Lightweight Countermeasures Against Static Power Side-Channel Attacks
本文提出一种轻量级防御策略，通过综合时调整高低阈值电压单元选择及运行时随机切换，模糊静态功耗模式，以抵御静态功耗侧信道攻击，在28nm节点上使攻击所需迹线数最多增加96倍。
2024-07-20 cs.CR
A Statistical Verification Method of Random Permutations for Hiding Countermeasure Against Side-Channel Attacks
本文提出基于Fisher-Yates洗牌的随机置换统计验证方法，通过引入n阶置换概念，确保隐藏对策实现的高效性与可靠性，以抵御侧信道攻击。
2023-11-15 cs.CR
Securing Deep Learning Hardware: A Survey of Side-Channel Vulnerabilities and Countermeasures
School of Electrical and Computer Engineering, University of Tehran（德黑兰大学电气与计算机工程学院）
研究深度学习硬件侧信道漏洞与对策，先分类泄漏源和攻击者目标，分析相关攻击研究，再回顾现有防御措施，最后概述关键研究挑战与未来方向。
2026-07-07 cs.CR
A Survey on Adversarial Machine Learning for Code Data: Realistic Threats, Countermeasures, and Interpretations
本文综述了代码语言模型在对抗环境下的安全漏洞，基于CIA三要素将攻击分为投毒、规避和隐私三类，分析了79篇相关论文的威胁模型、攻击技术与对策，并引入可解释AI视角探讨风险联系，为构建更可靠的CLMs提供研究路线图。
2024-11-12 cs.CR
Backing the Wrong Horse: How Bit-Level Netlist Augmentation can Counter Power Side Channel Attacks
针对现有功耗侧信道攻击防御多聚焦字节级泄漏、忽略单比特影响的问题，提出基于单比特泄漏的比特级网表增强防御方案，可抵御传统SCA泄漏模型的攻击。
2025-10-06 cs.CR
Side Channel Attacks on STTRAM and Low-Overhead Countermeasures
自旋转移力矩随机存储器（STTRAM）具有高耐久性、高密度和低泄漏等优点，是一种很有前途的末级高速缓存（LLC）存储器。STTRAM的主要缺点之一是高写入延迟和写入电流。此外，延迟和电流取决于正在写入的数据的极性。这些功能引入了重大的安全漏洞，并使高速缓存存储器暴露于侧信道攻击。在本文中，我们提出了一种新的侧信道攻击模型，对手可以监视存储器阵列的电源电流，以部分识别正在读取或写入的敏感缓存数据。我们提出了几种低成本的解决方案，如短保留STTRAM，1位奇偶校验，多位随机写和恒流写驱动器，以减轻攻击。1-位奇偶校验将32位字的不同写入当前状态的数量减少了30%，并且当前签名被多位随机写入进一步混淆。恒定电流写入使得攻击者更难以使用单个电源电流签名来提取整个字。
2016-03-22 cs.CR
Deep Adversarial Learning on Google Home devices
智能扬声器和基于语音的虚拟助理是物联网模式成功的核心组件。不幸的是，它们容易受到利用机器学习来分析生成的加密流量的各种隐私威胁。为了解决这个问题，可以使用深度对抗学习方法来构建黑盒对策，改变网络流量（例如，经由分组填充）及其统计信息。这封信展示了这种对抗机器学习攻击的对策的不足，并在真实网络数据集上进行了专门的实验活动。结果表明，需要进行重大的重新设计，以确保对市售智能扬声器的适当保护。
2021-02-25 cs.CR
A Tutorial on Adversarial Learning Attacks and Countermeasures
University of Southampton（南安普顿大学）
机器学习算法用于基于训练数据构建系统的数学模型。这样的模型能够在没有明确编程的情况下做出高度准确的预测。这些技术在现代数字经济和人工智能的所有领域都有很多应用。更重要的是，这些方法对于自动驾驶汽车和智能防御系统等快速增长的安全关键应用至关重要。然而，新兴的对抗性学习攻击构成了严重的安全威胁，极大地破坏了此类系统。后者分为四种类型，规避（操纵数据以避免检测），中毒（注入恶意训练样本以破坏再训练），模型窃取（提取）和推理（利用训练数据的过度泛化）。了解这类攻击是制定有效对策的关键第一步。本文提供了关于对抗性机器学习原理的详细教程，解释了不同的攻击场景，并深入了解了针对这种不断上升的威胁的最先进的防御机制。
2022-02-21 cs.AI cs.CR
Double Strike: Breaking Approximation-Based Side-Channel Countermeasures for DNNs
CentraleSupélec（中央苏佩莱克高等师范学院）；Inria（法国国家信息与自动化研究所）；IRISA（布列塔尼信息与系统研究学院）；CNRS（法国国家科学研究中心）；Lab-STICC（实验室、信号与图像处理中心）；Univ. Bretagne-Sud（南布列塔尼大学）；Univ. Rennes（雷恩大学）；INSA Rennes（雷恩国立应用科学学院）；IETR（电子与电信研究所）
