A Slow Read attack Using Cloud
云计算依赖于共享计算资源,而不是使用本地服务器或个人设备来处理应用程序。如今,云计算已成为信息技术发展最快的领域之一。然而,由于其服务交付模式,云计算出现了一些新的安全问题。在本文中,我们讨论的情况下,分布式拒绝服务(DDoS)攻击使用云资源。首先,我们展示了使用云平台的这种攻击如何无法被以前的技术检测到。然后,我们也提出了一个基于云的棘手解决方案。
2017-12-05 cs.CR
Formal Analysis of an Authentication Protocol Against External Cloud-Based Denial-of-Service (DoS) Attack
拒绝服务(DoS)攻击被认为是云计算服务可用性的最大威胁之一。由于云计算系统独特的架构,其检测和防范拒绝服务攻击的方法与传统网络系统有很大的不同。DoS攻击者的主要目标是身份验证协议,因为它被认为是访问云资源的网关。在这项工作中,我们提出了一个基于云的身份验证协议-一个安全地验证云用户,并有效地防止拒绝服务攻击的云计算系统-通过涉及用户在一个高的计算过程。然后,我们分析了协议通过Syverson和Van Oorschot(SVO)逻辑验证协议的认证过程中的云计算系统。
2017-11-22 cs.CR
Enhanced CBF Packet Filtering Method to Detect DDoS Attack in Cloud Computing Environment
互联网、企业内部网、电子商务及其用户的迅猛发展,已经进入了一个全球性竞争和争夺的创新时代。多节点拒绝服务攻击是通过干扰竞争服务器的服务来实现的。攻击可能有多种原因。这是云环境的一大威胁。传统的防御方法由于其有效性低、存储量大等特点,难以应用于云安全领域。各种攻击的效果可以降低云的影响。因此,鉴于这一挑战性任务,本文旨在加强云安全的建议方法。针对云计算环境下基于关联模式的基于置信度的过滤方法(CBF),提出了一种改进方法,以降低云计算环境下的DDoS攻击。该修改引入了标称的额外带宽,并试图提高受害者发起的服务器的处理速度。
2013-04-26 cs.CR
Detection of Colluded Black-hole and Grey-hole attacks in Cloud Computing
大容量网络、海量存储、硬件虚拟化、效用计算、面向服务架构的可用性导致了云计算的高可访问性。云资源的广泛使用引发了大量的安全争议。黑洞攻击和灰洞攻击是云网络中值得注意的无防御攻击,它们容易发动但难以检测。针对云计算中的个体攻击和合谋攻击,提出了一种有效的综合检测方法。在个体攻击检测阶段,使用转发率指标区分恶意节点和正常节点。在共谋攻击检测阶段,恶意节点通过操纵遭遇记录来逃避检测过程。为了克服这种用户,虚假的遭遇与出现频率一起进行检查,并且消息的数量利用了异常模式。仿真结果表明,该系统具有较好的检测精度。
2020-09-07 cs.CR
Cybersecurity of High-Altitude Platform Stations: Threat Taxonomy, Attacks and Defenses with Standards Mapping - DDoS Attack Use Case
Ecole Polytechnique de Tunisie(突尼斯高等理工学院);Technology Innovation Institute(技术创新研究所);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文针对非地面网络新兴节点HAPS的网络安全问题,提出适配平流层的威胁分类体系,梳理可行防御方案并映射相关标准,通过OMNeT++/INET仿真分析DDoS攻击影响,为实际部署提供工程参考。
2025-11-16 cs.CR cs.NI
Numerical Evaluation of Cloud-Side Shuffling Defenses against DDoS Attacks on Proxied Multiserver Systems
我们考虑一个基于云的多服务器系统,这可能是基于云的,由一组副本应用程序服务器背后的一组代理(间接)服务器,直接与客户端在互联网上进行交互。我们提供云端主动式和被动式防御,以抵御可能针对此系统的DDoS攻击。DDoS攻击是地方性的,去年秋天发生了一些值得注意的攻击。容量攻击可能以代理为目标,而“低容量”攻击可能以副本为目标。在审查现有的和建议的防御,如改变代理IP地址(一个“移动目标”的技术,以打击僵尸网络的侦察阶段)和过载服务器的裂变,我们专注于评估防御的基础上洗牌客户端到服务器的分配,可以是主动和被动的DDoS攻击。我们的评估是基于一个二项分布模型,以及同意模拟和初步实验的原型,也描述。
2017-08-02 cs.CR
Towards Reconstructing Multi-Step Cyber Attacks in Modern Cloud Environments with Tripwires
快速变化的云环境由高度互连的组件组成,很难保护。现有的解决方案通常试图将许多弱指标关联起来,以识别和重建多步网络攻击。由于这些指标之间缺乏真正的因果联系,管理员仍然有很多假阳性可以浏览。我们认为,如果以结构化和自动化的方式使用,网络欺骗可以提高攻击检测系统的精度,即,以所谓的绊网的形式,其最终跨越攻击图,这有助于攻击重建算法。本文提出了一个框架,结合网络欺骗,自动绊网注入和攻击图,这最终使我们能够在现代云环境中重建多步网络攻击的想法。
2020-09-25 cs.CR
DNN-based Denial of Quality of Service Attack on Software-defined Hybrid Edge-Cloud Systems
本文提出一种基于DNN的服务质量拒绝(DQoS)攻击,攻击者利用SDN控制通信预测网络丢包率,精准增加视频传输延迟以降低QoS且逃避检测,并在GENI边缘云平台上验证了高准确率与成功率。
2023-04-03 cs.CR cs.NI
