Classification of Encrypted IoT Traffic Despite Padding and Shaping
众所周知，当物联网流量未加密时，可以根据其TCP/IP报头识别活动设备。当流量被加密时，数据包的大小和时间仍然可以用来加密。为了抵御这种指纹，引入了流量填充和整形。在本文中，我们证明了当使用整形和填充时，数据包大小分布仍然可以用于成功地对活动的物联网设备进行指纹识别，只要对手知道这些缓解措施已经部署，即使填充和整形参数的值是未知的。我们在分析中使用的主要工具是数据包大小的完整分布，而不是常用的统计数据，如均值和方差。我们进一步展示了一个外部对手如何只看到填充和整形流量的聚合和隐藏在NAT中间盒后面，可以准确地识别活动设备的子集，召回率和精度至少为96%。我们还表明，对手可以区分的时间窗口，只包含虚假的覆盖数据包的窗口与真正的设备活动，粒度为$1sec$时间窗口，81%的准确性。使用类似的方法，但现在在防御者方面，我们也能够检测由于Mirai蠕虫导致的物联网流量中的异常活动。
2021-10-21 cs.CR
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
Exploring Encrypted Keyboards to Defeat Client-Side Scanning in End-to-End Encryption Systems
本文提出一种作为系统键盘运行的加密键盘，使用户能在本地加密和解密消息，从而绕过客户端扫描（CSS），并在现有端到端加密应用之上增加额外一层 E2EE 保护。
2023-07-07 cs.CR
CONTEX-T: Contextual Exploitation of Encrypted Traffic for Device Fingerprinting via Transformer Time-Frequency Analysis
Queen’s University（女王大学）
本文提出CONTEX-T框架，利用加密流量元数据中的设备级信息，通过时频分析和视觉变换器实现高精度设备分类，揭示了加密流量中持久的时频特征，为物联网安全提供了新的研究方向。
2026-04-15 cs.CR
TAPAS: Tricks to Accelerate (encrypted) Prediction As a Service
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
机器学习方法被广泛用于各种预测问题。\emph{Prediction as a service}是具有技术专长和计算资源的服务提供商可以为客户端执行预测的范例。然而，数据隐私严重限制了这些服务的适用性，除非设计了使客户数据保密的措施（甚至对服务提供商）。同样重要的是尽量减少客户端和服务器之间所需的计算和通信量。全同态加密提供了一种可能的出路，客户端可以借此加密其数据，服务器可以在其上执行算术计算。使用全同态加密的主要缺点是在加密数据上评估大型机器学习模型所需的时间量。我们结合了机器学习文献中的思想，特别是神经网络的二值化和稀疏化，以及使用加密数据加速和并行计算的算法工具。
2018-06-09 cs.CR cs.LG stat.ML
Private Embedding Lookup with Encrypted Compact Queries under Fully Homomorphic Encryption
Department of Mathematical Sciences, Seoul National University（首尔大学数学科学系）；CryptoLab Inc.（CryptoLab公司）
针对全同态加密中私有嵌入查找开销大的问题，提出独立向量评估方法，通过构建线性无关向量替代独热向量，将向量生成成本从O(p log p)降至O(p)，并利用离散余弦变换基变换恢复嵌入向量，实现高达78.4倍的加速。
2026-06-07 cs.CR
Split Ways: Privacy-Preserving Training of Encrypted Data Using Split Learning
分裂学习（SL）是一种新的协作学习技术，其允许参与者（例如，客户端和服务器）在客户端不共享原始数据的情况下训练机器学习模型。在此设置中，客户端首先将其部分机器学习模型应用于原始数据以生成激活图，然后将其发送到服务器以继续训练过程。该领域的先前工作表明，重构激活图可能导致客户端数据的隐私泄露。除此之外，克服SL隐私泄露的现有缓解技术证明在准确性方面明显更差。在本文中，我们通过构建一个基于U形SL的协议来改进以前的工作，该协议可以对同态加密数据进行操作。更准确地说，在我们的方法中，客户端在将激活映射发送到服务器之前对其应用同态加密（HE），从而保护用户隐私。与其他基于SL的作品相比，这是减少隐私泄露的重要改进。最后，我们的结果表明，在最佳参数集下，与在明文上训练相比，在U形SL设置中使用HE数据进行训练仅使准确率降低2.65%。此外，原始训练数据隐私被保留。
2023-01-20 cs.CR cs.LG
HE-Guardrail: A Homomorphic Guardrail Against Jailbreak Attacks for Encrypted Large Language Model Inference
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Inha University（仁荷大学）；Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院）
