Disparate Vulnerability to Membership Inference Attacks
EPFL（洛桑联邦理工学院）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Alan Turing Institute（艾伦图灵研究所）；University College London（伦敦大学学院）
针对机器学习模型的成员推断攻击（MIA）使攻击者能够确定给定数据记录是否是模型的训练数据的一部分。在本文中，我们提供了一个深入研究的现象，不同的脆弱性对MIA：不平等的成功率MIA对不同的人口亚组。我们首先建立必要和充分的条件MIA被防止，平均和人口子群，使用的概念分布推广。其次，我们得出不同的脆弱性连接到算法公平性和差分隐私。我们表明，公平只能防止不同的漏洞对有限类别的对手。差分隐私限制了不同的脆弱性，但会显著降低模型的准确性。我们表明，天真地应用现有的攻击估计不同的脆弱性MIA可能会导致高估。然后，我们确定哪些攻击适合于估计不同的漏洞，并提供了一个统计框架，这样做可靠。我们对合成和真实世界的数据进行实验，发现在现实环境中存在不同脆弱性的统计学显著证据。代码可在https://github.com/spring-epfl/disparate-vulnerability上获得
2021-09-16 cs.CR cs.CY cs.LG
Data Poisoning Attack Aiming the Vulnerability of Continual Learning
KAIST（韩国科学技术院）
本文提出一种针对特定任务的数据投毒攻击，揭示基于正则化的持续学习方法在无法访问先前任务数据时易受攻击，并在EWC和SI模型上验证了其有效性。
2023-07-03 cs.CR cs.CV cs.LG
Vulnerability-Aware Robust Multimodal Adversarial Training
本文提出VARMAT方法，通过识别各模态的脆弱性提升多模态对抗鲁棒性，实现在多个数据集上显著提升鲁棒性性能。
2025-11-22 cs.CR cs.LG
TaskShuffler++: Real-Time Schedule Randomization for Reducing Worst-Case Vulnerability to Timing Inference Attacks
本文提出了一种调度随机化算法，以减少实时的【形】系统的脆弱性定时推理攻击，试图学习任务执行的时间。它利用运行时的信息随时可用在每个调度决策点，以增加任务调度的不确定性水平，同时保持原来的可扩展性。随机化算法显著降低了对手正确预测在任意时间将运行什么任务的最佳机会。本文还提出了一个信息理论的措施，可以量化的最坏情况下的脆弱性，从防御者的角度来看，一个任意的实时的【形】时间表。
2019-11-18 cs.CR
On the Vulnerability of Digital Fingerprinting Systems to Finite Alphabet Collusion Attacks
本文提出了一种新的，非线性共谋攻击数字指纹系统。该攻击是针对有限字母表的指纹系统提出的，但可以扩展到连续字母表。我们分析的错误概率的攻击提出的一些类的随机和确定性的计划，并获得正确估计主机信号所需的共谋者的数量上的界限。也就是说，它需要更少数量的共谋者来击败指纹方案。我们的模拟结果表明，我们的攻击是更强大的，在实践中比理论界预测。
2016-04-27 cs.CR
ALIBI: Adaptive Agentic Attacks on LLM-Based Vulnerability Detectors via Adversarial Code Comments
Northeastern University（东北大学）
研究如何通过对抗性代码注释对基于大语言模型的漏洞检测器进行自适应智能体攻击，提出ALIBI框架，将现实世界漏洞修复提交转换为编码任务评估多个检测器，发现其高度易受攻击，揭示攻击面并推动安全意识设计。
2026-07-29 cs.CR
Android Tapjacking Vulnerability
Android是一个开源的移动操作系统，主要由Google开发。它被用于全球移动设备的很大一部分。在本文中，我将研究一种通常被称为窃听的攻击。我将把攻击分开，并通过实施攻击所需的每一个步骤。然后，我将探讨攻击者可用的各种有效载荷选项。最后，我将谈谈攻击的可行性以及缓解策略。
2015-07-30 cs.CR
Attack Potential in Impact and Complexity
据报道，漏洞利用是针对计算机系统的主要攻击媒介之一。然而，大多数漏洞仍未被攻击者利用。因此，至关重要的是，要查明具有高“攻击潜力”的脆弱性。在本文中，我们依靠赛门铁克的数据在野外检测到的真实攻击，以确定一个权衡的影响和复杂性的漏洞，在它产生的攻击方面，利用这种效果，我们设计了一个容易计算的估计漏洞的攻击潜力，可靠地估计预期的攻击量对漏洞。我们评估我们的估计器的性能对标准的修补政策，通过测量挫败的攻击和所需的工作量表示的漏洞需要修补的数量。我们表明，我们的估计显着提高了标准的修补政策，排除低风险的漏洞，同时保持不变的覆盖范围，对攻击在野外。我们的估计器可以用作漏洞优先级的急救工具，将评估工作集中在高潜在漏洞上。