DDoS Attacks in Cloud Computing: Issues, Taxonomy, and Future Directions
与云计算相关的安全问题与各种利益相关者有关,以便做出明智的云采用决策。除了数据泄露之外,网络安全研究社区正在重新审视云特定解决方案的攻击空间,因为这些问题会影响预算,资源管理和服务质量。分布式拒绝服务(DDoS)攻击是云空间中的一种严重攻击。在本文中,我们介绍了与云中DDoS攻击缓解解决方案相关的发展。特别是,我们提出了一个全面的调查,详细了解这些攻击的特征,预防,检测和缓解机制。此外,我们提出了一个全面的解决方案分类来分类DDoS攻击解决方案。我们还提供了关于重要指标的全面讨论,以评估各种解决方案。这项调查的结论是,有一个强大的需求的解决方案,这是设计保持效用计算模型铭记。准确的自动扩展决策、多层缓解和使用云中丰富资源的防御是所需解决方案的一些关键要求。最后,我们提供了一个明确的指导方针,有效的解决方案建设和详细的解决方案要求,以帮助网络安全研究社区在设计防御机制。据我们所知,这项工作是一种新的尝试,以确定需要的DDoS缓解解决方案,涉及多层次的信息流和有效的资源管理在攻击过程中。
2017-08-28 cs.CR
CloudShield: Real-time Anomaly Detection in the Cloud
Princeton University(普林斯顿大学)
在云计算中,如果可以通过自动异常检测系统来检测可疑活动,则是期望的。尽管异常检测在过去已经被研究过,但是在云计算中它仍然是未解决的。挑战是:描述云服务器的正常行为,区分良性和恶意异常(攻击),并防止由于错误警报而导致的警报疲劳。我们提出了CloudShield,一个实用的和通用的实时的【形】异常和攻击检测系统的云计算。Cloudshield使用具有不同云工作负载的通用预训练深度学习模型来预测正常行为,并通过检查模型重建误差分布来提供实时的【形】连续检测。一旦检测到异常,为了减少警报疲劳,CloudShield会通过检查预测误差分布来自动区分良性程序、已知攻击和零日攻击。我们在代表性的云基准上评估了建议的CloudShield。我们的评估表明,使用模型预训练的CloudShield可以适用于广泛的云工作负载。特别是,我们观察到CloudShield可以检测最近提出的投机执行攻击,例如,幽灵和熔毁攻击,以毫秒计。此外,我们还表明,CloudShield可以准确地区分已知攻击和潜在的零日攻击与良性程序并确定其优先级。因此,它可以显著减少高达99.0%的误报。
2021-08-25 cs.CR cs.LG
DeepStrike: Remotely-Guided Fault Injection Attacks on DNN Accelerator in Cloud-FPGA
随着现场可编程门阵列(FPGA)在云中被广泛采用以加速深度神经网络(DNN),这种虚拟化环境带来了许多新的安全问题。这项工作研究了DNN FPGA加速器在云中的完整性。它提出了DeepStrike,这是一种基于针对DNN执行的电源故障注入的远程引导攻击。我们描述了不同DNN层对FPGA故障注入的脆弱性,并利用时间数字转换器(TDC)传感器来精确控制故障注入的时序。实验结果表明,我们提出的攻击可以成功地破坏FPGA DSP内核,并错误分类目标受害者DNN应用程序。
2021-05-20 cs.CR
On Machine Learning DoS Attack Identification from Cloud Computing Telemetry
Federal University of Espírito Santo(圣埃斯皮里图联邦大学)
拒绝服务(DoS)攻击的检测仍然是云环境的一个挑战,影响了由这种虚拟化基础设施托管的大量服务和应用程序。通常,在文献中,DoS攻击的检测仅通过分析网络中的数据包流量来执行。这项工作提倡使用来自云的遥测技术来检测使用机器学习算法的DoS攻击。我们的假设是基于丰富的本地数据汇集服务,从物理和虚拟主机的指标。我们的初步结果表明,可以准确地识别拒绝服务的k-最近邻(kNN)和决策树(CART)。
2019-04-11 cs.CR cs.LG cs.NI
Bit of a Close Talker: A Practical Guide to Serverless Cloud Co-Location Attacks
University of California, Davis(加州大学戴维斯分校);George Mason University(乔治梅森大学);Rochester Institute of Technology(罗切斯特理工学院)
本研究提出了一种实用指南,揭示无服务器云中共址攻击的构建方法,并提出Double-Dip调度器作为防御策略。
2026-01-13 cs.CR cs.DC
Attacking and Defending Machine Learning Applications of Public Cloud
Baidu X-Lab(百度X实验室)
对抗攻击打破了传统安全防御的界限。针对对抗攻击和云服务的特点,我们提出了面向机器学习应用的安全开发框架,例如,SDL for ML。SDL for ML通过减少ML即服务中漏洞的数量和严重性,同时降低开发成本,帮助开发人员构建更安全的软件。
2020-07-27 cs.CR cs.LG
HackCar: a test platform for attacks and defenses on a cost-contained automotive architecture
Alma Mater Studiorum - University of Bologna(博洛尼亚大学);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
HackCar是一种低成本汽车架构测试平台,用于复现攻击与防御,帮助研究人员在现实环境中测试安全对策。
2024-05-08 cs.CR
Cloud-Based Secure Authentication (CSA) Protocol Suite for Defense against DoS Attacks