针对HE-LLM推理中恶意客户端越狱攻击难以检测的问题，提出HE-Guardrail框架，在加密数据上同态运行防护栏并控制响应返回，实验复现明文防护栏决策，实现安全-效率-效用权衡。
2026-09-21 cs.AI cs.CR
To Share or Not to Share in Client-Side Encrypted Clouds
随着云计算的出现，出现了许多云提供商，向普通消费者和商业组织提供云即服务（SaaS）产品。SaaS（与此上下文中的软件即服务不同）是指云提供商在自己的基础设施上提供数字存储的架构模型。SaaS提供商之间存在三种模型来保护存储在云中的机密数据：1）不加密（数据以纯文本存储），2）服务器端加密（数据在上传后加密），以及3）客户端加密（数据在上传前加密）。本文试图找出第三种模型的弱点，因为它声称在所有数据交易中提供100%的用户数据机密性（例如，上传、下载、共享）。我们发现的弱点主要集中在这样一个事实上，即我们评估的云提供商都在证书颁发机构的能力下运行，以促进数据共享。在这种情况下，他们承担了公钥基础设施（PKI）方案中所表示的证书颁发者和证书授权者的角色-这使他们能够查看用户数据，这与他们声称的100%数据机密性相矛盾。我们在本文中整理了我们的分析和发现，并探索了一些潜在的解决方案，以解决这些共享方法中的这些弱点。所提出的解决办法综合了与使用公用钥匙基础结构和其他为保护共享信息的机密性而普遍接受的密码原语有关的最佳做法。
2014-11-20 cs.CR cs.DC
EncDBDB: Searchable Encrypted, Fast, Compressed, In-Memory Database using Enclaves
数据机密性是将数据库外包到云时客户的重要要求。可信执行环境（如英特尔SGX）为这种加密问题提供了高效的基于硬件的解决方案。现有的解决方案没有针对面向列的内存数据库进行优化，并且对安全区提出了不切实际的内存要求。我们提出了EncDBDB，一种新的方法，用于客户端控制的面向列的加密，内存中的数据库，允许使用飞地范围搜索。EncDBDB提供了九个加密字典，为数据提供不同的安全性，性能和存储效率权衡。它特别适合于复杂的、面向读取的分析查询，例如，如存在于数据仓库中。与纯文本处理相比，即使对于具有数百万条目的数据库，计算开销也在毫秒内，并且泄漏是有限的。压缩的加密数据比相应的明文列需要更少的空间。此外，安全区中产生的代码和数据非常小，减少了安全相关实现错误和侧通道泄漏的可能性。
2020-02-12 cs.CR
Data-driven control on encrypted data
我们提供了一个有效的和私人的解决方案，以解决问题的防御感知数据驱动的控制。我们调查了一个控制即服务的场景，其中客户端采用服务提供商提供的专业外包控制解决方案。客户端系统的隐私敏感模型参数不可用或可变。因此，我们要求服务提供者以隐私保护的方式对来自客户端的输入-输出数据样本执行数据驱动控制。为此，我们共同设计的控制方案方面的控制性能和隐私规范。首先，我们制定我们的控制算法的基础上，最近的结果从行为框架，我们证明了经典的配方和我们的配方，占噪声和加密所产生的精度误差之间的接近。其次，我们使用了一个国家的最先进的水平同态加密计划，使服务提供商执行高复杂度的计算客户端的加密数据，确保隐私。最后，我们简化我们的解决方案，利用丰富的数据结构，并精心采用密文加密和重排操作，使并行化。与我们以前的工作相比，该解决方案实现了两倍以上的运行时间和内存改进。
2021-06-21 cs.CR cs.SY eess.SY
Disposable-key-based image encryption for collaborative learning of Vision Transformer
本文提出一种基于一次性密钥图像加密的ViT协作学习方法，客户端独立加密训练图像并可直接丢弃密钥，在CIFAR-10上验证了分类精度并降低通信成本。
2024-08-11 cs.CR
Quantitative Analysis of DoS Attacks and Client Puzzles in IoT Systems
拒绝服务（DoS）攻击是当今互联网的主要安全威胁。这一挑战与物联网（IoT）尤其相关，因为设备的计算能力、内存和安全机制都较低，无法缓解DoS攻击。本文提出了一个模型，模仿物联网设备网络的独特特征，包括实现“加密谜题”的系统组件-一种DoS缓解技术。我们在系统上创建了一个模拟的DoS攻击，并进行了定量分析，以模拟这种攻击可能对系统产生的影响，评估物联网系统中安全性和吞吐量之间的权衡。我们通过PRISM中的随机模型检验对此进行建模，并提供证据支持这一点，作为一种有价值的方法来比较物联网系统不同实现的效率，并通过案例研究进行了说明。
2017-10-30 cs.CR
OmniShare: Securely Accessing Encrypted Cloud Storage from Multiple Authorized Devices
Dropbox和Google Drive等云存储服务被个人和企业广泛使用。这些服务的两个吸引人的特征是1）多个客户端设备之间的文件的自动同步和2）与其他用户共享文件的可能性。然而，云数据的隐私是个人和企业日益关注的问题。在上传数据之前在客户端加密数据是一种有效的隐私保护措施，但它要求所有客户端设备都具有解密密钥。目前的解决方案仅从用户选择的密码中获得这些密钥，这些密码具有低熵并且容易被猜测。我们提出了OmniShare，第一个允许客户端加密高熵密钥的方案，同时提供了一个直观的密钥分发机制，使从多个客户端设备访问。我们使用低带宽单向带外（OOB）通道（如QR码）来验证新设备，而不是使用密码。为了补充这些OOB通道，云存储本身被用作我们协议中设备之间的通信通道。我们依靠基于目录的密钥层次结构和单独的文件密钥来限制密钥泄露的后果，并允许在不需要重新加密的情况下有效地共享文件。OmniShare是一款开源软件，目前可用于Android和Windows以及其他正在开发的平台。我们描述了OmniShare的设计和实现，并解释了我们如何使用正式的方法来评估其安全性，通过真实世界的基准测试其性能，以及通过认知演练其可用性。