2018-01-15 cs.CR
VLAI: A RoBERTa-Based Model for Automated Vulnerability Severity Classification
本文提出基于RoBERTa的VLAI模型，利用60余万真实漏洞文本微调，实现82%以上严重性分类准确率，并开源集成至Vulnerability-Lookup，以加速人工CVSS评分前的漏洞分流。
2025-07-04 cs.CR
SlotGCG: Exploiting the Positional Vulnerability in LLMs for Jailbreak Attacks
Dongguk University-Seoul（东国大学-首尔）
本文提出SlotGCG方法，通过量化提示中不同插入位置（槽）的脆弱性得分（VSS），选择最脆弱的位置插入对抗性令牌，从而显著提升基于优化的越狱攻击成功率。
2026-06-04 cs.AI cs.CR cs.LG
Enhancing Vulnerability Reports with Automated and Augmented Description Summarization
Department of Computer Science at the University of Central Florida（佛罗里达中央大学计算机科学系）；Department of Computer Science at Northeastern Illinois University（北伊利诺伊大学计算机科学系）；Department of Computer Science at Qatar University（卡塔尔大学计算机科学系）；Ewha Womans University（成均馆大学）
本文提出Zad系统，通过双流水线利用外部资源丰富NVD漏洞描述，结合编码器构建数据集并微调预训练模型生成全面描述，有效提升了漏洞信息质量。
2025-04-29 cs.AI cs.CR cs.LG
On the Validity of Traditional Vulnerability Scoring Systems for Adversarial Attacks against LLMs
College of Technological Innovation Zayed University（扎耶德大学技术创新学院）
本研究通过量化比较 56 种针对大语言模型的对抗攻击在 CVSS 等传统漏洞评分系统下的评分变异，揭示现有指标因取值刚性而难以有效区分攻击，并提出需开发更灵活、通用的 LLM 专用漏洞评估指标。
2024-12-28 cs.AI cs.CR
A Benchmark Suite for Evaluating Caches' Vulnerability to Timing Attacks
处理器缓存中基于时间的侧通道或隐蔽通道继续对计算机系统构成威胁，它们是最近许多Spectre和Meltdown攻击的关键。基于改进现有的三步模型的缓存定时为基础的攻击，这项工作提出了88强类型的理论定时为基础的漏洞在处理器缓存。为了理解和评估处理器缓存中所有可能类型的漏洞，本文进一步提出并实现了一个新的基准套件，该套件可用于测试给定处理器或缓存设计易受哪些类型的基于缓存定时的攻击。总共有1094个自动生成的测试程序，涵盖了88个理论漏洞。基准测试套件生成缓存计时漏洞分数，可用于评估特定缓存实现对不同攻击的脆弱程度。较小的Cache Timing Vulnerability Score意味着设计更安全，并且可以很容易地比较不同机器之间的分数。评估是在商用英特尔和AMD处理器上进行的，显示处理器实现的差异可能导致它们容易受到不同类型的攻击。除了测试商用处理器之外，基准测试和缓存定时漏洞分数还可用于帮助新安全处理器缓存的设计者评估其设计对基于缓存定时的攻击的敏感性。
2019-11-19 cs.CR
RAVEN: Agentic RAG for Automated Vulnerability Repair
University of Duisburg-Essen（杜伊斯堡- Essen大学）
提出RAVEN框架，集成智能体RAG管道与可控迭代修复，利用开源LLM实现跨类型、跨语言的自动化漏洞修复，在160个真实CVE上达到83.13%修复成功率。
2026-06-23 cs.CR cs.LG cs.SE
Poster: Machine Learning for Vulnerability Detection as Target Oracle in Automated Fuzz Driver Generation
提出一种自动化模糊测试驱动生成工作流，利用机器学习漏洞检测模型作为目标预言机识别潜在漏洞函数，并自动生成驱动进行模糊测试以验证漏洞，在 libgd 现有漏洞上展示了该方法。
2025-05-02 cs.CR
CVEfixes: Automated Collection of Vulnerabilities and Their Fixes from Open-Source Software
Simula Research Laboratory（西莫拉研究实验室）