基于云的服务已成为我们日常软件解决方案的一部分。身份认证过程被认为是这些服务的主要网关。因此,这些门越来越容易受到攻击者的攻击,他们可能会使用拒绝服务(DoS)攻击来永久关闭这些门。有许多身份验证协议足够强大,可以验证身份并保护传统的网络应用程序。然而,当在基于云的应用中使用时,这些认证协议本身可能引入DoS风险。这种风险的引入是由于使用了繁重的验证过程,这可能会消耗云资源并禁用应用程序服务。在这项工作中,我们提出了一种新的基于云的认证协议套件,不仅知道内部的DoS威胁,但也能够抵御外部的DoS攻击者。所提出的解决方案使用了一个多层次的自适应技术来规定的协议参与者的努力。该技术能够识别合法用户的请求,并将其置于身份验证过程队列的前面。身份验证过程的设计方式使基于云的服务器变得无足迹,并完全意识到任何DoS攻击的风险。
2017-11-22 cs.CR
Memory DoS Attacks in Multi-tenant Clouds: Severity and Mitigation
在云计算中,网络拒绝服务(DoS)攻击得到了很好的研究,并且已经实现了防御,但是由单个敌对VM对受害者的工作存储器的严重DoS攻击还没有得到很好的理解。内存拒绝服务攻击是由云服务器上的硬件内存资源争用引起的拒绝服务(或服务降级)攻击。尽管云服务器中的软件虚拟化层对虚拟机(VM)实施了强大的内存隔离技术,但底层硬件内存层仍然由VM共享,并且可以被位于与受害者VM相同的服务器上的恶意VM中的聪明攻击者利用,从而拒绝受害者所需的工作内存。我们首先定量显示不同的内存资源上的竞争的严重性。然后,我们表明,恶意的云客户可以安装低成本的攻击,导致Hadoop分布式应用程序的性能严重下降,并在亚马逊EC2云中的电子商务网站的响应时间延迟38倍。然后,我们设计了一个有效的,新的防御这些内存拒绝服务攻击,使用统计指标来检测它们的存在和执行节流,以减轻攻击的损害。我们实现这一点的一个新的重新利用现有的硬件性能计数器和占空比调制的安全性,而不是提高性能或功耗。我们在OpenStack云系统上实现了一个完整的原型。我们的评估表明,该防御系统可以有效地击败内存拒绝服务攻击,可以忽略不计的性能开销。
2017-10-04 cs.CR cs.DC
Detecting Cloud-Based Phishing Attacks by Combining Deep Learning Models
Eydle Inc.(Eydle公司)
如今,基于Web的网络钓鱼攻击利用流行的云Web托管服务和应用程序(如Google Sites和Typeform)来托管攻击。由于这些攻击来自云服务的信誉域和IP地址,因此传统的网络钓鱼检测方法(如IP信誉监控和黑名单)不是很有效。在这里,我们研究了深度学习模型在检测这类基于云的网络钓鱼攻击方面的有效性。具体来说,我们评估了三种网络钓鱼检测方法的深度学习模型-用于URL分析的LSTM模型,用于徽标分析的YOLOv 2模型和用于视觉相似性分析的三重网络模型。我们使用知名的数据集训练模型,并测试它们在基于云的网络钓鱼攻击中的性能。我们的结果定性地解释了为什么模型成功或失败。此外,我们的结果强调了如何组合各个模型的结果可以提高检测基于云的网络钓鱼攻击的有效性。
2022-10-28 cs.AI cs.CR cs.CV
Nudge Attacks on Point-Cloud DNNs
University of Cambridge(剑桥大学)
3D点云数据在自动驾驶等安全关键型应用中的广泛应用使得对抗性样本成为真正的威胁。现有的对点云的对抗攻击虽然成功率很高,但会修改大量的点,这在现实场景中通常很难做到。在本文中,我们探讨了一个家庭的攻击,只扰动输入点云的几个点,并命名为轻推攻击。我们证明,推动攻击可以成功翻转现代点云DNN的结果。我们提出了两种变体,基于梯度和基于决策,显示其在白盒和灰盒场景中的有效性。我们的大量实验表明,通过改变整个点云输入中的几个点甚至一个点,轻推攻击在生成有针对性和无针对性的对抗点云方面都是有效的。我们发现,在12- 80%的情况下,我们可以用一个点可靠地阻止预测,而10个点可以让我们进一步增加到37- 95%。最后,我们讨论了可能的防御这种攻击,并探讨其局限性。
2020-11-22 cs.AI cs.CR cs.CV
About being the Tortoise or the Hare? - A Position Paper on Making Cloud Applications too Fast and Furious for Attackers
除了服务端点之外,云应用程序还暴露了潜在或实际的漏洞。攻击者有几个优势。他们可以选择武器,时间点和攻击点。云应用程序安全工程工作通常专注于加固堡垒墙壁,但很少假设攻击可能会成功。因此,云应用程序依赖于它们的防御墙,但很少主动攻击入侵者。生物系统不同。他们认为防御“墙”可以在几个层次上被突破,因此利用一个主动和适应性的防御系统来攻击潜在的入侵者-免疫系统。这份立场文件提出了这样一种免疫系统启发的方法,以确保即使是未被检测到的入侵者也可以从云应用程序中清除。这使得入侵者更难在受害者系统上保持存在。对流行的云服务基础设施(Amazon Web Services、Google Compute Engine、Azure和OpenStack)进行的评估实验表明,这可以将入侵者未被检测到的行为时间缩短到几分钟。
2018-02-10 cs.CR cs.DC cs.SE
Comparative Analysis of State-of-the-Art EDoS Mitigation Techniques in Cloud Computing Environment
DDoS攻击的一个新变种,称为经济可持续性攻击。由于云服务基于按使用付费模型,因此EDoS攻击会努力随着时间的推移扩大资源使用量,直到服务器的供应商由于无法负担的使用费用而在财务上无法维持服务。EDoS攻击的影响是一个主要的安全问题,因为正在部署更具弹性的云服务。检测和减轻这种攻击的现有技术要么准确性低,要么无效,并且在某些情况下,甚至进一步加剧了攻击。因此,提出了一种增强的缓解机制,以解决这些缺点,使用OpenFlow和统计技术,即Hellinger距离和熵。实验清楚地表明,EMM是能够检测和缓解EDoS攻击的准确性高,它是有效的资源利用率相比,现有的缓解技术。因此,可以部署在云环境中,而不需要额外的资源要求。