2016-12-29 cs.CR
MLQENABLER: Enabling Secure Machine Learning Queries over Encrypted Database in Cloud Computing
Department of Computer Science, Michigan Technological University（计算机科学系，密歇根技术大学）
针对云计算中加密数据库无法进行安全机器学习查询的问题，提出MLQENABLER方案，采用索引辅助方法，在实现安全的同时具备机器学习能力，实验显示其能达到可接受安全级别，且ML性能仅有轻微下降。
2026-07-10 cs.CR cs.LG
EP-HDC: Hyperdimensional Computing with Encrypted Parameters for High-Throughput Privacy-Preserving Inference
Department of Computer Science and Engineering（计算机科学与工程系）；Department of Electrical Engineering（电气工程系）；Ulsan National Institute of Science and Technology (UNIST)（乌山国立科学与技术研究院）
针对同态加密在批量推理中计算与传输开销大的问题，提出带加密参数的超维度计算框架EP-HDC，在客户端执行同态加密推理，显著提升了吞吐量与延迟并保护数据与模型安全。
2025-11-01 cs.AI cs.CR
Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption
提出一种结合AI与同态加密的隐私保护攻击检测框架，部署于区块链节点，通过SIMD打包和FedAvg分布式学习实现高效加密训练，检测精度损失仅0.01%。
2024-12-18 cs.CR
Secure Inference for Vertically Partitioned Data Using Multiparty Homomorphic Encryption
针对垂直分区数据，提出基于多方同态加密的安全推理协议，通过打包方案聚合密文实现加密域推理，避免传输模型权重。
2024-07-22 cs.CR
Neonpool: Reimagining cryptocurrency transaction pools for lightweight clients and IoT devices
针对加密货币全节点交易池内存压力，本文提出基于 bloom filter 变体的 Neonpool 优化方案，在 Bitcoin/Ethereum 数据集上实现超过 99.99% 的交易验证转发准确率且无需硬分叉，适用于轻量级客户端和 IoT 等资源受限设备。
2025-03-17 cs.CR
Cloud-based MPC with Encrypted Data
University of Pennsylvania（宾夕法尼亚大学）
本文研究了线性系统中带有输入约束的云外包模型预测控制（MPC）的隐私问题，提出了一种部分同态加密系统来保护客户端数据隐私，并设计了两种云-MPC架构协议，分别由单个服务器和两个独立非合谋服务器计算控制输入，同时分析了加密引入的误差和通信、MPC性能与隐私之间的权衡。
2018-09-19 cs.CR cs.SY eess.SY
Multiparty Cloud Computation
随着云计算的日益普及，客户将其数据外包到云计算，以利用无限的虚拟化存储空间和低管理成本。这种趋势促使了私有资源计算，称为\emph{multiparty cloud computation}（\MCC）：给定$k$客户端将其数据存储在云中，他们如何通过贡献其私有数据作为输入并利用云的强大计算能力来执行联合功能。也就是说，客户端希望将计算与其存储在云中的私有数据一起提供给云，这在计算涉及大型数据集时自然发生，例如，分析恶意URL。我们注意到，\MCC \问题不同于广泛考虑的概念，例如，安全多方计算和具有服务器辅助的多方计算。为了解决这个问题，我们引入的概念，\emph{homomorphic threshold proxy re-encryption}计划，这是加密方案，享有三个有前途的属性：代理重新加密-转换加密数据的一个用户的加密数据的目标用户，阈值解密-解密加密数据通过组合秘密密钥份额获得的一组用户，和同态计算-评估功能的加密数据。为了证明所提出的方法的可行性，我们提出了一个加密方案，它允许任何人计算任意多个加法和最多一个乘法。
2012-06-17 cs.CR
Server-side Fingerprint-Based Indoor Localization Using Encrypted Sorting
