From Theory to Practice: Evaluating Data Poisoning Attacks and Defenses in In-Context Learning on Social Media Health Discourse
University of Information Technology and Sciences (UITS)(信息科技与科学大学)
本研究针对公共卫生情感分析场景,验证了上下文学习易受小型数据投毒攻击破坏,并提出谱特征防御方法可有效过滤投毒样本、维持数据完整性,为高风险场景下的大语言模型鲁棒部署提供了参考。
2025-10-04 cs.CL cs.CR cs.LG
Subpopulation Data Poisoning Attacks
Khoury College of Computer Sciences, Northeastern University(东北大学Khoury计算机科学学院)
机器学习系统部署在关键环境中,但它们可能会以意想不到的方式失败,影响其预测的准确性。针对机器学习的中毒攻击会导致对机器学习算法使用的数据进行对抗性修改,以在部署时选择性地改变其输出。在这项工作中,我们介绍了一种新的数据投毒攻击称为\emph{subpopulation attack},这是特别相关的数据集是大而多样的。我们设计了一个子群体攻击的模块化框架,用不同的构建块实例化它,并表明攻击对各种数据集和机器学习模型是有效的。我们进一步优化攻击在连续域中使用影响函数和梯度优化方法。与现有的后门中毒攻击相比,子群攻击具有在推理时在自然分布的数据点中诱导错误分类的优点,使得攻击非常隐蔽。我们还表明,我们的攻击策略可以用来改善现有的有针对性的攻击。我们证明,在某些假设下,亚群攻击是不可能防御的,并以经验证明了现有防御措施对我们的攻击的局限性,突出了保护机器学习免受这种威胁的困难。
2021-05-12 cs.CR cs.LG stat.ML
Learning to Cope with Adversarial Attacks
Iowa State University(爱荷华州立大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
部署在现实生活应用中的深度强化学习(Deep RL)算法的安全性是主要关注的问题。特别是,网络物理系统中RL代理对对抗攻击的鲁棒性尤其重要,因为恶意入侵的成本可能非常高。研究表明,在大多数现代RL算法中形成核心决策单元的深度神经网络(DNN)很容易受到对抗攻击。因此,部署在现实应用中的RL代理必须能够以在线方式检测和减轻对抗攻击。这种框架的一个例子是元学习优势层次(MLAH)代理,它利用元学习框架来在线鲁棒地学习策略。由于这个框架的机制还没有完全探索,我们进行了多次实验,以更好地了解框架的能力和局限性。我们的研究结果表明,MLAH代理表现出有趣的应对行为时,受到不同的对抗攻击,以保持名义奖励。此外,该框架表现出层次化的应对能力,基于主策略和子策略本身的适应性。从实证结果中,我们还观察到,随着对抗攻击间隔的增加,MLAH代理可以保持更高的奖励分配,尽管代价是更高的不稳定性。
2019-06-28 cs.CR cs.LG stat.ML
Automating Defense Against Adversarial Attacks: Discovery of Vulnerabilities and Application of Multi-INT Imagery to Protect Deployed Models
Auburn University(奥本大学);PeopleTec(PeopleTec公司)
图像分类是架空应用中机器学习的图像识别中的常见步骤。当应用流行的模型架构(如MobileNetV2)时,已知的漏洞会使模型暴露于反攻击,要么错误标记已知的类,要么改变框的位置。这项工作提出了一种自动化的方法来保护这些模型。我们评估使用多光谱图像阵列和集成学习器来对抗对抗攻击。原始贡献演示了攻击,提出了补救措施,并自动化了一些关键结果,以保护模型的预测免受对手的攻击。在粗略的类比,以捍卫网络,我们结合了技术从进攻(“红队”)和防御(“蓝队”)的方法,从而产生一个混合的保护结果(“绿队”)。对于机器学习,我们使用3色通道和车辆红外线来演示这些方法。结果发现漏洞,并纠正他们与补充数据输入常见的开销情况下,特别是。