对源代码中安全漏洞的自动发现和修复进行数据驱动的研究需要真实易受攻击的代码及其修复的全面数据集。为了帮助这样的研究，我们提出了一种方法来自动收集和策划一个全面的漏洞数据集，从公共的国家漏洞数据库（NVD）中的常见漏洞和暴露（CVE）记录。我们在一个完全自动化的数据集收集工具中实现了我们的方法，并分享了名为CVEfixes的漏洞数据集的初始版本。CVEfixes收集工具自动从NVD获取所有可用的CVE记录，从相关的开源存储库收集易受攻击的代码和相应的修复程序，并将收集到的信息组织到关系数据库中。此外，数据集还包含了诸如程序设计语言等元数据，以及五个抽象级别的详细代码和安全度量。该集合可以很容易地重复，以保持最新的新发现或修补的漏洞。CVE修复的初始版本涵盖了截至2021年6月9日的所有已发布的CVE，涵盖了1754个开源项目的5365条CVE记录，这些项目在总共5495次漏洞修复提交中得到了解决。CVEfixes支持各种类型的数据驱动的软件安全研究，例如漏洞预测，漏洞分类，漏洞严重性预测，分析与安全性相关的代码更改以及自动漏洞修复。
2021-07-19 cs.AI cs.CR cs.LG
The Vulnerability of LLM Rankers to Prompt Injection Attacks
The University of Queensland（昆士兰大学）；CSIRO（澳大利亚联邦科学与工业研究组织）
本文研究了大语言模型排序器对提示注入攻击的脆弱性，通过实验证明不同架构和设置下的攻击效果，并揭示了编码器-解码器架构的抗性。
2026-02-18 cs.CR
Automated Reasoning for Vulnerability Management by Design
Department of Computer Science, University of Oxford（牛津大学计算机科学系）；IRIT, CNRS, UT2（IRIT、CNRS、UT2）
本文提出一种基于形式化基础的自动化推理机制，集成于开源安全设计工具，用于系统性地识别漏洞、指定缓解选项并管理系统设计的漏洞态势。
2025-07-08 cs.AI cs.CR cs.LO
Information Leakage through Physical Layer Supply Voltage Coupling Vulnerability
本文提出一种通过物理层电源电压耦合（PSVC）的新型侧信道漏洞，无需物理访问或修改设备即可提取信息，经通用微控制器实验验证其有效性，并发现最低工作电压设计可降低该风险。
2024-03-12 cs.CR
Evaluating the Vulnerability of ML-Based Ethereum Phishing Detectors to Single-Feature Adversarial Perturbations
本研究评估以太坊钓鱼检测模型对单特征对抗攻击的脆弱性，发现攻击影响因算法而异，并提出对抗训练与特征选择等缓解策略以增强鲁棒性。
2025-04-24 cs.CR
NatGVD: Natural Adversarial Example Attack towards Graph-based Vulnerability Detection
针对基于图的漏洞检测模型对抗鲁棒性不足的问题，提出NatGVD攻击方法，通过保语义的图结构代码变换生成自然对抗样本，对主流检测器最高达53.04%规避率，并探索了对应防御策略。
2025-10-06 cs.CR
An Attacker Modeling Framework for the Assessment of Cyber-Physical Systems Security
描述攻击者在网络物理系统中的行为对于确保这些系统的安全态势和恢复能力非常重要。传统的网络脆弱性评估方法依赖于网络安全专家的知识和经验来进行安全分析，在缺乏专家知识和经验的情况下可能不一致。本文提出了一种灵活的攻击者建模框架，通过模拟不同的攻击者行为来预测攻击进展并提供一致的系统漏洞分析，从而帮助进行安全分析。该模型提出了一种扩展的漏洞数据库架构，以最大限度地提高其有效性和一致性，在检测CPS漏洞，同时与现有的漏洞数据库兼容。该模型具有针对实际或虚拟CPS实施和模拟的能力。攻击者模型的执行被证明对模拟的工业控制系统架构，导致攻击者行为的概率预测。
2021-03-16 cs.CR
Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科罗拉多斯普林斯分校 (UCCS)）
本文提出基于SBOM图学习的方法，通过构建异构图预测软件供应链中的多漏洞攻击链，验证结果显示模型在识别漏洞关联和预测攻击链方面具有高准确率。
2026-07-17 cs.CR cs.LG cs.SE
Security Theater: On the Vulnerability of Classifiers to Exploratory Attacks
University of Louisville（路易斯维尔大学）；Onycom Inc.（奥尼康公司）
