首页/论文/2006.07908

arXiv 2006.079082020-06-14cs.CRcs.NI

使用云发动隐形攻击

Launching Stealth Attacks using Cloud

Moitrayee Chatterjee, Prerit Datta, Faranak Abri, Akbar Siami Namin, Keith S. Jones

摘要：

云计算为用户提供了可扩展的平台和低资源成本。与此同时，这种服务模式的资源的异地位置使其更容易受到某些类型的对抗性行动的影响。云计算不仅获得了大量用户，而且还具有攻击者可以利用的匿名和隐身功能。随着对数据和技术的方便访问，云计算已经成为一种攻击平台。本文报告了我们的研究，表明网络攻击者严重滥用公共云平台来设置攻击环境并发起隐形攻击。本文首先回顾了通过云环境发起的攻击类型。然后报告案例研究，通过这些案例研究展示了使用云发动网络攻击的过程。

英文摘要：

Cloud computing offers users scalable platforms and low resource cost. At the same time, the off-site location of the resources of this service model makes it more vulnerable to certain types of adversarial actions. Cloud computing has not only gained major user base, but also, it has the features that attackers can leverage to remain anonymous and stealth. With convenient access to data and technology, cloud has turned into an attack platform among other utilization. This paper reports our study to show that cyber attackers heavily abuse the public cloud platforms to setup their attack environments and launch stealth attacks. The paper first reviews types of attacks launched through cloud environment. It then reports case studies through which the processes of launching cyber attacks using clouds are demonstrated.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

Know Your Enemy：秘密侦查--SDN中的信息收集

Know Your Enemy: Stealth Configuration-Information Gathering in SDN

软件定义网络（Software Defined Networking，SDN）是一种旨在通过将网络逻辑与转发功能分离来提供高灵活性的网络架构。该行业已经广泛采用SDN，研究人员彻底分析了其漏洞，提出了提高其安全性的解决方案。然而，我们认为SDN的重要安全方面仍然没有得到研究。在本文中，我们提出了攻击者获取SDN网络知识的可能性。特别是，我们介绍了一种新的攻击，名为知道你的敌人（KYE），通过它的攻击者可以收集有关网络配置的重要信息。这些信息的范围从安全工具的配置（如网络扫描的攻击检测阈值）到一般网络策略（如QoS和网络虚拟化）。此外，我们还证明了攻击者可以以隐身的方式进行KYE攻击，即，而不会被发现我们强调，KYE攻击所利用的漏洞是SDN特有的，在传统网络中不存在。针对KYE攻击，我们还提出了一种基于网络流混淆的主动防御对策，这大大增加了成功攻击的复杂性。我们的解决方案提供可证明的安全保证，可根据所考虑的特定网络的需求进行定制

2016-08-16cs.CRcs.NI

安全信道上的Stealth-MITM DoS攻击

Stealth-MITM DoS Attacks on Secure Channels

我们定义隐形人在中间的对手，并分析他们的能力，发动拒绝和降级的服务（DoS）攻击的安全信道。我们展示了现实的攻击，破坏TCP通信的安全VPN使用VPN。我们提出：第一放大DoS攻击的网络，当部署没有防重放窗口。第一次放大攻击的反重放，当部署一个“小”的反重放窗口，并分析“足够”的窗口大小。第一次放大攻击的恶意软件，当部署“足够”的窗口大小。这种攻击（如前所述）是现实的：攻击者只需要复制和加速几个数据包。我们还提出了一个解决方案，旨在防止所提出的攻击，并提供安全信道免疫降级和其他拒绝服务攻击。我们的解决方案涉及（仅）对运行IPSec的两台网关机器的更改。除了他们的实际意义，我们的研究结果也提出了正式定义安全信道免疫拒绝服务和降级攻击的挑战，并提供可证明的安全实现。

2009-10-19cs.CR

无人机对隐蔽攻击的韧性

UAV Resilience Against Stealthy Attacks

针对无人机同时面临地面控制站与机载软件被攻陷的威胁，本文提出一种结合运行时监控与 seL4 软件隔离的架构，并兼容 MAVLink 协议，以抵御软件漏洞利用和隐蔽攻击。