2021-03-29 cs.CR cs.CV
Enabling Adversarial Robustness in AI Models through Kubeflow MLOps
School of Electrical and Computer Engineering, National Technical University of Athens, Greece(电气与计算机工程学院,国家技术大学雅典,希腊);Department of Informatics and Telematics, Harokopio University of Athens, Greece(信息与电信学院,哈罗基奥大学雅典,希腊)
本文提出在Kubernetes集群中通过Kubeflow MLOps集成自动检测对抗攻击并触发防御机制,提升模型的准确性和可靠性。
2026-05-14 cs.CR cs.LG
Generating Sentiment-Preserving Fake Online Reviews Using Neural Language Models and Their Human- and Machine-based Detection
Saarland Informatics Campus(萨尔信息学园区);University of Southern California(南加州大学);National Institute of Informatics(国立信息学研究所);SOKENDAI(综合研究大学院大学)
先进的神经语言模型(NLM)被广泛用于序列生成任务,因为它们能够生成流畅和有意义的句子。它们还可以用来生成虚假评论,然后可以用来攻击在线评论系统并影响在线购物者的购买决策。为了执行这样的攻击,专家有必要针对特定主题训练量身定制的LM。在这项工作中,我们证明了一个低技能的威胁模型可以通过结合公开可用的LM来构建,并证明所产生的虚假评论可以欺骗人类和机器。特别地,我们使用GPT-2 NLM基于具有期望情感的评论生成大量高质量评论,然后使用基于BERT的文本分类器(准确率为96%)过滤掉具有不期望情感的评论。因为评论中的单词都没有被修改,所以可以从学习的分布中生成流畅的样本,如训练数据。80名参与者的主观评价表明,这种简单的方法可以产生与人写的评论一样流畅的评论。它还表明,参与者倾向于随机区分虚假评论。三种对策,Grover,GLTR和OpenAI GPT-2检测器,被发现难以准确检测虚假评论。
2019-12-03 cs.CL cs.CR cs.IR
DARKMENTION: A Deployed System to Predict Enterprise-Targeted External Cyberattacks
Arizona State University(亚利桑那州立大学);Cyber Reconnaissance, Inc.(网络侦察公司);Universidad Nacional del Sur (UNS)(南方国立大学(UNS));Institute for C.S. and Eng. (CONICET–UNS)(计算机科学与工程研究所(CONICET–UNS));University of Southern California(南加州大学);Lockheed Martin Advanced Technology Laboratories(洛克希德·马丁先进技术实验室)
最近的数据泄露事件要求组织主动识别对其系统的网络攻击。Darkweb/Deepweb(D2 web)论坛和市场提供了黑客匿名讨论现有漏洞并将恶意软件商业化以利用这些漏洞的环境。这些平台为安全从业人员提供了一个威胁情报环境,允许挖掘与组织目标网络攻击相关的模式。在本文中,我们描述了一个系统(称为DARKMENTION),该系统学习关联规则,将D2 web的攻击指标与现实世界的网络事件相关联。使用学习的规则,DARKMENTION在攻击之前生成并向安全运营中心(SOC)提交警告。我们的目标是设计一个系统,自动生成及时、可操作、准确和透明的针对企业的警告。我们证明黑暗符合我们的目标。特别是,我们表明,它优于试图生成与两家企业相关的网络攻击警告的基线系统,F1得分平均增加约45%和57%。此外,DARKMENTION还被部署为一个更大系统的一部分,该系统是根据与IARPA网络攻击自动化非常规传感器环境(CAUSE)计划的合同建造的。它正在积极制作警报,平均在袭击前3天发出警报。