网络攻击的规模和复杂性日益增加，导致采用基于机器学习的分类技术，作为网络安全系统的核心。这些技术承诺的规模和准确性，传统的基于规则或签名的方法不能。然而，在对抗域中操作的分类器容易受到对手的逃避攻击，对手能够通过采用智能制作的探针来学习系统的行为。在这些领域的分类准确性提供了一种虚假的安全感，因为通过仔细扰动输入样本可以很容易地逃避检测。在本文中，一个通用的数据驱动的框架，分析了脆弱性的分类系统的黑盒探测为基础的攻击。该框架使用基于探索开发的策略，以了解对手的攻击防御周期的观点。对手假设防御者的分类器的黑盒模型，并且可以在没有防御者的模型类型、训练数据或应用领域的信息的情况下对其发起无差别攻击。在10个真实世界数据集上的实验评估表明，即使是具有高感知准确度（>90%）的模型，也可以被防御者以高规避率（平均> 95%）有效规避。详细的攻击算法、对抗模型和实证评估，服务。
2018-03-24 cs.CR cs.LG stat.ML
Using ML filters to help automated vulnerability repairs: when it helps and when it doesn't
University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文研究在自动化漏洞修复流程中用机器学习模型作为测试前初步过滤器的可行性，推导了精确率与召回率的理论界限，并据此评估了现有漏洞检测器相比仅基于测试的APR4Vuln流水线需要达到的速度条件。
2025-04-09 cs.CR cs.LG cs.SE
Vulnerability of linear systems against sensor attacks--a system's security index
Lund University（隆德大学）；University of Melbourne（墨尔本大学）
研究线性系统在传感器攻击下的安全指数，利用纠错编码理论提出攻击检测与纠正的充分条件。
2016-02-21 cs.CR cs.SY eess.SY
AutoVulnPHP: LLM-Powered Two-Stage PHP Vulnerability Detection and Automated Localization
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Nankai University（南开大学）；The 15th Research Institute of China Electronics Technology Group Corporation（中国电子科技集团公司第十五研究所）
AutoVulnPHP通过结合两阶段漏洞检测与细粒度自动定位，利用LLM提升PHP漏洞检测的准确性和定位精度，首次构建大规模PHP漏洞数据集并验证其实际应用效果。
2026-01-07 cs.CR cs.SE
Quantifying Membership Inference Vulnerability via Generalization Gap and Other Model Metrics
University of Central Florida（中佛罗里达大学）；University of Texas San Antonio（德克萨斯大学圣安东尼奥分校）
我们演示了目标模型的泛化差距如何直接导致一个有效的确定性黑盒成员推断攻击（MIA）。这提供了基于简单度量的模型对MIA的安全性的上限。此外，这种攻击被证明是最佳的预期意义上只访问某些可能获得的度量有关的网络的训练和性能。实验表明，这种攻击在许多情况下与最先进的MIA的准确性相当。
2020-09-11 cs.CR cs.LG stat.ML
Vulnerability of Blockchain Technologies to Quantum Attacks
量子计算对当今运行的许多密码协议构成了威胁。据估计，到2035年，将有一台量子计算机能够破解重要的加密方案RSA 2048。区块链技术依赖于加密协议来实现其许多基本子例程。这些协议中的一些，但不是全部，对量子攻击开放。在这里，我们分析了当今部署的主要基于区块链的加密货币-包括比特币，以太坊，莱特币和ZCash，并确定它们对量子攻击的风险敞口。最后，我们对所研究的加密货币及其底层区块链技术以及它们对量子攻击的相对脆弱性进行了比较分析。
2021-05-05 cs.CR cs.CY cs.ET
Effects of Differential Privacy and Data Skewness on Membership Inference Vulnerability
Georgia Institute of Technology（佐治亚理工学院）
成员推断攻击试图推断私人训练模型的各个训练实例的成员。本文提出了一个会员隐私分析和评估系统，称为MPLens，有三个独特的贡献。首先，通过MPLens，我们演示了如何在对抗性机器学习中利用成员推断攻击方法。其次，通过MPLens，我们强调了预训练模型在成员推断攻击下的脆弱性在所有类中是不一致的，特别是当训练数据本身是偏斜的时候。我们发现，当模型使用倾斜的训练数据时，成员推断攻击的风险通常会增加。最后，我们调查的有效性差分隐私作为缓解技术对成员推断攻击。我们讨论了实施这种缓解策略的权衡模型的复杂性，学习任务的复杂性，数据集的复杂性和隐私参数设置。我们的实证结果表明，（1）少数群体在偏斜的数据集显示成员推理的风险增加和（2）差分隐私提出了许多具有挑战性的权衡作为缓解技术的成员推理风险。