2019-06-11 cs.CR
LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks
University of Science and Technology of China(中国科学技术大学);Microsoft Research(微软研究院);The Chinese University of Hong Kong(香港中文大学);Wormpex AI Research(Wormpex AI 研究所)
深度神经网络在3D点云识别方面取得了巨大进展。最近的研究表明,这些3D识别网络也容易受到各种攻击方法产生的对抗样本的攻击,包括基于优化的3D Carlini-Wagner攻击,基于梯度的迭代快速梯度方法和基于分离的点丢弃。然而,经过仔细分析,这些方法要么是非常缓慢,因为优化/迭代方案,或不灵活,以支持特定类别的有针对性的攻击。为了克服这些缺点,本文提出了一种新的标签引导对抗网络(LG-GAN),用于实时灵活的有针对性的点云攻击。据我们所知,这是第一代基于3D点云的攻击方法。通过将原始点云和目标攻击标签馈送到LG-GAN中,它可以学习如何变形点云,从而只需一次向前传递就可以将识别网络误导到特定的标签中。详细地说,LGGAN首先利用一个多分支对抗网络来提取输入点云的分层特征,然后使用标签编码器将指定的标签信息合并到多个中间特征中。最后,编码后的特征将被送入坐标重建解码器,以生成目标对抗样本。通过评估不同的点云识别模型(例如,PointNet,PointNet++和DGCNN),我们证明了所提出的LG-GAN可以支持灵活的有针对性的攻击,同时保证良好的攻击性能和更高的效率。
2020-11-01 cs.CR cs.CV
Fake Resume Attacks: Data Poisoning on Online Job Platforms
本文首次揭示在线求职平台匹配任务易受数据投毒攻击,提出虚假简历生成框架 FRANCIS,通过三种攻击场景扭曲求职者与公司的匹配结果,并实证验证其有效性。
2024-02-21 cs.CR
Countering Wrapping Attack on XML Signature in SOAP Message for Cloud Computing
众所周知,Web应用程序之间的信息交换是通过SOAP协议完成的。对于任何计算机网络来说,保护此协议显然都是一个至关重要的问题。然而,当涉及到云计算系统时,这个问题的敏感性上升,因为系统的客户端将他们的数据发布到云。采用XML签名来保证SOAP消息的安全。然而,也有一些弱点,已被确定,命名为XML签名包装攻击,已被归类为四个主要的群体:简单的查询上下文攻击,可选元素上下文攻击,兄弟值上下文攻击,兄弟顺序上下文。本文分析和研究了现有的两种引用SOAP消息签名部分的方法,即ID引用和验证方法。此外,提出了一种新的方法,并进行了测试,以确保SOAP消息。该方法利用XML数字签名的概念对SOAP消息进行签名,防止了XML任意签名包装攻击。实验结果表明,该方法的速度比传统方法快约3倍,甚至比ID快一点。
2013-10-01 cs.CR
Adversarial Attack and Defense on Point Sets
Shanghai Jiao Tong University(上海交通大学);Huawei Hisilicon(华为海思);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
3D点云数据在安全关键视觉任务中的实用性的出现(例如,ADAS)敦促研究人员更加关注3D表示和深度网络的鲁棒性。为此,我们开发了一个攻击和防御计划,致力于3D点云数据,防止3D点云操纵,以及追求噪声容忍的3D表示。通过逐点梯度扰动和对抗性点连接/分离,提出了一组新的3D点云攻击操作。然后,我们开发了一个灵活的扰动测量方案的三维点云数据检测潜在的攻击数据或噪声传感数据。值得注意的是,所提出的防御方法甚至可以有效地检测由直接针对防御的概念验证攻击生成的对抗性点云。针对对抗攻击在多个点云网络之间的可转移性问题,提出了一种动量增强的逐点梯度算法来提高攻击的可转移性.我们进一步分析了从对抗点云到网格CNN和逆的可转移性。在常见点云基准上的大量实验结果证明了所提出的3D攻击和防御框架的有效性。
2021-05-31 cs.AI cs.CR cs.CV
GateDrain: Availability Attacks and Admission-Side Defense for Confidence-Gated Edge-Cloud Inference
Hofstra University(霍夫斯特拉大学);Norwegian University of Science and Technology(挪威科技大学)
GateDrain揭示置信度门控边缘-云推理的可用性漏洞,通过扰动降低置信度将请求重定向至云队列造成延迟恶化,并提出结合准入预算与优先级的Bounded Escalation防御策略。
2026-09-29 cs.CR
Less Is More: Sparse and Cooperative Perturbation for Point Cloud Attacks
Guangzhou University(广州大学);University of Science and Technology of China(中国科学技术大学);Northwestern Polytechnical University(西北工业大学)
本文提出SCP框架,通过稀疏且协作的点扰动方法,实现高攻击成功率和更强的对抗效果,适用于点云攻击场景。
2025-12-15 cs.CR
PointDP: Diffusion-driven Purification against Adversarial Attacks on 3D Point Cloud Recognition