2018-10-30 cs.AI cs.CR
Hunting for Re-Entrancy Attacks in Ethereum Smart Contracts via Static Analysis
以太坊智能合约是在由点对点网络管理的基于共识的区块链中部署和执行的程序。近年来,已经发现了几种旨在窃取以太坊中使用的加密货币Ether的重入攻击,这些加密货币存储在部署的智能合约中。这种攻击的对策是基于执行智能合约本身的动态分析,但它需要花费以太币和提前分析攻击模式的知识。在本文中,我们提出了一个名为\textit{RA (Re-entrancy Analyzer)}的静态分析工具,它结合了符号执行和等价性检查,通过可满足性模理论求解器来分析智能合约对重入攻击的脆弱性。与现有工具相比,RA支持仅使用目标智能合约的以太坊虚拟机字节码来分析合约间行为,即,即使事先不知道攻击模式,也不消耗以太币。此外,RA可以在不执行智能合约的情况下验证是否存在重入攻击漏洞,并且不会提供误报和漏报。我们还提出了一个RA的实现,以评估其在分析部署的智能合约对重入攻击的脆弱性方面的性能,并表明RA可以精确地确定哪些智能合约是脆弱的。
2020-07-02 cs.CR
"What's in the box?!": Deflecting Adversarial Attacks by Randomly Deploying Adversarially-Disjoint Models
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全研究中心)
机器学习模型现在被广泛部署在现实世界的应用中。然而,对抗性例子的存在一直被认为是对这些模型的真正威胁。虽然已经提出了许多旨在提高鲁棒性的防御措施,但许多已被证明是无效的。由于这些漏洞仍然远远没有被消除,我们提出了一种替代的基于部署的防御模式,超越了传统的白盒和黑盒威胁模型。代替训练单个部分鲁棒的模型,可以训练一组具有相同功能但不相交的模型,其具有最小的中间攻击可转移性。然后,这些模型可以随机和单独部署,这样访问其中一个模型对其他模型的影响最小。我们对CIFAR-10和各种攻击的实验表明,与集成多样性的基线相比,我们在不相交模型中实现了显着降低的攻击可转移性。此外,与对抗训练集相比,我们在保持干净示例准确性的同时,实现了更高的平均鲁棒准确性。
2021-03-09 cs.CR cs.CV cs.LG
ÆGIS: Shielding Vulnerable Smart Contracts Against Attacks
近年来,智能合约遭受了重大攻击,损失了数百万美元。与传统程序不同,智能合约部署在区块链上。因此,一旦部署,就无法对其进行修改。尽管已经提出了各种工具来检测易受攻击的智能合约,但大多数工具都无法保护已经部署在区块链上的易受攻击的合约。迄今为止,只提出了很少的解决部署后问题的办法。然而,这些解决方案精度低,并且不足以防止任何类型的攻击。在这项工作中,我们介绍了一个动态分析工具,它可以保护智能合约在运行时不被利用。其检测新漏洞的能力可以通过所谓的攻击模式轻松扩展。这些模式是用特定于域的语言编写的,该语言是针对以太坊智能合约的执行模型而定制的。该语言支持恶意控制和数据流的描述。此外,我们提出了一种新的机制来简化和加快管理攻击模式的过程。模式通过智能合约进行投票和存储,从而利用区块链提供的防篡改和透明度的好处。我们比较了ARMGIS与当前最先进的工具,并证明了我们的解决方案在检测攻击方面具有更高的精度。最后,我们对以太坊区块链的前450万个区块进行了大规模分析,从而确认了在野外发生的已报告和未报告的攻击。
2020-03-12 cs.CR
TextBugger: Generating Adversarial Text Against Real-world Applications
Zhejiang University(浙江大学);Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies(阿里巴巴-浙江大学前沿技术联合研究院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Lehigh University(理海大学)