作为导航主要来源的GPS信号在室内环境中不起作用。因此，Wi-Fi接入点已开始越来越多地用于通过依赖于基于指纹的方法在建筑物内进行定位和跟踪。然而，对于这些类型的方法，已经出现了关于用户隐私的几个问题。恶意的个人可以通过简单地分析他们的无线信号来确定客户端的日常习惯和活动。虽然已经有努力将隐私纳入现有的基于指纹的方法，他们是有限的同态加密方案的特点，他们采用。在本文中，我们建议利用另一个同态算法，即DGK，其独特的加密排序能力，从而将大部分的计算推到服务器端，以提高这些方法的性能。我们开发了一个Android应用程序，并在哥伦比亚大学宿舍内测试了我们的系统。与现有系统相比，结果表明，在客户端可以实现更多的节能，DGK可以是一个可行的选择，具有更强大的服务器计算能力。
2020-08-26 cs.CR
A Multi-Client Searchable Encryption Scheme for IoT Environment
针对物联网中单所有者多客户端场景，提出支持动态更新、前后向隐私及去中心化存储的对称可搜索加密方案，实现高效撤销访问，性能与安全性优于现有工作。
2023-05-16 cs.CR
ZeroDB white paper
ZeroDB是一个端到端的加密数据库，使客户端能够在不向数据库服务器暴露加密密钥或明文数据的情况下对加密数据进行操作（搜索，排序，查询和共享）。熟悉的客户端-服务器架构没有改变，但查询逻辑和加密密钥被推到客户端。由于服务器无法洞察数据的性质，因此消除了数据通过服务器端数据泄露而暴露的风险。即使服务器被成功渗透，攻击者也无法访问明文数据，也无法从磁盘或RAM快照中获得任何有用的信息。ZeroDB提供了端对端加密，同时保持了现代数据库所期望的大部分功能，如全文搜索、排序和范围查询。此外，ZeroDB使用代理重新加密和/或增量密钥技术来实现加密数据的安全、精细共享，而无需向服务器公开密钥，也无需在数据库用户之间共享相同的加密密钥。
2016-03-08 cs.CR cs.DB
MemFHE: End-to-End Computing with Fully Homomorphic Encryption in Memory
数据量的不断增加和问题的日益复杂导致了对云计算的日益依赖。然而，许多应用程序，特别是在医疗保健，金融或国防，要求安全和隐私，今天的解决方案不能完全解决。全同态加密（FHE）通过在处理过程中增加数据的机密性，提升了当今解决方案的标准。它允许对完全加密的数据进行计算，而无需解密，从而完全保护隐私。为了能够以可用的经典安全级别处理加密数据，例如，128位，加密过程引入了明显的数据大小扩展-密文比本机数据类型的本机聚合大得多。在本文中，我们提出了MemFHE，这是第一个加速器的客户端和服务器的最新的环GSW（Gentry，Sahai和Waters）的同态加密计划，使用内存处理（PIM）。PIM解决了大型FHE加密数据的数据移动问题，同时提供了FHE多项式运算所需的原位执行和广泛的并行性。虽然客户端PIM可以同态加密和解密数据，但服务器PIM可以处理同态加密的数据而无需解密。MemFHE的服务器PIM是流水线的，旨在提供灵活的引导，允许两种加密技术和各种FHE安全级别的基础上的应用程序的要求。我们评估MemFHE的各种安全级别，并将其与最先进的CPU实现基于环GSW的FHE。MemFHE在FHE算术运算方面比CPU（GPU）快20 kx（265倍），在使用FHE实现神经网络时，平均吞吐量比最先进的技术高2007倍。
2022-04-26 cs.AR cs.CR
Lightweight, Practical Encrypted Face Recognition with GPU Support
LG Electronics（LG电子）；Universidade de São Paulo（圣保罗大学）；Next-Generation Computing Research Lab, CTO, LG Electronics（LG电子CTO下一代计算研究实验室）
针对加密人脸识别中计算和内存开销高的问题，提出BSGS-Diagonal算法和GPU优化内核，实现快速、低内存的相似度计算，显著减少旋转密钥数量并提升运行时性能。
2026-09-24 cs.CR
TLS Beyond the Broker: Enforcing Fine-grained Security and Trust in Publish/Subscribe Environments for IoT
消息队列代理是物联网的基本构建块，通常用于从发布客户端向订阅客户端存储转发消息。通常，单个可信代理提供安全（例如TLS）和不安全的连接，但中继消息而不管其入站和出站保护。这种混合模式是为了提高效率而促进的，因为TLS对于0类IoT设备上的MQTT实现来说是一个相当大的负担。这样的代理，从而透明地互连安全和不安全连接的设备，我们认为，这种混合模式的操作实际上可以是一个重大的安全问题：客户端只能控制自己的连接到代理的安全级别，但他们不能对其他客户端实施任何保护。我们描述了这样的发布/订阅机制的增强，以允许通过仅经由满足期望的安全级别的连接转发消息来执行发布者或订阅者的指定安全级别。例如，通过安全通道发布消息的客户机可以指示代理将消息专门转发给安全连接的订阅者。我们为MQTT协议原型实现了我们的解决方案，并提供了详细的开销测量。
2021-09-02 cs.CR
PM-Dedup: Secure Deduplication with Partial Migration from Cloud to Edge Servers
本文提出PM-Dedup方法，将部分重复数据删除检查与所有权证明任务从云端迁移到边缘服务器的可信执行环境中，以降低延迟和网络及云端开销，同时保障云存储中加密数据重复数据删除的安全性。
2025-01-04 cs.CR cs.NI
Peek-a-Boo: I see your smart home activities, even encrypted!