University of Michigan(密歇根大学);NVIDIA(英伟达);ASU(亚利桑那州立大学)
3D点云正在成为自动驾驶、机器人和医学成像等许多现实应用中的关键数据表示。尽管深度学习的成功进一步加速了3D点云在物理世界中的应用,但深度学习因其对对抗攻击的脆弱性而臭名昭著。在这项工作中,我们首先确定了最先进的经验防御,对抗训练,由于梯度混淆,在应用于3D点云模型时存在重大限制。我们进一步提出了PointDP,一种利用扩散模型来防御3D对抗攻击的净化策略。我们在六个有代表性的3D点云架构上广泛评估了PointDP,并利用10多个强大的自适应攻击来证明其下限鲁棒性。我们的评估表明,PointDP实现了显着更好的鲁棒性比国家的最先进的净化方法在强大的攻击。在不久的将来,将包括随机平滑与PointDP相结合的认证防御的结果。
2022-08-21 cs.CR cs.CV cs.LG
Vision Token Manipulation Attacks on Cloud-Edge Inference of Large Vision-Language Models
Department of Computer Science and Engineering, University of Nevada, Reno(内华达大学里诺分校计算机科学与工程系);Oak Ridge National Laboratory(橡树岭国家实验室)
研究黑盒中间人设置下的视觉令牌操纵攻击,提出四种简答攻击策略和基于优化的令牌选择方法,实验表明操纵少量视觉令牌可大幅降低大型视觉语言模型云边缘推理的准确性。
2026-07-07 cs.AI cs.CR cs.CV
Last-Level Cache Side-Channel Attacks Are Feasible in the Modern Public Cloud (Extended Version)
该研究针对公有云侧信道噪声多、FaaS场景攻击窗口短的问题,提出多项缓存侧信道攻击新技术,在Google Cloud Run中实现了跨租户ECDSA密钥窃取,验证了末级缓存侧信道攻击在现代公有云的可行性。
2024-05-21 cs.CR
Protecting Military Avionics Platforms from Attacks on MIL-STD-1553 Communication Bus
MIL-STD-1553是一个军用标准,它定义了物理层和逻辑层,以及通信总线的命令/响应时间划分多路复用,用于军事和航空航天航空电子平台已有40多年。MIL-STD-1553作为一种传统的平台,其设计目标是高水平的容错,而对安全性的关注较少。最近的研究已经解决了成功的网络攻击对执行MIL-STD-1553的航空航天器的影响。在这项研究中,我们提出了MIL-STD-1553的安全性分析。此外,我们提出了一种方法,在MIL-STD-1553通信总线和它的性能存在的几种攻击情况下,在一个测试平台上实现的异常检测,以及对真实系统数据的结果。此外,我们提出了一个入侵检测系统(IDS)的MIL-STD-1553通信总线的一般方法。
2017-07-17 cs.CR
Privacy Inference Attacks and Defenses in Cloud-based Deep Neural Network: A Survey
Xidian University(西安电子科技大学);State Key Laboratory of Cryptology(密码学国家重点实验室);James Cook University(詹姆斯·库克大学);State Key Laboratory of Integrated Service Networks (ISN)(综合业务网理论及关键技术国家重点实验室);Swinburne University of Technology(斯威本科技大学);College of Science and Engineering(科学与工程学院);School of Software and Electrical Engineering(软件与电气工程学院)
深度神经网络(DNN)是最强大的机器学习算法之一,越来越多地被用来克服有效探索和分析海量数据的瓶颈,以推动先进的科学发展。云计算提供商将基于云的DNN作为开箱即用的服务提供,这并不奇怪。虽然基于云的DNN有一些好处,但云中两个或多个实体之间的交互机制不可避免地引发了新的隐私风险。这项调查提出了基于云的神经网络服务中出现的隐私攻击和防御的最新发现。我们系统地、彻底地审查了基于云的DNN服务管道中的隐私攻击和防御,即,数据处理、训练和预测。特别是,从最近发表的文献中提取了一种新的理论,称为基于云的ML隐私游戏,以深入了解最先进的研究。最后,提出了挑战和未来的工作,以帮助研究人员继续推动隐私攻击者和捍卫者之间的竞争。
2021-05-13 cs.AI cs.CR
Protocol-Level Attacks on Agentic Commerce Platforms: A Cross-Platform Taxonomy, AIP-Bench, and Unified Defense
Ariel Cyber Innovation Center, Ariel University(阿里尔网络创新中心,阿里尔大学)
研究智能商务平台协议层安全问题,识别出33个结构性漏洞。贡献分类法,构建AIP-Bench基准和PCAT防御机制,将部分结构类攻击成功率降至零,强调协议层安全防护的重要性。
2026-07-27 cs.CR
Pocket Diagnosis: Secure Federated Learning against Poisoning Attack in the Cloud