2025-04-14cs.CR

大型语言模型是优秀的攻击者：高效且隐蔽的文本后门攻击

Large Language Models are Good Attackers: Efficient and Stealthy Textual Backdoor Attacks

Nanjing University of Information Science and Technology（南京信息工程大学）；University of Science and Technology of China（中国科学技术大学）

本文提出利用大型语言模型的高效隐蔽文本后门攻击方法EST-Bad，通过优化模型固有缺陷作为触发器、隐蔽注入触发器和精选样本三大策略，在保持攻击性能的同时显著提升了隐蔽性。

2024-08-21cs.CLcs.CR

对IoT网络入侵检测系统发起对抗攻击

Launching Adversarial Attacks against Network Intrusion Detection Systems for IoT

Edinburgh Napier University（爱丁堡龙比亚大学）；University of Hertfordshire（赫特福德大学）

随着互联网上不断出现新设备和新兴技术，攻击面呈指数级增长。技术正在转向利润驱动的物联网市场，安全性是事后的想法。传统的防御方法已不足以高精度地检测已知和未知的攻击。机器学习入侵检测系统已经证明了它们在以高精度识别未知攻击方面的成功。然而，机器学习模型也容易受到攻击。对抗性示例可用于在部署之前评估设计模型的鲁棒性。此外，使用对抗性示例对于创建针对对抗性环境设计的鲁棒模型至关重要。我们的工作使用Bot-IoT数据集评估了传统机器学习和深度学习模型的鲁棒性。我们的方法包括两个主要途径。一是标签中毒，用于造成模型分类错误。二是快速梯度标志法，用于规避检测措施。实验表明，攻击者可以操纵或规避检测具有显着的概率。

2021-04-26cs.CRcs.LGcs.NI

被自身光线困住：针对交通标志识别系统的可部署隐蔽逆反射贴片攻击

Trapped by Their Own Light: Deployable and Stealth Retroreflective Patch Attacks on Traffic Sign Recognition Systems

Waseda University（早稻田大学）；University of California, Irvine（加州大学伊文斯顿分校）；Waseda University, RIKEN AIP, NICT（早稻田大学、RIKEN AIP、NICT）

本文针对交通标志识别系统现有攻击易察觉、部署难的问题，提出隐蔽可部署的ARP逆反射贴片攻击，验证其高攻击成功率与隐蔽性，并给出DPR Shield偏振滤光防御方案。

2025-11-13cs.CRcs.CV

更多相关论文收起更多论文

隐秘污染攻击在回归设置中绕过防御

Stealthy Poisoning Attacks Bypass Defenses in Regression Settings

IBM Research Europe, Portal, First Floor Trinity Business School, Trinity College Dublin（IBM欧洲研究院，波特尔大楼，特里尼蒂商务学校，特里尼蒂学院都柏林）；Imperial College London, South Kensington Campus（伦敦帝国理工学院，南肯辛顿校区）；Universidad de Alcalá de Henares, Escuela Politécnica Superior（阿尔卡萨大学，工程技术学院）；Defence Science and Technology Laboratory (DSTL), Porton Down, Salisbury（国防科学与技术实验室（DSTL），波特恩道，萨里）

本文提出了一种隐秘污染攻击的新方法，并开发了BayesClean防御机制，以提升回归模型在面对隐秘攻击时的鲁棒性。

2026-03-02cs.AIcs.CRcs.LG

可见光通信网络中物理层攻击的可行性

The feasibility of launching physical layer attacks in visible light communication networks

基于可见光通信（VLC）的无线网络被认为优于传统的基于无线电的通信的领域之一是安全性。总结VLC安全功能的常用口号是：WYSIWYS -“你所看到的就是你所发送的”。然而，特别是在基础设施下行链路通信的情况下，必须小心地提供关于数据窥探、干扰和修改的安全性。本文探讨VLC网络的物理层方面可能造成的破坏流氓发射机。我们提出的理论系统模型，我们在模拟中使用，以评估各种流氓传输的情况下，在一个典型的办公室环境。我们使用估计的比特出错率（BER）作为衡量干扰和流氓数据传输的有效性。我们发现，这是很容易破坏，在某些情况下，甚至劫持合法的传输。