2019-11-21 cs.CR cs.LG stat.ML
Effect of Ambient-Intrinsic Dimension Gap on Adversarial Vulnerability
Purdue University（普渡大学）；Michigan State University（密歇根州立大学）
本研究引入流形上和流形外对抗攻击概念，证明数据内在维度与环境维度的差距使2层ReLU网络更易受流形外对抗扰动影响，并给出了攻击强度与维度差距的显式关系。
2024-03-23 cs.CR cs.LG stat.ML
DeepCVA: Automated Commit-level Vulnerability Assessment with Deep Multi-task Learning
CREST - The Centre for Research on Engineering Software Technologies, The University of Adelaide（CREST - 工程软件技术研究中心，阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
越来越多的人建议识别代码提交中的软件漏洞（SV），以提前警告潜在的安全风险。然而，在检测到对安全性有贡献的提交后，缺乏对它们进行评估的努力，以及时提供有关SV的可利用性、影响和严重性的信息。这些信息对于规划和优先考虑已识别SV的缓解措施非常重要。我们提出了一种新的深度多任务学习模型DeepCVA，基于通用漏洞评分系统（CVSS）指标同时自动执行七个提交级漏洞评估任务。我们对246个真实软件项目中包含542个不同SV的1，229个可扩展性贡献提交进行了大规模实验，以评估我们模型的有效性和效率。我们发现DeepCVA是性能最好的模型，马修斯相关系数比许多监督和无监督基线模型高出38%至59.8%。DeepCVA所需的训练和验证时间比七个累积评估模型少6.3倍，从而大大降低了模型维护成本。总的来说，DeepCVA提供了第一个有效和高效的解决方案，可以在软件系统的早期自动评估SV。
2021-08-18 cs.CR cs.LG cs.SE
Exposing the Systematic Vulnerability of Open-Weight Models to Prefill Attacks
本研究揭示了开放权重模型对预填充攻击的系统性漏洞，通过评估多种策略发现其普遍易受攻击，强调了加强防御的必要性。
2026-02-16 cs.AI cs.CL cs.CR
Learning-Based Vulnerability Analysis of Cyber-Physical Systems
Duke University（杜克大学）；University of Florida（佛罗里达大学）
这项工作的重点是使用深度学习的网络物理系统（CPS）的脆弱性分析。具体来说，我们考虑CPS中广泛使用的控制架构（例如，机器人技术），其中低级控制基于例如，扩展卡尔曼滤波器（EKF）和异常检测器。为了便于分析潜在的感知攻击可能产生的影响，我们的目标是开发能够设计最大限度地降低系统运行的隐形攻击的学习攻击发生器。我们展示了如何在一个基于学习的灰盒框架内解决这个问题，其中攻击者知道部分运行时信息，并介绍了两个基于前馈神经网络（FNN）的模型;两个模型都是离线训练的，使用组合了对估计误差的攻击效果和用于异常检测的残留信号的成本函数，使得训练的模型能够实时递归地生成这种有效的传感器攻击。所提出的方法的有效性说明了几个案例研究。
2022-04-07 cs.CR cs.LG cs.SY
LLM Agents for Automated Web Vulnerability Reproduction: Are We There Yet?
本文首次全面评估20个LLM智能体在80个真实CVE上的Web漏洞复现能力，发现其在复杂服务型漏洞上失败，性能受输入指导影响超33%，凸显环境适应与自主求解能力的不足。
2025-10-16 cs.CR cs.SE
Economic Factors of Vulnerability Trade and Exploitation
网络犯罪市场支持新攻击技术、漏洞利用和恶意软件的开发和传播。虽然网络攻击者的收入流在文献中已经被研究过多次，但目前还没有关于攻击获取和部署的经济学的定量说明。然而，这种理解对于描述（交易）漏洞的产生、驱动它的经济及其对整体攻击场景的影响至关重要。在本文中，我们提供了一个实证调查的经济脆弱性利用，以及市场因素的影响，利用的可能性。我们的数据是从俄罗斯一个著名的网络犯罪市场收集的，安全行业报告的最活跃的攻击工具的交易发生在那里。我们的研究结果显示，地下漏洞的价格与合法漏洞搜索程序的漏洞相似或更高，并且漏洞的刷新周期比目前通常假设的要慢。另一方面，网络犯罪分子在引入选定漏洞方面变得越来越快，市场在参与者、交易漏洞和漏洞定价方面都在明显扩张。然后，我们评估了这些市场变量对攻击实现可能性的影响，并找到了市场活动和利用部署之间相关性的有力证据。我们讨论的脆弱性指标，经济和利用测量的影响。
2018-01-03 cs.CR
Asymmetry Vulnerability and Physical Attacks on Online Map Construction for Autonomous Driving