联邦学习由于其在多个卫生机构(即数据岛(DI))之间训练联合模型的有效性而在医学诊断中变得普遍。然而,越来越多的大规模DI级别中毒攻击揭示了联邦学习中的漏洞,这些攻击将有毒数据注入某些DI,以破坏联邦模型的可用性。以前关于联邦学习的工作不足以确保DI的隐私和最终联邦模型的可用性。在本文中,我们设计了一个安全的联邦学习机制,多个密钥,以防止DI级中毒攻击的医疗诊断,称为SFPA。具体地说,SFPA通过多密钥安全计算提供了隐私保护的基于随机森林的联邦学习,保证了DI相关信息的机密性。同时,针对DI级中毒攻击,提出了一种加密本地提交模型的安全防御策略。最后,我们的形式化安全分析和公共云平台上的实证测试表明,SFPA的安全性和效率,以及它的抵抗DI级中毒攻击的能力。
2020-09-23 cs.CR
A Threat Modeling Framework for Evaluating Computing Platforms Against Architectural Attacks
软件组件滥用与硬件的特权关系,以绕过系统保护、监视器或取证工具。这些关系通常不是非法的,并且通过设计存在于系统组件之间。因此,即使是具有安全硬件和软件组件的系统,在架构上也可能是脆弱的。不幸的是,现有的威胁建模方案不适用于对计算平台的架构攻击建模。这主要是因为现有技术依赖于软件的抽象表示(例如,数据流图)作为一个主要要求,不适用于作为一个整体的平台(考虑硬件和软件元素)。在本文中,我们讨论了一个硬件-软件体系结构视图的必要性,系统的威胁建模。然后,我们提出了LambertTM,一个框架适应威胁建模方法,适用于不可信的平台,通过整体的方法。Lambertology涉及用于平台抽象建模的系统安全体系结构。使用设计结构矩阵分析,LambertTM帮助最终用户识别针对平台的可能攻击向量。该框架是来自系统工程和软件安全领域的概念的连接点。我们已经应用该框架上的多用途计算机与x86 - 64架构作为一个案例研究,以显示我们的框架的有效性。
2018-09-05 cs.CR
A Backdoor Attack against 3D Point Cloud Classifiers
由于3D传感器在安全关键应用中的普及,3D点云(PC)分类器的脆弱性已成为一个严重的问题。现有的针对3D PC分类器的对抗攻击都是测试时规避(TTE)攻击,其目的是利用分类器的知识诱导测试时错误分类。但是,由于受害者分类器通常无法被攻击者访问,因此在实践中威胁大大减少,因为PC TTE通常具有较差的可转移性。在这里,我们提出了第一个针对PC分类器的后门攻击(BA)。最初针对图像提出,BA毒害受害者分类器的训练集,使得每当攻击者的后门模式存在于给定的输入样本中时,分类器学习决定攻击者的目标类。值得注意的是,BA不需要受害者分类器的知识。与图像BA不同,我们建议将一组点插入PC中,作为为3D PC定制的强大后门模式。这样的集群也与物理攻击一致(即,与场景中的捕获对象)。我们使用一个独立训练的代理分类器优化集群的位置,并选择集群的局部几何形状,以避免可能的PC预处理和PC异常检测器(AD)。在实验中,我们的BA实现了一致的高成功率(> 87%),并显示出对最先进的PC AD的回避。
2021-04-12 cs.CR
Transferability of Adversarial Examples to Attack Cloud-based Image Classifier Service
Baidu X-Lab(百度X实验室)
近年来,深度学习(DL)技术已被广泛部署用于计算机视觉任务,特别是视觉分类问题,据报道,新算法可以达到甚至超过人类的性能。虽然最近的许多工作表明,DL模型容易受到对抗性示例的影响。幸运的是,生成对抗性示例通常需要对受害者模型进行白盒访问,而现实世界中基于云的图像分类服务比白盒分类器更复杂,攻击者无法获得云平台上DL模型的架构和参数。攻击者只能访问云平台开放的API。因此,将模型保存在云中通常会给人一种(错误的)安全感。本文主要研究基于云计算的图像分类服务的安全性。具体来说,(1)提出了一种基于替换模型的快速映射丢失PGD攻击方法(FFL-PGD),该方法在查询次数非常有限的情况下获得了很高的绕过率。我们的方法不是在以前的研究中使用数百万个查询,而是每个图像只使用两个查询来找到对抗性示例;(2)我们首次尝试对现实世界中基于云的分类服务进行黑盒攻击的广泛实证研究。通过对Amazon、Google、Microsoft、Clarifai等四个主流云平台的测试,验证了FFL-PGD攻击在不同分类服务中的成功率超过90%. (3)我们讨论了可能的防御,以解决这些安全挑战,基于云的分类服务。我们的防御技术主要分为模型训练阶段和图像预处理阶段。
2020-01-20 cs.CR cs.CV cs.LG
FIDS: Fuzzy Intrusion Detection System for simultaneous detection of DoS/DDoS attacks in Cloud computing
本文提出模糊入侵检测系统FIDS,通过监控17项服务器参数并结合CUSUM算法与模糊神经网络,同时检测云计算中HTTP、数据库、TCP SYN和DNS Flood四类DoS/DDoS攻击,将平均检测率从Snort的57%提升至95%。
2023-05-25 cs.CR
Imperceptible Adversarial Attacks on Point Clouds Guided by Point-to-Surface Field
Guangzhou University(广州大学);SmartMore Corporation(思谋科技);Hefei University(合肥学院);Northwestern Polytechnical University(西北工业大学)
本文针对点云对抗攻击中不可感知性与攻击效果难以兼顾的问题,提出点到曲面(P2S)场引导扰动方向,利用去噪网络学习形状曲面的对数密度梯度场并进行距离感知调整,实验证明其不可感知性优于现有方法。
2024-12-26 cs.CR cs.CV
Adversarial Attacks on Machine Learning in Embedded and IoT Platforms
机器学习(ML)算法越来越多地被集成到我们周围的嵌入式和物联网系统中,它们很容易受到对抗攻击的攻击。在资源有限的嵌入式平台上部署这些ML算法还需要使用模型压缩技术。这种模型压缩技术对ML对抗鲁棒性的影响是一个重要的新兴研究领域。本文概述了与嵌入式系统相关的对抗攻击和ML模型压缩技术。然后,我们描述的努力,试图了解对抗攻击和ML模型压缩之间的关系,然后讨论在这一领域的开放性问题。