2016-08-25cs.CR

在 RISC 上执行：针对 RISC-V 应用的隐蔽 JOP 攻击

Execution at RISC: Stealth JOP Attacks on RISC-V Applications

本文揭示 RISC-V 易受 JOP 代码重用攻击，利用新型调度器 gadget 构建可绕过现有防护的隐蔽攻击，并在嵌入式 Web 服务器上完成远程任意文件读取的概念验证。

2023-07-24cs.CRcs.SE

SPA：在联邦学习中实现更隐蔽和持久的后门攻击

SPA: Towards More Stealth and Persistent Backdoor Attacks in Federated Learning

提出SPA后门攻击框架，利用特征空间对齐和自适应对抗触发器优化，在联邦学习中实现高隐蔽性、持久性且对模型效用影响小的后门攻击。

2025-06-26cs.CR

隐藏尾部：导致视觉语言模型隐蔽资源消耗的对抗图像

Hidden Tail: Adversarial Image Causing Stealthy Resource Consumption in Vision-Language Models

University of Electronic Science and Technology of China（电子科技大学）；City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）

提出隐蔽资源消耗攻击Hidden Tail，通过优化对抗图像诱导VLM生成最大长度输出，平衡有效性与隐蔽性，实验显示输出长度最多增加19.2倍。

2025-08-26cs.CRcs.CV

隐蔽攻击的可行性与必然性

The Feasibility and Inevitability of Stealth Attacks

University of Edinburgh（爱丁堡大学）；University of Leicester（莱斯特大学）

针对AI系统本身被篡改的威胁，本文提出并分析可在验证集上保持性能不变、却在触发输入上诱导任意输出的隐蔽攻击，证明深度学习中单神经元攻击的可行性，并给出防御策略。

2023-01-04cs.AIcs.CRcs.LG

隐匿与规避在恶意AP攻击中的分析：现代检测与绕过技术的探讨

Stealth and Evasion in Rogue AP Attacks: An Analysis of Modern Detection and Bypass Techniques

Purdue University（普渡大学）

本文研究了恶意AP攻击的隐匿与规避技术，通过构建恶意AP并测试其对Suricata NIDS的检测效果，揭示了现有入侵检测系统在无线管理帧攻击方面的不足。

2025-12-11cs.CR

隐形恶意软件调查：攻击，缓解措施和迈向自主开放世界解决方案的步骤

A Survey of Stealth Malware: Attacks, Mitigation Measures, and Steps Toward Autonomous Open World Solutions

University of Colorado at Colorado Springs（科罗拉多大学科罗拉多泉分校）

随着我们的职业、社会和金融领域日益数字化，以及我们的政府、医疗保健和军事基础设施越来越依赖计算机技术，它们为恶意软件提供了更大、更有利可图的目标。特别是隐形恶意软件构成了更大的威胁，因为它专门设计用于逃避检测机制，在长时间内在野外休眠传播，收集敏感信息或定位自己以进行高影响力的零日攻击。监管不断增长的攻击面需要开发具有改进的泛化能力的高效反恶意软件解决方案，以检测新型恶意软件并在尽可能减少人类专家负担的情况下解决这些事件。在本文中，我们调查恶意隐形技术以及现有的解决方案，检测和分类这些对策自主。虽然机器学习提供了越来越多的自主解决方案的潜力，提高了泛化到新的恶意软件类型，在网络级别和主机级别，我们的研究结果表明，几个有缺陷的假设固有的大多数识别算法，防止隐形恶意软件识别问题和机器学习解决方案之间的直接映射。这些有缺陷的假设中最值得注意的是封闭世界假设：在查询时不会出现属于静态训练集之外的类的样本。我们提出了一个形式化的自适应开放世界框架隐形恶意软件识别和数学相关的研究从其他机器学习领域。