本研究首次系统分析自动驾驶在线地图构建模型的对称性偏见漏洞，提出两阶段攻击框架，通过物理干扰使地图精度降9.9%、44%路线不可达，并验证了根本原因。
2025-09-07 cs.CR
Visual Analytics of Neuron Vulnerability to Adversarial Attacks on Convolutional Neural Networks
University of California, Davis（加州大学戴维斯分校）；Visa Research（Visa研究院）；Linköping University（林雪平大学）
对卷积神经网络（CNN）的对抗攻击-将人类无法感知的扰动注入输入图像-可以欺骗高性能的CNN做出错误的预测。对抗攻击的成功引发了人们对CNN鲁棒性的严重担忧，并阻止了它们用于安全关键型应用，如医疗诊断和自动驾驶。我们的工作通过回答两个问题引入了一种视觉分析方法来理解对抗攻击：（1）哪些神经元更容易受到攻击，以及（2）这些脆弱的神经元在预测过程中捕获了哪些图像特征？对于第一个问题，我们引入了多个基于扰动的措施，将攻击幅度分解为单个CNN神经元，并根据其脆弱性级别对神经元进行排名。对于第二种，我们识别图像特征（例如，猫耳朵），其高度刺激用户选择的神经元以增强和验证神经元的责任。此外，我们支持一个交互式的探索大量的神经元，通过帮助层次聚类的神经元的角色在预测的基础上。为此，视觉分析系统被设计为结合视觉推理来解释对抗攻击。我们验证了我们的系统的有效性，通过多个案例研究，以及从领域专家的反馈。
2023-03-06 cs.CR cs.CV cs.HC
Vulnerability Analysis of Smart Contracts
区块链平台和智能合约容易受到安全漏洞的攻击。智能合约的安全漏洞导致了加密货币和代币方面的巨大财务损失。在本文中，我们对智能合约的脆弱性分析进行了系统的调查。我们首先简要介绍智能合约中存在的主要攻击类型和漏洞。然后，我们讨论了现有的框架，方法和技术用于漏洞检测。我们在一个表格中总结了我们的发现，该表格列出了每个框架及其保护的攻击。
2022-12-15 cs.CR
On the Vulnerability of Data Points under Multiple Membership Inference Attacks and Target Models
University of Padua（帕多瓦大学）；TU Delft（代尔夫特理工大学）；University of Washington（华盛顿大学）；Radboud University（拉德堡德大学）
成员推断攻击（MIA）推断数据点是否在机器学习模型的训练数据中。在训练数据是一个数据点的私人信息时是一个威胁。MIA正确地推断某些数据点是训练数据的成员或非成员。直觉上，MIA准确检测到的数据点是脆弱的。考虑到这些数据点可能存在于易受多个MIA影响的不同目标模型中，多个MIA和目标模型下的数据点的脆弱性值得探索。本文定义了新的度量指标，能够反映数据点的实际脆弱性情况，捕捉多个MIA和目标模型下的脆弱数据点。分析表明，尽管整体推理性能较低，但MIA对某些数据点具有推理倾向。此外，我们实现了54个MIA，其平均攻击精度范围从0.5到0.9，以支持我们的分析与我们的可扩展和灵活的平台，成员推断攻击平台（VMIAP）。此外，以前的方法不适合在多个MIA和不同目标模型下发现脆弱数据点。最后，我们观察到漏洞不是数据点的特征，而是与MIA和目标模型相关。
2022-10-28 cs.AI cs.CR
The Security War in File Systems: An Empirical Study from A Vulnerability-Centric Perspective
本文从可扩展性的角度对现代文件系统的安全性进行了系统的研究。具体来说，我们收集了377个文件系统漏洞提交到过去20年的CVE数据库。我们从四个维度来描述它们，包括为什么会出现漏洞，如何利用漏洞，会产生什么后果，以及如何修复漏洞。通过这种方式，我们可以深入了解文件系统面临的攻击面、攻击面造成的威胁以及减轻文件系统中攻击的良好和不良做法。我们设想，我们的研究将带来的见解对未来的发展文件系统，增强文件系统的安全性，以及相关的漏洞缓解解决方案。
2022-04-26 cs.CR
Harnessing the Vulnerability of Latent Layers in Adversarially Trained Models
Adobe Inc（奥多比公司）；IIT Hyderabad（印度理工学院海得拉巴分校）
神经网络很容易受到对抗攻击--视觉上难以察觉的精心制作的小噪声，当添加到输入中时，会大大改变输出。防御这些对抗攻击的最有效方法是使用对抗训练的方法。我们分析了对抗性训练的鲁棒模型，以研究它们在潜在层水平上对对抗攻击的脆弱性。我们的分析表明，相反的输入层，这是强大的对抗攻击，这些强大的模型的潜在层是非常容易受到小幅度的对抗扰动。利用这些信息，我们引入了一种新技术潜在对抗训练（LAT），该技术包括微调对抗训练的模型，以确保特征层的鲁棒性。我们还提出了潜在攻击（LA），一种用于构建对抗性示例的新算法。LAT导致测试准确性的微小改善，并导致针对MNIST，CIFAR-10，CIFAR-100数据集显示的通用一阶对抗PGD攻击的最先进的对抗准确性。