灵巧家庭环境中的灯泡、开关、扬声器等无数物联网设备使用户能够轻松控制周围的物理世界，并通过这些设备中已经嵌入的传感器促进他们的生活方式。传感器数据包含大量关于用户和设备的敏感信息。然而，在灵巧家庭环境内部或附近的攻击者可能潜在地利用这些设备所使用的固有无线介质来从加密的有效载荷中泄露敏感信息（即，传感器数据），侵犯用户隐私。考虑到这一点，在这项工作中，我们介绍了一种新的多阶段的隐私攻击，在智能环境中对用户隐私。它是利用最先进的机器学习方法来实现的，用于检测和识别物联网设备的类型、它们的状态以及级联方式中正在进行的用户活动，方法是仅被动地嗅探来自灵巧家庭设备和传感器的网络流量。该攻击对加密和未加密的通信都有效。我们评估了攻击的效率与实际测量从一组广泛的流行的现成的灵巧家庭物联网设备利用一组不同的网络协议，如WiFi，ZigBee和BLE。我们的研究结果表明，对手被动嗅探流量可以达到非常高的准确性（90%以上），在确定目标灵巧家庭设备及其用户的状态和动作。为了防止这种隐私泄露，我们还提出了一种对策，基于生成欺骗流量来隐藏设备状态，并证明它提供了比现有解决方案更好的保护。
2020-05-13 cs.CR
LLMs Can Understand Encrypted Prompt: Towards Privacy-Computing Friendly Transformers
Tsinghua University（清华大学）；Sudo Privacy（Sudo隐私公司）
针对大语言模型隐私推理框架开销过高的问题，本文提出用隐私计算友好的近似算子替换Transformer中密集型算子，相比Iron实现5倍计算加速与80%通信开销降低，且准确率几乎不变。
2023-12-15 cs.CL cs.CR cs.LG
FedMint: Intelligent Bilateral Client Selection in Federated Learning with Newcomer IoT Devices
Lebanese American University（黎巴嫩美国大学）；Polytechnique Montréal（蒙特利尔理工学院）；Khalifa University（哈利法大学）；Zayed University（扎耶德大学）；New York University（纽约大学）；Mohammad Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
联邦学习（Federated Learning，FL）是一种新的分布式隐私保护学习范式，它支持多个参与者（例如，物联网设备）用于训练机器学习模型。然而，选择将有助于这种合作培训的参与者是非常具有挑战性的。采用随机选择策略会带来很大的问题，因为数据质量以及参与者之间的计算和通信资源存在异质性。虽然在文献中已经提出了几种方法来克服随机选择的问题，这些方法中的大多数遵循单边选择策略。事实上，他们的选择策略只基于联邦服务器端，而忽略了过程中客户机设备的利益。为了克服这个问题，我们在本文FedMint，智能客户端选择方法联邦学习物联网设备上使用博弈论和自举机制。我们的解决方案包括以下设计：（1）用于客户端IoT设备和联合服务器的偏好功能，以允许它们根据诸如准确性和价格之类的若干因素对彼此进行排名，（2）在其设计中考虑双方偏好的智能匹配算法，以及（3）利用多个联合服务器的协作以便为新连接的IoT设备分配初始准确度值的自举技术。根据我们的模拟结果，我们的策略在最大化客户端设备的收入和全球联邦学习模型的准确性方面超过了VanillaFL选择方法。
2022-10-31 cs.CR cs.DC cs.GT
LEP-CNN: A Lightweight Edge Device Assisted Privacy-preserving CNN Inference Solution for IoT
在资源受限的物联网设备上及时支持卷积神经网络（CNN）推理一直是新兴智能系统面临的突出挑战。为了减轻物联网设备的负担，主流的解决方案是将通常由数十亿次操作组成的CNN推理任务卸载到公共云。然而，“卸载到云”解决方案在将敏感数据移动到云时可能会导致隐私泄露。为了保护隐私，研究界已经求助于先进的加密原语和近似技术来支持CNN对加密数据的推断。因此，这些尝试会导致物联网设备上不切实际的计算开销，并降低CNN的性能。此外，依赖远程云可能会导致额外的网络延迟，甚至在网络连接关闭时使系统功能障碍。我们提出了一种非常轻量级的边缘设备辅助私有CNN推理解决方案，即LEP-CNN。LEP-CNN的主要设计基于一种新的在线/离线加密方案。LEP-CNN的解密是通过利用CNN最耗时操作的线性特性离线预先计算的。因此，LEP-CNN允许物联网设备安全地卸载超过99%的CNN操作，边缘设备可以像在明文上一样高效地对加密数据执行CNN推理。LEP-CNN还提供完整性检查选项，帮助物联网设备检测错误结果，成功率超过99%。在AlexNet上的实验表明，对于资源受限的物联网设备，LEP-CNN可以将CNN推理速度提高35倍以上。利用CryptoNets实现了一个基于同态加密的AlexNet，并与LEP-CNN进行了比较，以证明LEP-CNN在时间敏感场景下具有比基于同态加密的隐私保护神经网络更好的性能。
2019-01-14 cs.CR