本文提出了一种预处理方法，利用MACPRUNING防御措施中的控制流依赖性，成功恢复了DNN中96%的重要权重，揭示了该防御措施的安全性缺陷。
2026-01-13 cs.CR
Challenges and Countermeasures for Adversarial Attacks on Deep Reinforcement Learning
Information Technology University (ITU)（信息技术大学）；Qatar University（卡塔尔大学）；Hamad bin Khalifa University (HBKU)（哈马德·本·哈利法大学）；University of Technology Sydney (UTS)（悉尼科技大学）；Nanyang Technological University (NTU)（南洋理工大学）
深度强化学习（DRL）凭借其快速适应周围环境的出色能力，在现实世界中拥有众多应用。尽管DRL有很大的优势，但它容易受到对抗攻击的影响，这就妨碍了它在现实生活中的关键系统和应用中的使用（例如，智能电网、交通控制和自动驾驶汽车），除非其脆弱性得到解决和缓解。因此，本文提供了一个全面的调查，讨论新出现的攻击在基于DRL的系统和潜在的对策，以抵御这些攻击。我们首先介绍了关于DRL的一些基本背景，并介绍了对机器学习技术的新兴对抗攻击。然后，我们调查更多的细节，对手可以利用攻击DRL随着国家的最先进的对策，以防止这种攻击的漏洞。最后，我们强调了开放的问题和研究挑战，开发解决方案，以应对基于DRL的智能系统的攻击。
2021-09-08 cs.AI cs.CR cs.LG
A Scheduling-Aware Defense Against Prefetching-Based Side-Channel Attacks
本文针对基于预取的侧信道攻击，提出并实现了调度感知防御PreFence，允许进程在安全关键操作期间临时禁用预取器，在可靠阻止泄露的同时保持可忽略的性能影响。
2024-10-01 cs.CR
Availability Adversarial Attack and Countermeasures for Deep Learning-based Load Forecasting
Imperial College London（伦敦帝国学院）
电力负荷预测是电力系统规划和运行的基础。最近，深度学习的进步使得预测更加准确。然而，深度神经网络容易受到对抗攻击。虽然大多数文献都集中在基于完整性的攻击，本文提出了基于可用性的对抗攻击，它可以更容易地实现的攻击者。对于每个预测实例，通过人工神经网络的混合整数重构优化求解可用攻击位置。为了解决这种攻击，提出了一种对抗性训练算法。在仿真中，一个现实的负载预测数据集被认为是和攻击性能进行比较，基于完整性的攻击。同时，对抗性训练算法显着提高了对可用性攻击的鲁棒性。所有代码都可以在https://github.com/xuwkk/AAA_Load_Forecast上找到。
2023-01-04 cs.CR cs.LG cs.SY
A Review of the Duality of Adversarial Learning in Network Intrusion: Attacks and Countermeasures
本文综述了网络入侵中对抗学习的攻击与防御，涵盖数据投毒、测试时规避和逆向工程，并指出真实攻击数据稀缺等研究空白，为构建韧性网络防御奠定基础。
2024-12-18 cs.CR cs.ET
Ciphertext Malleability in Lattice-Based KEMs as a Countermeasure to Side Channel Analysis
Hensoldt France SAS（Hensoldt法国公司）；LTCI Télécom Paris（电信巴黎学院 LTCI）；Palaiseau France（帕莱索法国）
本文提出利用密文可变性作为对策，以对抗基于格的后量子密码学中侧信道攻击的漏洞，并扩展了对FrodoKEM不同安全级别的攻击分析。
2025-12-18 cs.CR
Software implementation level countermeasures against the cache timing attack on advanced encryption standard
高级加密标准（AES）是一种对称密钥加密算法，广泛应用于安全的电子数据传输。当介绍时，虽然它被测试并宣布为安全的，但在2005年，一位名叫伯恩斯坦的研究人员声称它容易受到侧信道攻击。基于缓存的定时攻击是Bernstein演示的侧信道攻击类型，它利用缓存命中和未命中的定时变化。这种攻击可以通过对攻击者屏蔽实际的时间信息来防止。这种屏蔽可以通过改变原始AES软件实现来执行，同时保留其语义。本文提出了可能的软件实现级对策伯恩斯坦的缓存定时攻击。两个简单的软件为基础的对策的概念的基础上的“恒定加密时间”的证明对远程缓存定时攻击的积极成果，我们建立了一个安全的环境中的AES加密。
2014-03-06 cs.CR
This Car is Mine!: Automobile Theft Countermeasure Leveraging Driver Identification with Generative Adversarial Networks
Korea University（高丽大学）