基于深度学习的文本理解(DLTU)是各种应用背后的骨干技术,包括问答、机器翻译和文本分类。尽管DLTU非常受欢迎,但其安全漏洞在很大程度上仍然是未知的,这是高度关注的,因为它越来越多地用于安全敏感的应用程序,如情感分析和有毒内容检测。在本文中,我们表明DLTU本质上容易受到对抗性文本攻击,其中恶意制作的文本会触发目标DLTU系统和服务的不当行为。具体来说,我们提出了TextBugger,一个用于生成对抗性文本的通用攻击框架。与之前的作品相比,TextBugger在以下方面有很大的不同:(i)有效-它在攻击成功率方面优于最先进的攻击;(ii)规避-它保留了良性文本的实用性,94.9%的敌对文本被人类读者正确识别;(iii)高效-它生成的敌对文本的计算复杂性与文本长度呈次线性关系。我们在一组用于情感分析和有毒内容检测的真实DLTU系统和服务上对TextBugger进行了经验评估,证明了其有效性、规避性和效率。例如,TextBugger在基于Amazon AWS Comprehend的IMDB数据集上在4.61秒内实现了100\%的成功率,并保留了97\%的语义相似度。我们进一步讨论了可能的防御机制,以减轻这种攻击和对手的潜在对策,这导致有前途的方向,进一步研究。
2018-12-13 cs.CL cs.CR cs.LG
A Modified Drake Equation for Assessing Adversarial Risk to Machine Learning Models
Auburn University(奥本大学);PeopleTec, Inc(PeopleTec公司)
机器学习模型在部署到生产中时存在对抗攻击的风险。使用经验性措施量化影响因素和不确定性可帮助行业评估下载和部署通用模型类型的风险。这项工作建议修改传统的德雷克方程的形式主义,以估计潜在的成功的对抗攻击的部署模型的数量。德雷克方程是著名的用于参数化的不确定性,它已被用于许多研究领域以外的初衷,以估计无线电能力的外星文明的数量。虽然以前的工作已经概述了在公共模型架构中发现漏洞的方法,但所提出的等式旨在为评估和估计对抗攻击的潜在风险因素提供半定量基准。
2021-07-07 cs.CR cs.LG
A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Predictions
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM(国际商业机器公司);University at Buffalo(布法罗大学);Michigan State University(密歇根州立大学)
越来越多的投资者和机器学习模型依赖于社交媒体(例如,Twitter和Reddit)收集实时信息和情绪,以预测股价走势。虽然基于文本的模型容易受到对抗攻击的攻击,但股票预测模型是否也有类似的脆弱性还有待研究。在本文中,我们使用各种对抗攻击配置来欺骗三种股票预测受害者模型。我们通过解决具有语义和预算约束的组合优化问题来解决对抗生成的任务。我们的研究结果表明,所提出的攻击方法可以实现一致的成功率,并在交易模拟中造成重大的金钱损失,通过简单地连接一个扰动,但语义相似的鸣叫。
2022-07-12 cs.CR cs.LG q-fin.ST
Towards Scalable and Robust Model Versioning
University of Chicago(芝加哥大学)
针对深度学习模型部署后易遭白盒对抗攻击的问题,本文提出无需新数据和架构改动的参数化隐藏分布模型版本控制方法,可生成多版本抵御泄露版本的攻击,显著提升DNN分类器鲁棒性。
2024-03-11 cs.CR cs.LG
Natural Adversarial Sentence Generation with Gradient-based Perturbation
Academia Sinica(中央研究院);National Chengchi University(国立政治大学);University of California, Los Angeles(加州大学洛杉矶分校);Google Research(谷歌研究院)