I-(OT)^2: A Client-optimal Oblivious Transfer Protocol for IoT Devices
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
针对物联网设备等客户端计算受限场景，提出一种基于二次剩余问题的1-out-of-2不经意传输协议，通过轻量级离线预计算将在线计算负担几乎全部转移给发送方，显著降低接收方计算和通信开销。
2026-06-01 cs.CR
Generating One-Hot Maps under Encryption
针对同态加密（尤其是CKKS方案）下机器学习场景中独热映射的生成需求，本文分析了客户端打包存储映射的权衡因素，提出多种加密数据转换算法并给出开销，为相关设计提供参考。
2023-06-11 cs.CR
Security and Privacy-Preservation of IoT Data in Cloud-Fog Computing Environment
物联网是发展最快的技术，在各个领域都有广泛的应用。物联网设备每秒从现实环境中生成数据，并将其传输到云端，因为边缘站点的存储空间较少。外包云是处理存储问题的解决方案。用户的隐私可以通过将数据存储在云上而暴露。因此，我们提出了一种私有数据存储模型，该模型将物联网数据存储在外包云上，并具有隐私保护。雾节点在边缘侧用于数据分区和加密。在外包云上借助同态加密聚合分区和加密的数据。为了安全查询处理和访问来自外包云的数据，可以在外包云上使用引入的模型。
2022-12-01 cs.CR
Blockchain-based Federated Learning for Device Failure Detection in Industrial IoT
设备故障检测是工业物联网（IIoT）中最基本的问题之一。然而，在传统的IIoT设备故障检测中，客户端设备需要将原始数据上传到中央服务器进行模型训练，这可能导致敏感业务数据的泄露。因此，在本文中，为了确保客户端数据隐私，我们提出了一种基于区块链的联邦学习方法，用于IIoT中的设备故障检测。首先，我们提出了一个基于区块链的联邦学习系统的平台架构，用于IIoT中的故障检测，该系统可以实现客户端数据的可验证完整性。在该架构中，每个客户端定期创建一个Merkle树，其中每个叶节点代表一个客户端数据记录，并将树根存储在区块链上。此外，为了解决IIoT故障检测中的数据异构性问题，我们提出了一种新的质心距离加权联邦平均（CDW\_FedAvg）算法，该算法考虑了每个客户端数据集的正类和负类之间的距离。此外，为了激励客户参与联邦学习，根据本地模型训练中使用的客户数据的大小和质心距离，设计了一种基于智能触点的激励机制。与我们的行业合作伙伴一起实现了所提出的架构的原型，并在可行性，准确性和性能方面进行了评估。结果表明，该方法是可行的，具有令人满意的精度和性能。
2020-10-18 cs.CR cs.DC cs.SE
Memory Forensic Analysis of MQTT Devices
物联网正在以其在医疗、自动化、家庭安全、智慧城市等领域的广泛应用彻底改变当今时代，随着这些物联网设备的使用越来越多，对其安全性和应用协议的威胁也在增加。通过这些协议的流量如果被拦截，可能会泄露敏感信息，并导致控制整个物联网网络。本文的范围仅限于MQTT协议。MQTT（MQ Telemetry Transport）是一种用于IoT设备之间通信的轻量级协议。有多个代理和客户端可用于发布和订阅服务。出于安全目的，必须保护流量、代理和最终客户端应用程序。本文演示了从运行代理和客户端应用程序的设备中提取敏感数据。
2019-08-20 cs.CR
IoT Monitoring with Blockchain: Generating Smart Contracts from Service Level Agreements
针对物联网服务监控中SLA违规证据易被篡改的信任问题，本研究开发了一个Java库，能根据给定SLA自动生成智能合约，结合区块链技术实现无可辩驳的违规监控，并在远程患者监控模拟场景中达到100%的捕获成功率。
2024-08-23 cs.CR cs.DC cs.ET
Quantum Searchable Encryption for Cloud Data Based on Full-Blind Quantum Computation
针对云环境多客户端加密数据搜索问题，提出基于通用电路的多客户端 FBQC 模型并结合 Grover 算法构建量子可搜索加密方案，验证其可抵抗内外部攻击并保证数据与计算盲性。
2023-09-24 cs.CR cs.ET quant-ph
CHRONOS: A Hardware-Assisted Phase-Decoupled Framework for Secure Federated Learning in IoT
Faculty of Information Technology, Van Lang School of Technology, Van Lang University（范浪大学技术学院信息技术系）
CHRONOS通过硬件辅助分离加密设置与训练阶段，提升物联网联邦学习的安全性，减少聚合延迟并抵御梯度 inversion 攻击。
2026-07-28 cs.CR cs.DC
FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning
针对IoT恶意软件检测中数据异构与隐私问题，提出联邦学习框架FedP3E，通过高斯混合模型构建类原型并加噪交换，结合SMOTE增强少数类，在不共享原始数据下有效缓解统计异构性。
2025-07-09 cs.AI cs.CR
Characterizing the Sensitivity to Individual Bit Flips in Client-Side Operations of the CKKS Scheme
本文针对 CKKS 客户端编码、加密、解密与解码流程，理论与实验结合分析单比特翻转传播，揭示 RNS/NTT 优化会显著放大错误敏感性。
2025-09-29 cs.CR
Stealing Reasoning Traces from Proprietary LLM APIs
MATS Research（MATS研究院）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）；University of Tübingen（图宾根大学）
该研究发现专有LLM API的加密推理轨迹存在跨会话、用户及模型的兼容性漏洞，开发了可扩展解密越狱方法，能提取模型推理、窃取PII等，还提出了对应缓解措施。
2026-08-11 cs.AI cs.CR cs.LG
Security assessment of common open source MQTT brokers and clients
本文对五个开源 MQTT 代理库和三个客户端库进行经验性安全评估，发现部分实现未完全遵循标准，存在可能被恶意利用导致系统不一致的安全隐患。
2023-09-07 cs.CR
Hyperdimensional Computing as a Rescue for Efficient Privacy-Preserving Machine Learning-as-a-Service
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
本文提出HE-HDC，利用超维计算与同态加密结合，实现高效的隐私保护机器学习推理，在保持准确率的同时，性能比现有系统快26至3000倍。
2023-08-17 cs.CR cs.LG
FBID: Adaptive Personalized Federated Learning for Robust Out-of-Distribution Attack Detection in IoT Networks
UTS-HCMUT JTIRC；Ho Chi Minh City University of Technology (HCMUT)（胡志明市技术大学（HCMUT））；Vietnam National University Ho Chi Minh City (VNU-HCM)（越南国家大学胡志明市分校（VNU-HCM））；University of Technology Sydney（悉尼科技大学）
针对异构物联网环境中现有PFL方法易过度个性化导致OOD攻击检测性能下降的问题，提出FBID框架，通过服务器端上下文多臂老虎机与信任混合机制，提升OOD检测率、F1值及对未知攻击的鲁棒性。
2026-08-06 cs.AI cs.CR cs.LG
On The Fly Diffie Hellman for IoT
物联网（IoT）是被添加到被称为智能环境的服务器和其他设备的抽象异构阵列中的互连环境中的设备的快速增长的领域，其范围从私有本地（家庭）环境到全国范围的基础设施，通常经由不安全的无线通信和信息技术可访问，因此对攻击大规模开放。在本文中，我们解决了一些问题时，通过不安全的无线通信信道连接具有低计算能力的智能设备到家庭网关，通过使用一次一密（OTP）协议的基础上，在飞Diffie-Hellman密钥交换。我们的假设是，只有一个用户和网关有足够的处理能力来执行-说-安全的RSA加密通信，因此放松了对域外的可信安全服务器的需要，该协议至少应该是安全的一系列已知的攻击，如重放或DoS攻击。
2019-07-25 cs.CR
Distributed Additive Encryption and Quantization for Privacy Preserving Federated Deep Learning
同态加密是隐私保护联邦学习中非常有用的梯度保护技术。然而，现有的加密联邦学习系统需要可信的第三方来生成密钥对并将其分发给连接的参与者，这使得它们不适合联邦学习并且容易受到安全风险的影响。此外，加密所有模型参数是计算密集型的，特别是对于大型机器学习模型，例如深度神经网络。为了缓解这些问题，我们开发了一种实用的，计算效率高的基于加密的协议，用于联合深度学习，其中密钥对是在没有第三方帮助的情况下协作生成的。该方法通过在客户端对模型参数进行量化，在服务器端进行近似聚集，避免了对整个模型的加密和解密。此外，设计了一种基于门限的秘密共享技术，使得任何人都不能持有用于解密的全局私钥，而聚合密文可以被门限数量的客户端成功解密，即使某些客户端离线。实验结果表明，与现有的加密联邦学习相比，该方法在不影响性能和安全性的前提下，显著降低了通信开销和计算复杂性。
2020-11-25 cs.CR cs.DC
SPX: Preserving End-to-End Security for Edge Computing