随着汽车变得更加互联，针对汽车盗窃的对策已成为现实世界中的一项重要任务。为了应对汽车盗窃，提出了数据采掘、生物识别和附加认证方法。在目前的对策中，数据采掘方法是捕捉车主驾驶员独特特征的有效方法之一。为了从小偷中识别车主驾驶员，以前的工作对驾驶数据应用了各种算法。这些数据采掘方法利用监督学习，因此需要标记的数据集。然而，要收集和应用盗贼的驾驶模式，是不现实的。为了克服这个问题，我们提出了驾驶员识别方法与GAN。GAN的优点是只需要学习车主驾驶员的数据就可以建立识别模型。我们仅使用所有者驾驶员的数据来训练GAN，并使用经过训练的机器人来识别所有者驾驶员。从实际驾驶数据，我们评估我们的识别模型识别车主驾驶员很好。通过将各种驾驶员身份验证方法与所提出的模型相结合，我们希望工业界能够开发出现实世界中可用的汽车盗窃对策。
2019-11-22 cs.CR cs.LG eess.SP
A Hardware-Friendly Shuffling Countermeasure Against Side-Channel Attacks for Kyber
针对Kyber抗量子密钥封装方案的侧信道攻击威胁，本文提出一种硬件友好型Fisher-Yates洗牌架构，在FPGA上以仅8.7%的效率损失显著提升安全性，优于现有硬件隐藏方案。
2025-07-05 cs.CR
PARAM: A Microprocessor Hardened for Power Side-Channel Attack Resistance
微处理器的功耗是信息泄漏的巨大渠道。虽然此通道最受欢迎的利用是从嵌入式设备中恢复加密密钥，但其他应用程序（如移动应用程序指纹识别、固件的逆向工程和密码恢复）的威胁也越来越大。到目前为止提出的对策是针对特定的应用程序，如加密实现。它们不能扩展到通常在通用微处理器上运行的大量和各种应用。在本文中，我们研究了一个微处理器的设计，称为PARAM与增加抵抗基于功率的侧信道攻击。为了设计PARAM，我们首先确定开源RISC V处理器中最泄漏的模块。我们评估这些模块中的泄漏，然后添加适当的对策。对策取决于每个模块中泄漏的原因，并且可以从确保EDA工具安全翻译的HDL代码的简单修改到混淆数据和地址线从而破坏与处理器功耗的相关性。由此产生的处理器在SASEBO-GIII FPGA板上实例化，并发现即使经过一百万次功率跟踪也能抵抗差分功率分析。与功率侧信道攻击的当代对策相比，在面积和频率上的开销是最小的。
2019-11-20 cs.CR
Masking Countermeasures Against Side-Channel Attacks on Quantum Computers
本研究提出修改量子计算机转译器的掩码防御方案，可在特定门集合可防护的前提下，通过深度线性增长的转译电路隐藏量子电路信息，并在IBM量子计算机上验证了实现可行性。
2025-01-13 cs.CR quant-ph
Securing Contrastive mmWave-based Human Activity Recognition against Adversarial Label Flipping
Purdue University（普渡大学）；Arizona State University（亚利桑那州立大学）
本文针对基于毫米波的对比学习人体活动识别系统，识别出三种标签翻转投毒攻击并提出防御措施，经原型系统验证有效，可扩展至其他无线HAR系统以强化安全设计。
2026-08-06 cs.CR
Determining the Optimal Frequencies for a Duplicated Randomized Clock SCA Countermeasure
本研究通过仿真和FPGA侧信道攻击，确定重复随机时钟对策中，一个频率低于基础频率一半、其余接近但不高于基础频率时，安全性最高且时间开销合理。
2023-07-25 cs.CR
A Desynchronization-Based Countermeasure Against Side-Channel Analysis of Neural Networks
Silicon Austria Labs（奥地利硅谷实验室）；Graz University of Technology（格拉茨工业大学）；Nanyang Technological University（南洋理工大学）；Slovak University of Technology（斯洛伐克工业大学）
本文提出一种基于去同步化的对抗措施，通过隐藏激活函数时序特性来防御神经网络侧信道分析攻击，并在32位ARM Cortex-M4微控制器上验证了其有效性，开销介于2.8%至11%之间。
2023-03-25 cs.CR cs.LG
Systematic Use of Random Self-Reducibility against Physical Attacks
提出一种基于随机自归约性与自正确性的黑盒软件防护方法，在操作层为多种算法增加随机性和冗余，可显著降低 RSA-CRT、Kyber 等场景的侧信道泄漏与故障注入风险。
2024-05-08 cs.CR
Constant time encryption as a countermeasure against remote cache timing attacks
Rijndael在2001年被美国国家标准与技术研究所标准化为高级加密标准（AES）。AES仍被用于加密金融、军事甚至政府机密数据。2005年，Bernstein使用客户端-服务器架构说明了对AES的远程缓存定时攻击，因此在其软件实现中证明了一个侧通道。多年来，已经提出了一些对策，以防止高速缓存时序攻击使用硬件和软件。虽然基于软件的对策是灵活的，易于部署，大多数这样的对策是脆弱的统计分析。在本文中，我们提出了一种新的基于软件的对策，对缓存定时攻击，被称为恒定时间加密，我们相信这是安全的统计分析。我们提出的对策执行重新调度的指令，使加密轮将消耗恒定的时间独立的高速缓存命中和未命中。通过实验，证明了该对策对Bernstein缓存定时攻击是安全的.