本文提出了一种新的文本分类模型的自然语言对抗性输入生成算法,以研究这些模型的鲁棒性。它涉及对用作分类器特征的句子嵌入应用基于梯度的扰动,并学习解码器以生成。我们采用这种方法的情感分析模型,并验证其有效性,在诱导不正确的预测模型。我们还对这些例子进行了定量和定性分析,并证明我们的方法可以产生更多的自然对手。此外,它还可以用来成功地执行黑盒攻击,这涉及攻击其他参数未知的现有模型。在公共情感分析API上,所提出的方法引入了平均准确度20%的相对降低和绝对误差74%的相对增加。
2019-09-06 cs.CL cs.CR cs.IR
Stateful Detection of Model Extraction Attacks
Indian Institute of Science(印度科学学院);nference(nference公司)
机器学习即服务提供商通过应用程序编程接口(API)向开发人员公开机器学习(ML)模型。最近的工作表明,攻击者可以利用这些API来提取这些ML模型的良好近似,通过使用他们选择的样本查询它们。我们提出VarDetect,一个有状态的监视器,跟踪这样的服务的用户所做的查询的分布,检测模型窃取攻击。利用修改后的变分自编码器学习的潜在分布,VarDetect鲁棒地将三种类型的攻击者样本与良性样本分开,并成功地为每种样本发出警报。此外,随着VarDetect部署为自动防御机制,发现提取的替代模型表现出预期的性能和可移植性较差。最后,我们证明,即使是自适应攻击者与部署VarDetect的先验知识,检测。
2021-07-12 cs.AI cs.CR cs.LG
LLM-Guided Program Evolution for Targeted Black-Box Attacks on Perceptual Hash Algorithms
MIPT(莫斯科物理技术学院);Sberbank(俄罗斯联邦储蓄银行);Central University(中央大学);AIRI(人工智能研究院);MTUCI-Labs(莫斯科电信与信息技术大学实验室)
研究针对感知哈希算法的黑盒攻击,提出基于GigaEvo和OpenEvolve的进化框架,通过综合分数评估攻击性能,实验表明该方法在减少查询次数、降低L2失真方面优于现有基线,揭示了相关漏洞并推动鲁棒方案开发。
2026-07-14 cs.CR
Signal-based Model Access Risk Analysis for AI System Operations Security
Oak Ridge National Laboratory(奥克兰国家实验室);Oak Ridge Institute for Science and Education(奥克兰科学与教育研究所);DHS Science and Technology Directorate(国土安全科学技术局)
研究人工智能系统运营安全中基于信号的模型访问风险,引入SMART框架,依信息信号对攻击者访问分类,概述不同信息暴露水平的逃避攻击,为安全的人工智能部署和采购决策提供依据。
2026-07-21 cs.AI cs.CR
Bad Characters: Imperceptible NLP Attacks
University of Cambridge(剑桥大学);Vector Institute(向量研究所);University of Edinburgh(爱丁堡大学);University of Toronto(多伦多大学)
多年的研究表明,机器学习系统在理论和实践中都容易受到对抗性示例的影响。到目前为止,此类攻击主要针对视觉模型,利用人类和机器感知之间的差距。虽然基于文本的模型也受到了对抗性示例的攻击,但这种攻击很难保持语义和不可解释性。在本文中,我们探索了一大类对抗性示例,这些示例可用于在黑盒设置中攻击基于文本的模型,而无需对输入进行任何人类可感知的视觉修改。我们使用人眼无法感知的编码特定扰动来操纵从神经机器翻译管道到Web搜索引擎的各种自然语言处理(NLP)系统的输出。我们发现,通过一次不可感知的编码注入-代表一个不可见的字符,同源,重新排序或删除-攻击者可以显着降低易受攻击的模型的性能,并且通过三次注入,大多数模型可以在功能上被破坏。我们的攻击针对当前部署的商业系统,包括微软和谷歌生产的系统,以及Facebook、IBM和HuggingFace发布的开源模型。这一系列新颖的攻击对许多语言处理系统构成了重大威胁:攻击者可以以有针对性的方式影响系统,而无需对底层模型进行任何假设。我们的结论是,基于文本的NLP系统需要仔细的输入消毒,就像传统的应用程序一样,并且考虑到这种系统现在正在大规模快速部署,需要架构师和运营商的紧急关注。