2023-03-03 cs.AI cs.CR cs.LG
Detecting Backdoor Attacks Against Point Cloud Classifiers
Pennsylvania State University(宾夕法尼亚州立大学);Shanghai Jiao Tong University(上海交通大学)
后门攻击(BA)是对深度神经网络分类器的新兴威胁。被攻击的分类器将预测攻击者的目标类时,测试样本从源类嵌入后门模式(BP)。最近,第一个针对点云(PC)分类器的BA被提出,对包括自动驾驶在内的许多重要应用造成了新的威胁。这种PC BA由于其特殊的BP嵌入机制而无法被现有的BA防御检测到。在本文中,我们提出了一个反向工程防御,推断PC分类器是否受到后门攻击,而无需访问其训练集或任何干净的分类器作为参考。我们的防御的有效性证明在基准ModeNet40数据集的PC。
2021-10-20 cs.CR cs.CV cs.LG
Future-Proofing Cloud Security Against Quantum Attacks: Risk, Transition, and Mitigation Strategies
University of Montreal(蒙特利尔大学);York University(约克大学)
本文分析云安全面临的量子威胁,提出跨九层架构的防护策略,涵盖风险评估、过渡策略及具体缓解措施,为云架构师和政策制定者提供指导。
2026-04-12 cs.CR
Personalized Security Indicators to Detect Application Phishing Attacks in Mobile Platforms
移动应用程序中的网络钓鱼是一种相关的威胁,在野外报告了成功的攻击。在此类攻击中,恶意移动应用程序伪装成合法应用程序来窃取用户凭据。在本文中,我们分类应用程序钓鱼攻击在移动平台和可能的对策。我们表明,个性化的安全指标可以帮助用户检测网络钓鱼攻击,并有很小的部署成本。然而,个性化的安全指示器依赖于用户的警觉性来检测网络钓鱼攻击。先前在网站钓鱼背景下的工作表明,用户往往会忽略安全指标的缺失,并成为攻击者的受害者。因此,研究界认为个性化的安全指标是一种无效的网络钓鱼检测机制。我们评估个性化的安全指标作为一个网络钓鱼检测解决方案的背景下,移动应用程序。我们进行了一项大规模的用户研究,其中大量使用个性化安全指标的参与者能够检测到网络钓鱼。所有没有使用指示器的参与者都无法检测到攻击,并将其凭据输入到网络钓鱼应用程序。我们发现攻击检测率的差异具有统计学意义。因此,个性化的安全指标可以帮助移动应用程序中的网络钓鱼检测,并且应该重新考虑其作为反网络钓鱼机制的声誉。我们还提出了一种新的协议,在强对抗模型下设置个性化的安全指标,并详细介绍了其性能和可用性。
2015-02-24 cs.CR
A review of SolarWinds attack on Orion platform using persistent threat agents and techniques for gaining unauthorized access
本文综述了2020年SolarWinds对Orion平台的供应链攻击,分析了持久威胁代理和利用VMware漏洞的未授权访问技术,并提出了防御与修复建议。
2023-09-04 cs.CE cs.CR
Gotcha! I Know What You are Doing on the FPGA Cloud: Fingerprinting Co-Located Cloud FPGA Accelerators via Measuring Communication Links
针对多租户云FPGA中攻击者如何秘密识别共置加速器类型的被忽视问题,提出通过非恶意基准加速器嗅探通信链路性能轨迹的指纹攻击,实现高准确率识别,为首篇利用通信侧信道的相关研究。
2023-07-07 cs.CR
Ciphertext-Only Attack on a Secure $k$-NN Computation on Cloud
本研究发现Sanyashi等人2023年提出的基于ASPE的云端隐私保护$k$-NN加密方案存在重大漏洞,提出高效算法并通过实验验证该方案易受唯密文攻击。
2024-04-17 cs.CR
On the Security of A Remote Cloud Storage Integrity Checking Protocol
数据安全和隐私是云计算中一个重要但具有挑战性的问题。云用户的安全问题之一是如何有效地验证存储在云服务器上的数据的完整性。第三方审计(TPA)是近年来为实现这一目标而提出的一种新技术。在最近的论文(IEEE Transactions on Computers 62(2):362-375(2013))中,Wang等人提出了一种高效且可扩展的TPA协议,以及可以防止离线猜测攻击的零知识公共审计协议。然而,在本文中,我们指出了Wang等人的协议中的几个安全弱点:首先,我们证明了攻击者可以在完整性检查过程中任意修改云数据而不被审计者发现,并且攻击者甚至可以在不知道云数据的内容或云服务器维护的任何验证元数据的情况下实现这一目标;其次,我们证明了零知识公共审计协议不能达到其设计目标,即防止离线猜测攻击。
2019-12-01 cs.CR
Experimental Evaluation of Security Attacks on Self-Driving Car Platforms
Cal Poly Pomona(加州州立理工大学波莫纳分校)
本文通过实验评估了五种攻击类型对低成本自动驾驶平台的影响,揭示了不同攻击产生的特征指纹,为攻击监测和防御机制提供基础。
2026-03-14 cs.CR eess.IV
Length-based attacks in polycyclic groups