2014-03-28 cs.CR
Generalized Power Attacks against Crypto Hardware using Long-Range Deep Learning
本文提出首个无需手动调整即可泛化至多种算法与对策的功耗侧信道深度学习分析系统 GPAM，成功攻击多种硬化的加密硬件实现，为芯片设计团队提供低成本自动化的安全评估方案。
2024-04-26 cs.CR
Stealthy Malware Traffic - Not as Innocent as It Looks
恶意软件在不断发展。虽然现有的对策在恶意软件检测方面取得了成功，但相应的反对策总是不断出现。在这项研究中，提出了一种反对策，避免基于网络的检测方法，将恶意流量作为一个无害的协议。该方法包括两个步骤：业务格式转换和侧信道消息（SCM）。格式转换加密（FTE）将协议语法转换为模仿另一个无害的协议，而SCM则隐藏了流量侧信道。通过将Zeus僵尸网络（Zbot）命令和控制（C & C）流量转换为智能电网相量测量单元（PMU）数据来说明所提出的方法。实验结果表明，变换后的流量被Wireshark识别为同步相量协议，变换后的协议欺骗了当前的侧信道攻击。此外，它表明，一个真正的智能电网相量数据集中器（PDC）接受虚假的PMU数据。
2017-03-07 cs.CR
On Borrowed Time -- Preventing Static Side-Channel Analysis
针对静态功耗 SCA、LLSI 和 IA 等利用电路静态状态的高精度侧信道攻击，本文提出 Borrowed Time，通过监控空闲状态并安全擦除未保护临时存储中的密钥相关数据进行防护，并在 FPGA 实验中验证其有效性。
2024-12-06 cs.CR
R-STELLAR: A Resilient Synthesizable Signature Attenuation SCA Protection on AES-256 with built-in Attack-on-Countermeasure Detection
本文提出R-STELLAR，通过将数字签名衰减的MTD提升至2亿并引入VLB攻击检测器（0.8毫秒响应），将SCA泄露窗口限制在亚毫秒级，显著增强了AES-256的侧信道防护弹性。
2024-08-21 cs.CR eess.SP
Physical Time-Varying Transfer Functions as Generic Low-Overhead Power-SCA Countermeasure
当在物理平台上实现时，数学上安全的密码算法通过其电源泄漏重要的侧信道信息。攻击者可以利用这些侧信道泄漏来提取嵌入式设备的秘密密钥。现有的最先进的对策主要集中在功率平衡，门级屏蔽，或使用噪声注入和签名衰减的信噪比（SNR）降低，所有这些都受到高功率/面积开销，性能下降或不可合成的限制。在这篇文章中，我们提出了一个通用的低开销数字友好的电源SCA对策，利用物理时变传递函数（TVTF）随机洗牌分布开关电容器显着混淆的痕迹在时域中。在TSMC 65 nm CMOS工艺中实现的TVTF-AES的系统级仿真结果显示，与无保护实现相比，MTD提高了> 4000倍，功耗和面积开销接近1.25倍，并且没有任何性能下降。
2020-03-16 cs.AR cs.CR
Countermeasures against Bernstein's remote cache timing attack
缓存定时攻击是一种侧信道攻击，其中由于密码系统的缓存行为而泄漏的定时信息被攻击者用来破坏系统。高级加密标准（AES）被认为是一种安全的加密标准，直到2005年Daniel Bernstein声称AES的软件实现容易受到缓存定时攻击。Bernstein演示了对AES软件实现的远程缓存定时攻击。原始的AES实现可以有系统地改变，以防止缓存定时攻击，通过隐藏自然的缓存定时模式在加密过程中，同时保留其语义。在防止攻击的同时，这种改变不应该使实施变得非常缓慢。在本文中，我们报告我们的实验结果，设计和实施一些可能的对策。
2014-03-28 cs.CR
The Impact of Run-Time Variability on Side-Channel Attacks Targeting FPGAs
针对侧信道攻击的运行时可变性防护措施鲁棒性受超参数影响且缺乏深入分析的问题，本研究提出细粒度动态电压与频率调节执行器，探究FPGA密码实现中运行时可变性与侧信道脆弱性的关联，明确了该类防护的实际效果。
2024-09-16 cs.AR cs.CR
Modern DDoS Threats and Countermeasures: Insights into Emerging Attacks and Detection Strategies
本文综述近十年DDoS攻击演变与检测策略，强调攻击目标多样化及高级对抗策略，探讨可编程交换机等硬件增强检测，并指出开放问题与未来方向。