2019-06-25 cs.CR cs.CV cs.LG
VulnGym: Evaluating Vulnerability Management Strategies against Advanced Persistent Threats
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；Gran Sasso Science Institute（格兰萨索科学研究所）
针对企业网络受APT攻击及现有漏洞管理评估缺陷，提出VulnGym模拟工具，通过模拟基于真实APT配置文件训练的攻击者与执行可配置补丁策略的防御者对抗，依多因素定制漏洞管理，经实验验证其有效性。
2026-07-28 cs.CR
APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching
本文提出基于LLM的自动化漏洞补丁系统APPATCH，通过漏洞语义推理和自适应提示技术，在无需测试输入和模型微调的情况下生成补丁，在多个漏洞数据集上表现优于现有方法。
2025-04-02 cs.CR cs.SE
A Survey on EOSIO Systems Security: Vulnerability, Attack, and Mitigation
EOSIO作为最具代表性的区块链3.0平台之一，包含了很多新功能，例如，委托权益证明共识算法和可更新的智能合约，实现更高的每秒交易和繁荣的去中心化应用程序（DApps）生态系统。据统计，它已经达到近180亿美元，在整个加密货币市场中排名第三，仅次于比特币和以太坊。然而，漏洞隐藏在阴影中。著名的赌博DApp EOSBet在一个月内被攻击两次，损失超过100万美元。没有现有的工作调查EOSIO从安全研究人员的角度来看。为了填补这一空白，本文收集了所有针对EOSIO的攻击事件，并系统地研究了其根源，即，EOSIO的所有依赖组件都存在漏洞，以及相应的攻击和缓解措施。我们还总结了一些最佳实践，供DApp开发者、EOSIO官方团队和安全研究人员参考。
2022-07-19 cs.CR
Vulnerability of Face Recognition Systems Against Composite Face Reconstruction Attack
University Of Houston（休斯顿大学）
四舍五入置信度被认为是微不足道的，但一个简单而有效的对策，以阻止基于梯度下降的图像重建攻击。然而，它在面对更复杂的重建攻击的能力是一个未经调查的研究领域。本文证明了基于合成人脸的人脸重构攻击可以揭示舍入策略作为对策的无效性。我们假设攻击者利用面部合成部分，这有助于攻击者访问面部最重要的特征或将其分解为独立的片段。然后，分解的片段被利用作为搜索参数，以创建一个搜索路径，以重建最佳的脸。人脸组成部分使攻击者能够侵犯人脸识别模型的隐私，即使是盲搜索。然而，我们假设，攻击者可以利用随机搜索来更快地重建目标人脸。该算法以随机组成的人脸部分作为初始人脸，置信度作为适应度值。我们的实验表明，由于舍入策略作为对策不能停止随机搜索过程，目前的人脸识别系统是非常容易受到这种复杂的攻击。为了解决这个问题，我们成功地测试了人脸检测分数过滤（FDSF）作为一种对策，以保护隐私的训练数据对拟议的攻击。
2020-08-23 cs.CR cs.CV cs.LG
EaTVul: ChatGPT-based Evasion Attack Against Software Vulnerability Detection
CSIRO’s Data61（联邦科学与工业研究组织Data61）；Swinburne University of Technology（斯威本科技大学）；DST Group, Australia（澳大利亚国防科学与技术集团）
本文提出EaTVul方法，结合支持向量机、注意力机制、ChatGPT与模糊遗传算法生成对抗样本，对软件漏洞检测模型实施规避攻击，实验证明其在特定条件下攻击成功率可达100%，凸显了加强防御的必要性。
2024-07-27 cs.AI cs.CR cs.SE
Survey of Automated Vulnerability Detection and Exploit Generation Techniques in Cyber Reasoning Systems
Pace University（佩斯大学）
本文综述了DARPA网络大挑战赛中获胜系统Mayhem和Mechanical Phish的自动化漏洞检测与利用生成技术，总结了其核心方法、底层技术及相关工作。
2026-06-19 cs.CR
Adversarial Vulnerability of Temporal Feature Networks for Object Detection
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