2016-12-02cs.CRcs.CV

软件定义网络中用于检测隐蔽攻击的增量式混合自适应网络入侵检测系统

An incremental hybrid adaptive network-based IDS in Software Defined Networks to detect stealth attacks

The University of Sheffield（谢菲尔德大学）

本文针对SDN中攻击者行为变化导致的概念漂移问题，提出一种增量式混合自适应网络入侵检测系统，可检测已知和未知攻击，并在多个数据集上验证了有效性。

2024-04-01cs.AIcs.CR

通过隐秘视角：检索增强生成中针对投毒攻击的注意力感知防御

Through the Stealth Lens: Attention-Aware Defenses Against Poisoning in RAG

University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；ServiceNow Research（ServiceNow研究）

针对检索增强生成系统在低污染率下仍易受投毒攻击的问题，提出基于注意力权重的归一化段落注意力分数和注意力方差滤波器，实现高精度检测与防御，并揭示真正隐秘投毒的挑战。

2026-05-22cs.AIcs.CR

分布式发电系统中协调隐蔽攻击检测的量子机器学习方法

Quantum Machine Learning Approaches for Coordinated Stealth Attack Detection in Distributed Generation Systems

The University of Tulsa（塔尔萨大学）；Department of Electrical and Computer Engineering（电气与计算机工程系）

本研究提出一种混合量子经典模型，利用量子特征嵌入提升分布式发电系统中协调隐蔽攻击的检测性能。

2025-12-30cs.CRcs.LG

当心：边缘计算中动态深度神经网络的隐形后门攻击

Mind Your Heart: Stealthy Backdoor Attack on Dynamic Deep Neural Network in Edge Computing

Shanghai Jiao Tong University（上海交通大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）；Zhongguancun Laboratory（中关村实验室）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）

将现成的深度神经网络（DNN）模型转换为动态多出口架构可以通过在边缘计算场景（例如，边缘设备和云服务器）。在本文中，我们提出了一种新的后门攻击专门针对动态多出口DNN模型。特别是，我们通过毒化一个DNN模型的浅隐藏层来注入后门，目标不是这个普通的DNN模型，而是它的动态部署的多出口架构。我们的后门vanilla模型在性能上表现正常，即使使用正确的触发器也无法激活。然而，当受害者获得此模型并将其转换为动态多出口架构时，后门将被激活。我们进行了广泛的实验，以证明我们对三种结构（ResNet-56，VGG-16和MobileNet）的攻击的有效性和四个数据集（CIFAR-10，SVHN，GTSRB和Tiny-ImageNet），我们的后门是隐形的，以逃避多种最先进的后门检测或删除方法。

2022-12-22cs.CRcs.LG

基于图神经网络的智能电网隐蔽虚假数据注入攻击联合检测与定位

Joint Detection and Localization of Stealth False Data Injection Attacks in Smart Grids using Graph Neural Networks

Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）；Tennessee Tech University（田纳西理工大学）

虚假数据注入攻击（FDIA）是威胁电力系统安全的主要网络攻击类型。与这些攻击的检测相反，较少注意识别网格的受攻击单元。为此，这项工作共同研究检测和定位隐形FDIA在电网中。利用电力系统固有的图拓扑结构和测量数据的空间相关性，提出了一种基于图神经网络（GNN）的故障诊断方法。所提出的方法利用自回归移动平均（ARMA）类型的图形滤波器（GF），它可以更好地适应急剧变化的频谱域，由于其合理的类型的过滤器组成相比，多项式类型的GF，如切比雪夫。据我们所知，这是第一个基于GNN自动检测和定位电力系统中FDIA的工作。大量的仿真和可视化结果表明，所提出的方法优于现有的方法在检测和定位FDIA不同的IEEE测试系统。因此，可以识别目标区域，并在攻击影响电网之前采取预防措施。

2021-10-09cs.AIcs.CRcs.LG