2025-02-27 cs.CR
Adversarial Attacks and Defenses in Images, Graphs and Text: A Review
Michigan State University（密歇根州立大学）
深度神经网络（DNN）在各个领域的众多机器学习任务中取得了前所未有的成功。然而，对抗性示例的存在引发了人们对将深度学习应用于安全关键型应用程序的担忧。因此，我们已经目睹了越来越多的兴趣，研究攻击和防御机制的DNN模型上的不同数据类型，如图像，图形和文本。因此，有必要系统和全面地概述主要的攻击威胁和相应对策的成功之处。在本调查中，我们回顾了用于生成对抗性示例的最新算法以及对抗性示例的对策，针对三种流行的数据类型，即，图像、图表和文本。
2019-10-09 cs.CR cs.LG stat.ML
Code Polymorphism Meets Code Encryption: Confidentiality and Side-Channel Protection of Software Components
本文提出PolEn，结合代码加密与代码多态，分别抵御侧信道攻击的分析与利用阶段，在RISC-V上实现并验证了其有效性，但带来5-22倍内存和1.8-4.6倍时间开销。
2023-10-11 cs.CR
Secure eFPGA-Enabled Edge LLM Inference: Architectural and Hardware Countermeasures
University of Central Florida（中佛罗里达大学）
本文提出一种混合ASIC+eFPGA架构，结合ASIC的效率和eFPGA的灵活性，通过动态运行监控、侧信道缓解和部署后修补等机制，提升边缘LLM推断系统的安全性和抗攻击能力。
2026-04-24 cs.CR
The Dark (and Bright) Side of IoT: Attacks and Countermeasures for Identifying Smart Home Devices and Services
Uppsala University（乌普萨拉大学）；Hamad bin Khalifa University（哈马德·本·哈利法大学）
我们提出了一种新的基于机器学习的攻击，它利用网络模式来检测智能物联网设备的存在和WiFi无线电频谱中运行的服务。我们进行了广泛的测量活动的数据汇集，我们建立了一个模型，描述了三个流行的物联网灵巧家庭设备，即，Google Nest Mini、Amazon Echo和Amazon Echo Dot。我们证明，它是可能的，以压倒性的概率检测和识别他们的存在和上述设备在拥挤的WiFi场景中运行的服务。这项工作证明，标准的加密技术本身不足以保护最终用户的隐私，因为网络流量本身暴露了设备和相关服务的存在。虽然需要做更多的工作来防止不受信任的第三方检测和识别用户的设备，但我们引入了Eclipse，这是一种减轻这些类型攻击的技术，它重塑了流量，使设备和相关服务的识别类似于随机分类基线。
2021-07-25 cs.CR cs.LG
Logical Maneuvers: Detecting and Mitigating Adversarial Hardware Faults in Space
本文针对太空辐射或对抗性攻击导致的处理器永久性硬件故障，提出基于片上延迟传感器检测、自适应软件重编译与硬件部分重配置相结合的检测-响应对策，并在28nm FPGA的RISC-V处理器上通过近红外激光实验验证了其故障检测与恢复能力。
2025-02-10 cs.CR
NASCTY: Neuroevolution to Attack Side-channel Leakages Yielding Convolutional Neural Networks
侧信道分析（SCA）可以通过利用由设备产生的泄漏来获得与秘密密钥相关的信息。研究人员最近发现，神经网络（NN）可以执行强大的分析SCA，即使是在有对策保护的目标上。本文探讨了神经进化攻击产生卷积神经网络（NASCTY-CNNs）的侧通道痕迹的有效性。NASCTY-CNNs是一种新的遗传算法方法，它将遗传算子应用于结构的超参数以自动产生用于侧通道分析的CNN。结果表明，我们可以实现性能接近国家的最先进的方法，对deserminized泄漏与面具保护，表明类似的神经进化方法提供了一个坚实的场地，为进一步的研究。最后，构建的NN之间的共性提供了关于NASCTY如何构建有效架构和处理应用对策的信息。
2023-01-25 cs.CR cs.NE
Towards Robust LiDAR-based Perception in Autonomous Driving: General Black-box Adversarial Sensor Attack and Countermeasures