考虑跨时间域的信息有助于改善自动驾驶中的环境感知。然而，到目前为止还没有研究时间融合神经网络是否容易受到故意产生的扰动，即对抗攻击，或者时间历史是否是对它们的固有防御。在这项工作中，我们研究了用于目标检测的时间特征网络是否容易受到普遍的对抗攻击。我们评估了两种类型的攻击：整个图像的不可感知噪声和局部绑定的对抗补丁。在这两种情况下，扰动都是使用PGD以白盒方式生成的。我们的实验证实，即使攻击一部分时间输入也足以欺骗网络。我们直观地评估生成的扰动，以深入了解攻击的功能。为了增强鲁棒性，我们使用5-PGD进行对抗训练。我们在KITTI和nuScenes数据集上的实验表明，通过K-PGD增强的模型能够承受所研究的攻击，同时保持基于mAP的性能与未受攻击的模型相当。
2022-08-23 cs.CR cs.CV cs.LG
Vulnerability Analysis of GWireless
近年来，由于移动设备采用的增加，无线联网已经变得非常流行。随着越来越多的员工要求为他们的设备提供Wi-Fi接入，越来越多的公司已经加入了“自带设备”（BYOD）的潮流[1]，以安抚他们的员工。企业无线基础设施的一个这样的示例是乔治华盛顿大学的GWireless。在这个项目中，我将尝试使用通常所说的“邪恶孪生”攻击从连接到GWireless网络的用户那里捕获身份验证凭证的散列。我将记录所使用的硬件、软件以及配置设备所采取的步骤。然后，我将评估这种攻击的可行性，探索攻击的变化，并记录可以采取的措施，以防止这种攻击。
2015-08-09 cs.CR
FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and Reproduction
Texas A&M University（德克萨斯农工大学）
本文提出FuzzingBrain V2，通过多智能体系统解决LLM在漏洞检测中的三大挑战：自动化分析、精准定位与复杂依赖推理，实现了90%的检测率并发现29个零日漏洞。
2026-05-20 cs.CR cs.SE
False Data Injection Attacks on Hybrid AC/HVDC Interconnected System with Virtual Inertia -- Vulnerability, Impact and Detection
电力系统正在向混合AC/DC电网发展，其中集成了HVDC链路、可再生资源和能量存储模块。新的频率控制模型必须考虑这些组件之间复杂的相互作用。与此同时，应更加关注网络安全问题，因为这些控制策略高度依赖可能受到网络攻击的数据通信。针对这一问题，本文旨在分析具有虚拟惯性的交直流关联系统上的虚假数据注入（FDI）攻击，并开发先进的诊断工具来揭示其发生。我们建立了一个基于优化的框架的脆弱性和攻击影响分析的目的。考虑到攻击对系统频率稳定性的影响，仿真结果表明，与无虚拟惯性的交直流并联系统和正常交流系统相比，具有虚拟惯性的交直流并联系统更容易受到FDI攻击。然后，我们提出了一种检测方法，以检测和隔离每个FDI入侵与足够快的响应，甚至恢复攻击值。在理论分析的基础上，对具有虚拟惯性仿真能力的两区域交直流关联系统进行了仿真，验证了所提方法的有效性。
2020-05-30 cs.CR math.OC
Assessment of System-Level Cyber Attack Vulnerability for Connected and Autonomous Vehicles Using Bayesian Networks
Benedict College（本尼迪克特学院）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Clemson University（克莱姆森大学）
本研究提出了一种方法来量化网络攻击的脆弱性及其影响的基础上概率图形模型的智能交通系统下连接和自动驾驶汽车的框架。基于选定的性能指标，计算智能信号和协同自适应巡航控制（CACC）应用的各种类型的网络攻击漏洞及其影响。数值算例表明，在平均交叉口排队长度，停车次数，平均速度和延误方面的脆弱性的影响。在具有和不具有冗余系统的信号化网络中，脆弱性可分别使平均队列和延迟增加$3\%$和$15\%$以及$4\%$和$17\%$。对于CACC应用，当少量速度信息被扰动时，影响水平平均达到$50\%$延迟差。当攻击者插入显著不同的速度特性时，延迟差增加到超过正常业务条件的$100\%$。
2020-11-18 cs.AI cs.CR cs.SY
Technical Information on Vulnerabilities of Hypercall Handlers
现代虚拟化服务基础设施暴露了能够实现高严重性攻击的攻击媒介，例如针对虚拟机管理程序的攻击。访客VM（虚拟机）的恶意用户可以经由超级调用来执行针对底层管理程序的攻击，超级调用是从完全或部分半虚拟化的访客VM的内核到管理程序的软件陷阱。利用超级调用处理程序的漏洞可能会产生严重后果，例如更改虚拟机管理程序的内存，从而导致使用虚拟机管理程序权限执行恶意代码。尽管超级调用处理程序的漏洞很重要，但关于它们的公开信息并不多。这严重阻碍了保护超级调用接口的进展。在这项工作中，我们提供了关于公开披露的超级调用处理程序漏洞的深入技术信息。我们的漏洞分析是基于逆向工程发布的补丁修复所考虑的漏洞。对于每个分析的漏洞，我们提供了了解漏洞所必需的背景信息，以及有关易受攻击的超级调用处理程序和导致漏洞的错误的信息。我们还展示了如何触发漏洞，并讨论了触发漏洞后目标虚拟机管理程序的状态。
2014-10-05 cs.CR