2021-12-11 cs.CL cs.CR cs.LG
Dynamic Backdoors with Global Average Pooling
Delft University of Technology(代尔夫特理工大学);Radboud University(拉德堡德大学);University of Padua(帕多瓦大学)
外包培训和机器学习即服务导致了新的攻击媒介,如后门攻击。这种攻击在神经网络中嵌入秘密功能,当触发器被添加到其输入时激活。在文献中的大多数作品中,触发器是静态的,无论是在位置还是模式方面。各种检测机制的有效性取决于此属性。最近的研究表明,图像分类中的对策,如神经净化和ABS,可以通过动态触发器绕过,这些触发器无论其模式和位置如何都是有效的。尽管如此,这种后门的要求很高,因为它们需要很大比例的有毒训练数据。在这项工作中,我们是第一个表明,动态后门攻击可能会发生,由于一个全球平均池层,而不增加中毒的训练数据的百分比。然而,我们在声音分类、文本情感分析和图像分类中的实验表明,这在实践中是非常困难的。
2022-03-04 cs.CR cs.LG
Evaluating the Robustness of a Production Malware Detection System to Transferable Adversarial Attacks
Google Deepmind(谷歌DeepMind);Google(谷歌)
本文以Gmail依赖Magika模型的恶意软件检测流水线为案例,研究发现仅修改13字节即可90%绕过检测,同时提出防御方案使高资源攻击者需改50字节才达20%成功率,且该方案已上线生产环境。
2025-10-02 cs.CR cs.LG
Dragonblood is Still Leaking: Practical Cache-based Side-Channel in the Wild
最近,Dragonblood攻击引起了人们对WPA-3实现的安全性的新兴趣,特别是对许多开源库上部署的Dragonfly代码的兴趣。一种攻击涉及在身份验证期间保护用户密码。在称为Dragonfly的密码认证密钥交换(PAKE)协议中,秘密(即密码)被映射到椭圆曲线点。这种操作是敏感的,因为它涉及秘密密码,因此其对侧信道攻击的抵抗是至关重要的。在最初披露Dragonblood之后,我们注意到这个特定的攻击已经被少数实现部分修补。在这项工作中,我们表明,龙血披露后实施的补丁是不够的。我们利用最先进的技术来扩展原始攻击,证明我们能够只用Dragonblood攻击所需的三分之一的测量来恢复密码。我们主要在两个开源项目:iwd(iNet Wireless Daemon)和FreeRADIUS上应用我们的攻击,以强调我们的攻击的实用性。事实上,由Intel编写的iwd包已经部署在Arch Linux发行版中,该发行版在安全专家中很有名,旨在提供wpa\_supplicant的替代方案。至于FreeRADIUS,它是广泛部署和维护良好的上游开源项目。我们发布了我们攻击的完整概念证明,并积极参与修补易受攻击代码的过程。在这里,从向后兼容性的角度来看,我们建议使用无分支实现作为缓解技术,就像在hostapd中使用的那样,因为它非常简单,并且可以忽略不计。
2020-12-07 cs.CR
A Survey of Attacks on Large Language Models
Department of Electrical and Computer Engineering, University of Minnesota(电气与计算机工程系,明尼苏达大学)
本文系统性综述了面向大语言模型及基于LLM的智能体的对抗攻击,按训练、推理、可用性与完整性三阶段梳理攻击及对应防御,旨在提升对LLM安全风险的关注并推动稳健缓解策略的研究。
2025-05-18 cs.AI cs.CR
The Safeguard Worked. Is the LLM System Safer?