University of Michigan（密歇根大学）；UC Irvine（加州大学尔湾分校）
感知在自动驾驶系统中起着关键作用，该系统利用摄像头和LiDAR（光探测和测距）等车载传感器来评估周围环境。最近的研究表明，基于LiDAR的感知很容易受到欺骗攻击，在这种攻击中，对手通过战略性地向受害者的LiDAR传感器发送激光信号来欺骗受害者自动驾驶汽车前面的假车辆。然而，现有的攻击遭受有效性和通用性的限制。在这项工作中，我们进行了第一项研究，以探索当前基于LiDAR的感知架构的一般脆弱性，并发现LiDAR点云中被忽略的遮挡模式使自动驾驶汽车容易受到欺骗攻击。我们构建了第一个黑盒欺骗攻击的基础上，我们确定的漏洞，普遍实现约80%的平均成功率在所有目标模型。我们进行了第一次防御研究，提出了CARLO来减轻LiDAR欺骗攻击。CARLO通过将忽略的遮挡模式视为不变的物理特征来检测欺骗数据，这将平均攻击成功率降低到5.5%。与此同时，我们迈出了探索基于LiDAR的鲁棒感知的通用架构的第一步，并提出了将被忽视的物理特征嵌入到端到端学习中的SVF。SVF进一步将平均攻击成功率降低到2.3%左右。
2020-06-30 cs.CR cs.CV cs.LG
LeakyOhm: Secret Bits Extraction using Impedance Analysis
本文提出一种名为LeakyOhm的新型非侵入式物理侧信道攻击，通过散射参数分析注入高频信号探测芯片寄存器内容引起的阻抗变化，成功破解高阶掩码AES密钥，并探讨了隐藏对策的防御潜力。
2023-10-23 cs.CR
Robust Adversarial Attacks Against DNN-Based Wireless Communication Systems
深度神经网络（DNN）由于其有前途的性能而在无线通信系统中变得流行。然而，与其他基于DNN的应用程序类似，它们容易受到对抗性示例的影响。在这项工作中，我们提出了一个输入不可知的，不可检测的，和强大的对抗攻击对基于DNN的无线通信系统在白盒和黑盒的情况下。我们设计了量身定制的通用对抗扰动（UAP）来执行攻击。我们还使用生成对抗网络（GAN）来为我们的攻击实施不可检测性约束。此外，我们调查我们的攻击对抗对策的鲁棒性。我们表明，在通信方部署的防御机制的存在下，我们的攻击比现有的针对基于DNN的无线系统的攻击表现得更好。特别是，结果表明，即使采用经过深思熟虑的防御措施，基于DNN的无线通信也容易受到对抗攻击的攻击。
2021-02-01 cs.CR
Practical Attacks on Voice Spoofing Countermeasures
University of Waterloo（滑铁卢大学）
语音身份验证已成为银行交易和呼叫中心对话等安全关键型操作中不可或缺的一部分。自动说话人确认系统（ASV）的脆弱性，以欺骗攻击煽动对策（CM）的发展，其任务是区分善意和欺骗的语音。ASV和CM共同构成了今天的语音认证平台，被宣传为可扩展的访问控制机制。我们开发了对CM的第一个实际攻击，并展示了恶意行为者如何有效地制作音频样本，以最严格的形式绕过语音认证。以前的作品主要集中在非主动攻击或对抗策略，对ASV不产生语音在受害者的声音。我们攻击的后果要严重得多，因为我们生成的样本听起来像受害者，消除了任何似是而非的否认的机会。此外，针对CM的少数现有对抗攻击错误地优化了特征空间中的欺骗语音，并且没有考虑ASV的存在，导致在现实设置中失败的劣质合成音频。我们通过我们的关键技术贡献消除了这些障碍：一种新颖的联合损失函数，可以直接在时域中对ASV/CM组合部署进行高级对抗攻击。我们的对手在最先进的身份验证平台上实现了关于黑箱的成功率（高达93.57%）。最后，我们对CM进行了第一次有针对性的电话网络攻击，绕过了几个挑战，并启用了各种潜在的威胁，因为呼叫中心越来越多地使用语音生物识别技术。我们的研究结果对现代语音认证系统的安全性提出了质疑，因为攻击者绕过这些措施来访问用户最有价值的资源的真正威胁。
2021-07-30 cs.CR cs.LG cs.SD
Metal Fillers as Potential Low Cost Countermeasure against Optical Fault Injection Attacks
物理可访问的设备，例如无线传感器网络中的传感器节点或物联网中的“智能”设备，必须能够抵抗广泛的物理攻击，例如侧信道分析和故障注入攻击。在这项工作中，我们专注于ASIC的脆弱性，精确的光学故障注入攻击。在这里，我们建议使用金属填料作为潜在的低成本对策，可能是有效的对广泛的物理攻击。在我们未来的工作中，我们计划评估不同的金属填充物放置方法，选择一个有效的方法，并将其作为额外的设计规则集成到自动化设计流程中。
2022-01-17 cs.AR cs.CR