除了点解决方案之外，边缘计算的愿景是使Web服务能够在移动网络边缘的多租户基础设施中部署其边缘功能。然而，由于一个关键问题，边缘函数可能变得无用：Web服务是通过端到端加密连接交付的，因此边缘函数无法在不影响安全性或降低性能的情况下对加密流量进行操作。解决这个问题的任何解决方案都必须与TLS等现有协议以及客户端和物联网设备的新兴安全协议进行互操作。边缘功能必须对客户端端点保持不可见，但可能需要来自其服务端Web服务的显式控制。最后，解决方案必须在不影响边缘优势的开销利润范围内运行。为了解决这个问题，本文提出了SPX -边缘就绪和端到端安全协议扩展的解决方案，它可以有效地维护端到端的边缘到端（$E^3$）的安全语义。使用我们的SPX原型，我们允许边缘函数对加密流量进行操作，同时确保安全协议的安全语义仍然有效。SPX使用英特尔SGX将通信通道与远程认证绑定，并提供一种解决方案，不仅可以防御潜在的攻击，还可以降低性能开销，既不要求最终用户进行任何更改，也不破坏与现有协议的互操作性。
2018-09-24 cs.CR
One-Shot Secure Aggregation: A Hybrid Cryptographic Protocol for Private Federated Learning in IoT
Department of Computer Science, University of Arkansas at Little Rock, USA（计算机科学系，阿肯色州立大学拉斐特分校）
Hyb-Agg通过结合多密钥CKKS加密和ECDH加法掩码，实现轻量且高效的隐私保护联邦学习，在物联网中解决通信瓶颈问题。
2025-11-28 cs.AI cs.CR
IoTSense: Behavioral Fingerprinting of IoT Devices
物联网（IoT）带来了新的挑战，设备识别-设备是什么，以及身份验证-设备是否是它声称的设备。传统上，认证问题是通过加密协议来解决的。然而，密码协议的计算复杂性和/或与密钥管理相关的可扩展性问题使得几乎所有基于密码的认证协议对于IoT来说都是不切实际的。另一方面，设备识别的问题被可悲地忽视了。我们相信，设备指纹识别可以有效地解决这两个问题。在这项工作中，我们提出了一种方法来执行设备的行为指纹，可以用来进行设备类型识别。使用从设备的网络流量提取的特征来近似设备行为。这些特征用于训练可用于检测类似设备类型的机器学习模型。我们使用五重交叉验证来验证我们的方法;在我们所有的实验中，我们报告了86 - 99%的识别率和99%的平均准确度。即使设备使用加密通信，我们的方法也是成功的。此外，我们显示了指纹识别设备类别的初步结果，即，识别具有类似功能的不同设备类型。
2018-04-11 cs.CR
Threat Modeling for Enhancing Security of IoT Audio Classification Devices under a Secure Protocols Framework
Instituto Tecnologico de Informatica（信息技术研究所）
针对资源受限的物联网音频分类设备的敏感数据泄露风险，本文提出融合TPM远程证明、后量子加密等机制的纵深防御安全协议框架，通过STRIDE威胁建模指导设计并给出评估方案。
2025-11-14 cs.AI cs.CR
A Survey on the Applications of Blockchains in Security of IoT Systems
物联网（IoT）已经通过将智能设备集成在一起，为客户提供高质量的服务，改变了我们的日常生活。这些设备集成在一起形成一个网络，通过这个网络可以产生、传输和共享大量数据。一个关键问题是这样一个复杂平台的安全性和完整性，以确保这些基于物联网的系统的可持续性和可靠性。区块链是一种新兴技术，它已经展示了其独特的功能和能力，适用于不同的问题和应用领域，包括基于物联网的系统。这份调查报告回顾了区块链在物联网环境中的适应性，以说明该技术如何能够解决连接到物联网系统的设备的集成和安全问题。这项调查的创新之处在于，我们提出了一项基于物联网数据的集成方法和安全问题的调查，并讨论了区块链在这些问题中的作用。
2021-12-17 cs.CR
LAKEE: A Lightweight Authenticated Key Exchange Protocol for Power Constrained Devices
物联网网络的快速发展导致了为其设计有效安全功能的研究趋势。由于物联网设备的功率受限性质，安全功能应尽可能保持轻量级。目前，大多数物联网网络流量都是未加密的。智能设备未加密数据的泄露可能会带来隐私泄露的巨大成本。为了使安全信道具有加密流量，网络中的两个端点必须相互验证并计算短期密钥。然后，它们可以通过经过身份验证的安全信道进行通信。这个过程被称为认证密钥交换（AKE）。虽然数据报传输层安全（DTLS）为物联网网络提供了一个AKE协议，但研究已经提出了更有效和更具体的替代方案。本文介绍了LAKEE，一个简单的，轻量级的物联网AKE协议。我们的协议采用椭圆曲线密码产生一个短期的会话密钥。它减少了其替代方案的通信和计算开销，同时保持或提高其安全强度。我们的协议的简单性和低开销，使它适合网络的受限设备。
2022-10-28 cs.CR