Anshel-Anshel-Goldfeld(AAG)密钥交换协议于1999年提出后,人们开始用辫群和Thompson群作为其底层平台来实现和研究。Hughes和Tannenbaum提出的基于长度的攻击已经被广泛用于研究以辫群为基础平台的AAG。与此同时,Eick和Kahrobaei提出了一个新的平台,使用多环基团。在本文中,我们表明,具有足够高的Hirsch长度,多环组作为AAG的底层平台是抵抗基于长度的攻击。特别地,多环群可以为任何基于共轭搜索问题的密码系统提供一个安全的平台,例如非交换的Diffie-Hellman,ElGamal和Cramer-Shoup密钥交换协议。
2014-11-22 cs.CR math.GR
FDA3 : Federated Defense Against Adversarial Attacks for Cloud-Based IIoT Applications
East China Normal University(华东师范大学);Tongji University(同济大学);Huawei(华为)
随着人工智能(AI)和物联网(IoT)技术的普及,各种各样的对抗攻击越来越多地出现,以欺骗工业物联网(IIoT)应用所使用的深度神经网络(DNN)。由于有偏见的训练数据或脆弱的底层模型,对抗攻击对输入进行的不可察觉的修改可能会导致毁灭性的后果。虽然现有的方法在防御此类恶意攻击方面很有希望,但大多数方法只能处理有限的现有攻击类型,这使得大规模IIoT设备的部署面临巨大挑战。为了解决这个问题,我们提出了一种名为FDA3的有效的联邦防御方法,它可以聚合来自不同来源的对抗性示例的防御知识。受联邦学习的启发,我们提出的基于云的架构可以在IIoT设备之间共享防御能力,以抵御不同的攻击。综合实验结果表明,通过我们的方法生成的DNN不仅可以比现有的特定于攻击的对抗训练方法抵御更多的恶意攻击,而且可以防止IIoT应用受到新的攻击。
2020-06-28 cs.CR cs.LG stat.ML
Entropy based Anomaly Detection System to Prevent DDoS Attacks in Cloud
云计算是一种新的计算模式,它提供了对广域分布式资源的一致访问。它以其服务提供基础设施、更低的维护成本、数据和服务可用性保证、快速的可访问性和可扩展性彻底改变了IT世界。网格和云计算入侵检测系统通过检测节点间的加密通信,发现隐藏的攻击尝试,对基于网络和基于主机的攻击进行检测。它结合了知识和行为分析来识别特定的入侵。基于特征的入侵检测系统通过对网络中的数据包进行监测,并通过与数据库的匹配来识别威胁,但对数据库中没有包含的攻击却无法检测出来。基于特征的入侵检测系统在捕获大量异常时性能较差。另一个问题是云服务提供商隐藏了入侵者造成的攻击,由于分布式云环境具有很高的脆弱资源的可能性。通过冒充合法用户,入侵者可以恶意地使用服务的丰富资源。在建议的系统中,我们结合了一些概念,这是新的入侵检测技术。本文将基于熵的系统与异常检测系统相结合,提供多级分布式拒绝服务攻击。这是通过两个步骤完成的:首先,允许用户通过路由器在网络站点中,它结合了检测算法,并检测合法用户。其次,它再次通过放置在云站点中的路由器,其中它包含确认算法并检查阈值,如果其超出阈值,则认为是合法用户,否则其是在环境中发现的入侵者。
2013-08-28 cs.CR cs.DC
Information Blackhole: Exploring Backdoor Mechanism in 3D Point Cloud Reconstruction
Dalian University of Technology(大连理工大学);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Shandong University(山东大学)
针对点云自编码器后门攻击研究空白,提出信息黑洞原理与自适应高斯匹配方法,通过解耦潜在表示抑制源信息泄漏,提升攻击可控性,并在ModelNet和ShapeNetPart上验证了有效性。
2026-09-29 cs.CR
VoxAtnNet: A 3D Point Clouds Convolutional Neural Network for Generalizable Face Presentation Attack Detection
Norwegian University of Science and Technology (NTNU)(挪威科技大学);Goa University(果阿大学);AiBA AS(AiBA AS公司)
针对智能手机人脸识别易受3D面具等呈现攻击的问题,提出基于3D点云体素化与卷积注意力网络的PAD算法VoxAtnNet,在3480样本数据集上经三种协议验证,对已知和未知攻击检测性能均有提升。
2024-04-19 cs.CR cs.CV
AdvPC: Transferable Adversarial Perturbations on 3D Point Clouds
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST))
深度神经网络容易受到对抗攻击的攻击,在这种攻击中,对其输入的不可感知的扰动会导致错误的网络预测。这种现象在图像领域已经得到了广泛的研究,最近才扩展到3D点云。在这项工作中,我们提出了新的数据驱动的对抗攻击对三维点云网络。我们的目标是解决当前3D点云对抗攻击中的以下问题:它们在不同网络之间不能很好地传输,并且它们很容易通过简单的统计方法进行防御。在这种程度上,我们开发了一种新的点云攻击(称为AdvPC),它利用输入数据分布,在自动编码器重建后,通过添加对抗性损失来优化目标。AdvPC导致对当前防御具有弹性的扰动,同时与最先进的攻击相比保持高度可转移性。我们使用四种流行的点云网络测试AdvPC:PointNet,PointNet++(MSG和SSG)和DGCNN。我们提出的攻击将那些转移到看不见的网络(可转移性)的攻击成功率提高了40%,同时在被攻击的网络上保持了较高的成功率。与ModelNet40数据集上的其他基线相比,AdvPC还将突破防御的能力提高了38%。
2020-07-16 cs.CR cs.CV cs.LG