Prime+Probe 1, JavaScript 0: Overcoming Browser-based Side-Channel Defenses
“缓存中的永恒战争”已经蔓延到浏览器，多种基于缓存的侧信道攻击和对策正在提出。一种常见的对策是禁用或限制被认为对执行攻击至关重要的JavaScript功能。为了评估这种方法的有效性，在这项工作中，我们试图确定这些JavaScript的功能是必不可少的进行基于缓存的攻击。我们开发了一系列的攻击，逐步减少依赖于JavaScript功能，最终在第一个基于浏览器的侧信道攻击，这是完全从级联样式表（CSS）和HTML构建，即使脚本执行完全阻塞。然后，我们表明，避免JavaScript功能使我们的技术在架构上不可知，导致微架构的网站指纹攻击，跨硬件平台，包括英特尔酷睿，AMD锐龙，三星Exynos和苹果M1架构。作为最后的贡献，我们在强化的浏览器环境中评估了我们的技术，包括Tor浏览器，Deter-Fox（Cao等人，CCS 2017）和Chrome Zero（Schwartz等人，NDSS 2018）。我们确认，这些方法都不能完全抵御我们的攻击。我们进一步认为，Chrome Zero的保护需要更全面地应用，如果采取这种方法，Chrome Zero的性能和用户体验将严重下降。
2021-03-08 cs.CR
Stealthy Attack on Algorithmic-Protected DNNs via Smart Bit Flipping
最近，深度神经网络（DNN）已被部署在安全关键系统中，如自动驾驶汽车和医疗设备。在那之后不久，DNN的脆弱性被秘密的对抗性例子所揭示，其中精心制作的输入-通过向原始输入添加微小的扰动-可以导致DNN生成错误分类输出。为了提高DNN的鲁棒性，此后引入了一些基于算法的对抗性示例的对策。在本文中，我们提出了一种新型的对受保护DNN的隐形攻击来规避算法防御：通过DNN权重中的智能位翻转，我们可以保留干净输入的分类准确性，但即使使用算法对策也会对精心制作的输入进行错误分类。为了以一种隐秘的方式欺骗受保护的DNN，我们引入了一种新的方法来有效地找到它们最脆弱的权重，并在硬件中翻转这些位。实验结果表明，我们可以成功地应用我们的隐形攻击对国家的最先进的算法保护的DNN。
2021-12-25 cs.CR
Towards A Critical Evaluation of Robustness for Deep Learning Backdoor Countermeasures
Nanjing University of Science and Technology（南京理工大学）；The University of Adelaide（阿德莱德大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
由于深度学习（DL）后门攻击已被发现是最阴险的对抗攻击之一，因此已经开发了一些对策，并在其各自的威胁模型中定义了某些假设。然而，这些对策的鲁棒性被无意中忽略，这可能会带来严重的后果，例如，对策可能被误用并导致后门检测的错误暗示。这是第一次，我们批判性地研究了现有后门对策的鲁棒性，最初关注的是三个有影响力的模型检查，即神经清洗（S& P '19），ABS（CCS'19）和MNTD（S& P '21）。虽然这三种对策声称它们在各自的威胁模型下工作良好，但它们具有固有的未探索的非鲁棒性情况，这取决于给定的任务，模型架构，数据集和防御超参数等因素，这些因素是\textit{not even rooted from delicate adaptive attacks}。我们演示了如何通过简单地改变上述因素来绕过它们，并与它们各自的威胁模型保持一致。特别地，对于每一个防御，形式证明或实证研究被用来揭示其两个非鲁棒的情况下，它是不作为强大的，因为它声称或期望，特别是最近的MNTD。这项工作突出了彻底评估后门对策的鲁棒性，以避免其误导性的安全影响，在未知的非强大的情况下的必要性。
2022-04-13 cs.AI cs.CR
Make Shuffling Great Again: A Side-Channel Resistant Fisher-Yates Algorithm for Protecting Neural Networks
Slovak University of Technology（斯洛伐克技术大学）；TTControl GmbH（TTControl公司）
本文提出一种抗侧信道攻击的Fisher-Yates洗牌算法，通过掩码和Blakely模乘法消除除法漏洞，在ARM Cortex-M4上验证有效，内存开销为最大层2倍，时间开销随层大小变化。
2025-04-23 cs.AI cs.CR
Adversarial Learning Inspired Emerging Side-Channel Attacks and Defenses
