隐私、检测攻击并提升预测准确性。
2025-11-22 cs.CR cs.LG
A Protocol-Aware P4 Pipeline for MQTT Security and Anomaly Mitigation in Edge IoT Systems
Nara Institute of Science and Technology (NAIST)(奈良先端科学技术大学院大学);University of Information Technology(信息技术大学);Vietnam National University(越南国立大学)
本文提出基于P4的边缘物联网系统MQTT安全与异常缓解方案,通过协议感知技术实现高效的数据平面过滤,提升边缘安全性能。
2026-01-12 cs.CR cs.NI
Towards Web Phishing Detection Limitations and Mitigation
CSIRO’s Data61(联邦科学与工业研究组织数据61所);Cybersecurity CRC(网络安全合作研究中心)
网络钓鱼仍然是一种严重的网络威胁,导致大多数数据泄露。基于机器学习(ML)的反钓鱼检测器被视为一种有效的对策,并越来越多地被Web浏览器和软件产品所采用。然而,随着平均每小时向PhishTank和VirusTotal(VT)等平台报告10 K个钓鱼链接,这种基于ML的解决方案的缺陷暴露无遗。我们首先探索网络钓鱼网站如何绕过基于ML的检测,深入研究针对Facebook等主要品牌的13 K网络钓鱼页面。结果表明,成功的规避是由以下原因引起的:(1)使用良性服务来掩盖钓鱼URL;(2)钓鱼和良性页面的HTML结构之间的高度相似性;(3)将最终的钓鱼内容隐藏在JavaScript中,并仅在客户端上运行此类脚本;(4)超越典型的凭据和信用卡寻找新的内容,如ID和文档;(5)隐藏网络钓鱼内容直到人类交互之后。我们将根本原因归因于基于ML的模型对垂直特征空间(网页内容)的依赖。这些解决方案仅依赖于网页本身中的网络钓鱼者。因此,我们提出了Anti-SubtlePhish,这是一个基于逻辑回归的更具弹性的模型。关键增强是包括水平特征空间,其检查可疑页面的最终呈现与可信服务已经记录的内容(例如,PageRank)。为了克服(1)和(2),我们将WHOIS、PageRank和页面分析之间的信息关联起来。为了克服(3)、(4)和(5),我们在渲染页面后关联特征。100 K钓鱼/良性网站的实验显示出良好的准…
2022-04-03 cs.CR cs.LG
CELEST: Federated Learning for Globally Coordinated Threat Detection
Northeastern University(东北大学);University of Virginia(弗吉尼亚大学)
近年来,网络威胁格局发生了巨大变化,每天都有新的威胁变种出现,大规模的协调活动变得更加普遍。在这项研究中,我们提出了CELEST(协作学习可扩展的威胁检测,一个联邦机器学习框架,用于通过HTTP进行全球威胁检测,HTTP是恶意软件传播和通信最常用的协议之一。CELEST利用联邦学习,在多个本地保存数据的客户端之间协作训练全球模型,从而提供更高的隐私和机密性保证。通过与联邦学习技术集成的新型主动学习组件,我们的系统不断发现和学习新的、不断发展的和全球协调的网络威胁的行为。我们表明,CELEST是能够暴露的攻击,在很大程度上是不可见的个人组织。例如,在一个具有挑战性的攻击场景中,与本地模型相比,全局模型实现了精确召回AUC的三倍增长。我们还设计了一个中毒检测和缓解方法,DTrust,专门设计用于联邦学习在协作威胁检测领域。DTrust成功地检测中毒客户使用参与客户的反馈进行调查,并将他们从培训过程中删除。我们部署CELEST在两个大学的网络,并表明它能够检测到恶意HTTP通信的高精度和低误报率。此外,在部署过程中,CELEST在一天内检测到一组先前未知的42个恶意URL和20个恶意域名,并被VirusTotal确认为恶意。
2023-03-17 cs.CR cs.LG