University of Science and Technology of China(中国科学技术大学)
该研究指出LLM防护措施的局部评估指标存在不对称性,需结合攻击者适应后的残留风险,强调防护研究应聚焦于提升部署系统的实际安全性。
2026-11-18 cs.AI cs.CR
DeepPayload: Black-box Backdoor Attack on Deep Learning Models through Neural Payload Injection
Microsoft Research(微软研究院);Beijing University of Posts and Telecommunications(北京邮电大学);Monash University(莫纳什大学)
深度学习模型越来越多地作为关键组件用于移动应用程序。与其漏洞和威胁已被广泛讨论的程序字节码不同,部署在应用程序中的深度学习模型是否以及如何受到损害还没有得到很好的理解,因为神经网络通常被视为黑匣子。在本文中,我们介绍了一种高度实用的后门攻击,它是在编译的深度学习模型上使用一组逆向工程技术实现的。攻击的核心是一个神经条件分支,由触发检测器和几个操作符构成,并作为恶意负载注入受害者模型。该攻击是有效的,因为条件逻辑可以由攻击者灵活地定制,并且可扩展,因为它不需要原始模型的任何先验知识。我们使用5个最先进的深度学习模型和从30个用户那里收集的真实样本来评估攻击效果。实验结果表明,注入后门的成功率为93.5%,而延迟开销小于2ms,准确率下降不超过1.4%。我们进一步对从Google Play收集的真实移动深度学习应用进行了实证研究。我们发现了54个容易受到我们攻击的应用程序,包括流行的和安全关键的应用程序。结果要求深度学习应用程序开发人员和审计人员提高对部署模型的保护。
2021-01-18 cs.AI cs.CR cs.SE
Breaking the Assumptions: Auditing Input-Side Jailbreak Defenses Against Semantic Attacks
NCE Chandi;IIT (BHU)(印度理工学院(瓦拉纳西));IIT Patna(巴特那印度理工学院)
本文针对本地部署大语言模型的输入端越狱防御开展审计,追溯防御失效的假设根源,在6款14B至35B参数的开源权重模型上,用100条来自40余公开源的越狱提示完成13800条评估记录的测试。
2026-08-25 cs.AI cs.CR
Towards Detecting IoT Event Spoofing Attacks Using Time-Series Classification
本文提出基于时间序列分类的机器学习方法检测IoT事件欺骗攻击,利用传感器数据时间特性,在训练样本少100至500倍的情况下,比早期工作更快学习时间特征,有效解决了IoT数据集样本不足的瓶颈。
2024-07-29 cs.CR
Protecting the stack with PACed canaries
堆栈金丝雀仍然是一种广泛部署的防御内存损坏攻击的方法。尽管金丝雀有实际用途,但它们很容易受到记忆泄露和暴力攻击。我们提出了PCan,一种基于ARMv8.3-A指针认证(PA)的新方法,它使用动态生成的金丝雀来减轻这些弱点,并表明它提供了更细粒度的保护,性能开销最小。
2019-09-12 cs.CR
U Can Touch This! Microarchitectural Timing Attacks via Machine Clears
本文提出MCHammer这一新颖侧信道技术,利用自修改代码检测引发的机器清除实现高效微架构定时攻击,较Flush+Reload技术提升跟踪粒度,成功从部署的加密工具中恢复密钥,对现实系统安全有重要影响。
2025-02-14 cs.CR
How Secure is Distributed Convolutional Neural Network on IoT Edge Devices?
Tennessee Technological University(田纳西理工大学)
卷积神经网络(CNN)已在许多应用中获得成功。在资源受限的边缘设备上部署CNN已被证明具有挑战性。采用了跨不同边缘设备的CNN分布式部署。在本文中,我们提出了木马攻击CNN部署在一个分布式的边缘网络在不同的节点。我们提出了五种分布式CNN推理的隐形攻击场景。这些攻击分为触发电路和有效载荷电路。这些攻击在深度学习模型(LeNet,AlexNet)上进行了测试。结果显示了各个层的脆弱性程度以及它们对最终分类的重要性。
2020-06-16 cs.CR cs.CV
Tridirectional Discriminating-Power Formal Verification of Smart Contract Reentrancy Defense Against Production-Deployed Solidity Source
Verdict Security
本文通过 Lean 4 形式化验证了 OpenZeppelin 重入防护模式在三类生产合约(DAO 2016、Compound v2、Aave V3)上的区分能力,即能阻止攻击、保持正常执行并区分安全与脆弱变体。
2026-06-02 cs.CR cs.LO cs.PL