对计算系统的脆弱性的不断发展的攻击需要新颖的防御策略来跟上更新的攻击。本报告讨论了以前关于侧信道攻击（SCA）以及针对缓存和物理邻近攻击的防御工作。然后，我们讨论了所提出的熵盾作为对定时SCA的防御，并解释了我们如何将其扩展到基于硬件的加密应用程序的实现，如“熵盾FPGA”。然后，我们讨论为什么我们要建立新的攻击，希望提出更好的防御策略。
2021-04-08 cs.CR
Horizontal SCA Attacks against kP Algorithm Using K-Means and PCA
侧信道分析攻击利用了从加密算法的实现中泄露的信息。在本文中，我们描述了两个关键的揭示方法，这是基于机器学习算法：K-means和PCA。我们对ECDSA实现进行了攻击，而没有任何关于密钥的先验知识，并且对于没有任何针对水平攻击的对策的实现了100%的准确率，对于具有总线地址排序的实现了88.7%的准确率。在kP操作输入由攻击者控制的情况下（如在签名验证期间），我们实现了98.3%的准确率。
2022-01-05 cs.CR
Extended Abstract: Synthesizable Low-overhead Circuit-level Countermeasures and Pro-Active Detection Techniques for Power and EM SCA
Purdue University（普渡大学）
本研究提出了一种零开销的集成感应器，用于检测电力和电磁侧信道攻击及故障注入攻击，并引入了首个经过硅验证的Saber算法以提升后量子加密的安全性。
2025-11-29 cs.CR
Quantitative Verification of Masked Arithmetic Programs against Side-Channel Attacks
功率侧信道攻击通过统计分析来推断秘密数据，已经成为一种严重的威胁。掩蔽是降低秘密数据与边信道信息之间统计相关性的有效对策。然而，设计掩蔽算法是一个容易出错的过程。在本文中，我们提出了一个混合的方法结合类型推断和模型计数来验证屏蔽算术程序对侧信道攻击。类型推断允许一个有效的，轻量级的过程来确定最可观察的变量，而模型计数帐户的完整性。在程序没有被完全屏蔽的情况下，我们还提供了一种方法来量化程序的安全级别。我们实现了我们的方法在一个工具QMVerif和评估它的密码基准。实验结果表明了该方法的有效性和效率。
2019-01-28 cs.CR
Obelix: Mitigating Side-Channels Through Dynamic Obfuscation
本文提出 Obelix 工具，通过将程序划分为不可区分的统一代码块并结合 Oblivious RAM 存储，首次实现对 TEE 中代码和数据在缓存攻击、单步跟踪及密文侧信道等广泛攻击下的整体防护，同时实现自动化以降低使用门槛。
2025-09-23 cs.CR
Machine Learning for Detecting Data Exfiltration: A Review
University of Adelaide（阿德莱德大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
内容：网络安全、机器学习（ML）和软件工程（SE）交叉领域的研究最近在提出检测复杂数据泄露攻击的对策方面迈出了重要的一步。系统地回顾和综合基于ML的数据泄漏对策对于构建关于这一重要主题的知识体系是重要的。目的：本文旨在系统地回顾基于ML的数据泄漏对策，以识别和分类ML方法，特征工程技术，评估数据集以及用于这些对策的性能指标。该综述还旨在确定基于ML的数据泄漏对策研究中的差距。方法：我们使用系统性文献综述（SLR）方法选择和审查{92}篇论文。结果如下：审查使我们能够（a）将对策中使用的ML方法分类为数据驱动和行为驱动方法，（b）将特征分类为六种类型：行为，基于内容，统计，句法，空间和时间，（c）将评估数据集分类为模拟，合成和真实数据集，（d）确定这些研究使用的11个性能指标。结论：我们的结论是：（i）应探索数据驱动和行为驱动方法的整合;（ii）需要开发高质量和大规模的评估数据集;（iii）应将增量ML模型培训纳入对策;（iv）在制定对策以避免中毒攻击期间应考虑和探索对抗性学习的弹性;及（v）应鼓励使用自动化特征工程，以有效侦测资料外泄攻击。
2021-03-21 cs.CR cs.LG
Hot Pixels: Frequency, Power, and Temperature Attacks on GPUs and ARM SoCs
本文研究了现代 GPU 和 Arm SoC 因 DVFS 机制产生的功率、温度和频率混合侧信道信息泄露问题，利用内部传感器数据与指令及数据的相关性发起攻击，并在 Chrome 和 Safari 上成功演示了像素窃取、历史嗅探和网站指纹攻击。
2023-05-22 cs.CR
