Unsupervised Anomaly-based Malware Detection using Hardware Features
最近的工作已经显示出使用微架构执行模式来检测恶意软件程序的前景。这些检测器属于一类被称为基于签名的检测器的检测器，因为它们通过将程序的执行模式（签名）与已知恶意软件程序的执行模式进行比较来捕获恶意软件。在这项工作中，我们提出了一类新的检测器-基于异常的硬件恶意软件检测器-不需要签名的恶意软件检测，从而可以捕捉到更广泛的恶意软件，包括潜在的新颖的。我们使用无监督的机器学习来基于性能计数器的数据构建正常程序执行的配置文件，并使用这些配置文件来检测由于恶意软件利用而发生的程序行为的重大偏差。我们表明，在Windows/x86平台上的流行程序，如IE和Adobe PDF Reader的现实世界中的剥削，可以检测到几乎完美的确定性。我们还研究了在面对试图逃避基于异常的检测的复杂对手时实施这种方法的局限性和挑战。所提出的检测器是补充以前提出的基于签名的检测器，可以一起使用，以提高安全性。
2014-03-28 cs.CR
Comprehensive Efficiency Analysis of Machine Learning Algorithms for Developing Hardware-Based Cybersecurity Countermeasures
California State University, Long Beach（加州州立大学长滩分校）
现代计算系统已经导致网络对手创建比技术早期更复杂的恶意软件。过时的检测技术，如基于签名方法的反病毒软件（AVS），已经不能满足计算机系统对它们的要求。现代恶意软件的复杂性导致了当代检测技术的发展，这些技术使用机器学习领域和硬件来提高恶意软件的检测率。这些新技术使用硬件性能计数器（HPC），形成各种数字签名。在向模型提供训练数据之后，它们可以参考这些HPC来对零日恶意软件样本进行分类。当没有可比HPC值的恶意软件与这些新技术接触时，就会出现问题。我们提供了几个机器学习和深度学习模型的分析，这些模型运行零日样本，并评估从C++算法到用于开始硬件实现的硬件描述语言（HDL）的转换结果。我们的结果显示，当运行零日恶意软件数据时，模型缺乏准确性，因为我们的最高检测器决策树只能达到91.2%的准确率，并且以决策树的形式具有91.5%的F1分数。接下来，通过受试者工作曲线（ROC）和曲线下面积（AUC），我们还可以确定算法没有表现出显著的鲁棒性，因为最大AUC仅为0.819。此外，我们看到集成学习算法的开销相对较高，同时也只有86.3%的准确率和86%的F1分数。最后，作为一项额外的任务，我们调整了一个规则算法，以适应许多规则，使恶意软件分类可以理解的日常用户，让他们查看的法规，同时保持相对较高的准确性。
2022-01-05 cs.CR cs.LG
Acceleration of Statistical Detection of Zero-day Malware in the Memory Dump Using CUDA-enabled GPU Hardware
本文重点研究了隐身软件检测方法的预期增强。网络安全检测工具不够强大，无法揭示使用恶意软件的最新网络攻击。在本文中，我们将首先介绍最高隐身恶意软件的概念，因为这是最复杂的检测场景，因为它结合了现有的反取证技术及其潜在的改进。其次，我们提出了新的检测方法，这是弹性的隐藏的原型。为了帮助解决这一检测挑战，我们使用香农熵计算的新方法分析了Windows内存内容;数字摄影测量方法; Zipf Mandelbrot定律，以及通过分解内存内容和分析输出。最后，我们提出了一个想法和架构的软件工具，它使用CUDA使GPU硬件，以加快内存取证。所有这三个想法目前都在进行中。
2016-06-15 cs.CR
A Novel Malware Detection Mechanism based on Features Extracted from Converted Malware Binary Images
George Mason University（乔治梅森大学）
几十年来，我们的计算机系统一直受到各种类型的硬件和软件攻击的威胁，恶意软件就是其中之一。这种恶意软件有能力窃取，破坏，污染，获得意外访问，甚至破坏整个系统。已经有通过执行恶意软件文件的静态和动态分析来检测恶意软件的技术，但是，隐形恶意软件已经绕过了静态分析方法，并且对于动态分析，已经有提出不同方法来检测恶意软件的先前工作，但是，在这项工作中，我们提出了一种新的技术来检测恶意软件。我们使用恶意软件的二进制图像，然后从相同的提取不同的功能，然后采用不同的ML分类器的数据集，从而获得。我们表明，这种技术是成功的，在区分类别的恶意软件提取的特征的基础上。
2021-04-14 cs.CR cs.LG
Defending Hardware-based Malware Detectors against Adversarial Attacks
在物联网（IoT）时代，恶意软件在过去十年中呈指数级增长。传统的防病毒软件对现代复杂的恶意软件无效。为了应对这一挑战，研究人员提出了使用硬件性能计数器（HPC）的硬件辅助恶意软件检测（HMD）。HPC用于训练一组机器学习（ML）分类器，这些分类器又用于区分良性程序和恶意软件。最近，对抗攻击已经通过使用对抗样本预测器在HPC迹线中引入扰动来设计，以将程序错误分类为特定HPC。这些攻击的设计基本假设是攻击者知道HPC用于检测恶意软件。由于现代处理器由数百个HPC组成，因此仅限制其中几个用于恶意软件检测有助于攻击者。在本文中，我们提出了一个移动目标防御（MTD），这种对抗攻击通过设计多个ML分类器上训练不同的HPC集。MTD随机选择一个分类器;因此，使攻击者对HPC或应用的分类器数量感到困惑。我们已经开发了一个分析模型，证明了攻击者猜测MTD的完美HPC-分类器组合的概率非常低（对于具有20个HPC的系统，在$10^{-1864}$的范围内）。我们的实验结果证明，所提出的防御能够提高HPC痕迹的分类精度，这些痕迹通过对抗性样本生成器进行了修改，最高可达31.5%，几乎完美（99.4%）恢复了原始精度。
2020-07-26 cs.CR
Malware Detection at the Microarchitecture Level using Machine Learning Techniques
在处理器微体系结构级别检测恶意软件网络攻击最近已经成为增强计算机系统安全性的有前景的解决方案。诸如基于硬件的恶意软件检测之类的安全机制使用机器学习算法来借助于硬件性能计数器（HPC）信息对恶意软件进行分类和检测。ML分类器被馈送从硬件性能计数器（HPC）提取的微架构数据，其中包含关于软件程序的行为数据。这些HPC在运行时被捕获以模拟程序的行为。由于每个处理器的HPC数量是有限的，因此许多技术采用特征约简来将HPC的数量减少到最基本的属性。以前的研究已经使用二进制分类来实现他们的恶意软件检测后，做了广泛的特征减少。这导致软件是恶意软件还是良性软件的简单识别。本研究通过比较不同的机器学习算法与二进制和多类分类模型的准确性，全面分析了不同的基于硬件的恶意软件检测器。我们的实验结果表明，与复杂的机器学习模型（例如，G.神经网络和逻辑），轻量级J48和JRip算法在检测恶意模式方面表现更好，即使引入了多种类型的恶意软件。虽然它们的检测精度略有下降，但它们的鲁棒性（曲线下面积）仍然足够高，可以提供合理的误报率。
2020-05-25 cs.CR
XMD: An Expansive Hardware-telemetry based Mobile Malware Detector to enhance Endpoint Detection
XMD通过融合SoC中CPU核心与非核心子系统的扩展硬件遥测通道，并利用流形假设证明其可分离性优势，在Android设备上以86.54%的检测率和2.9%的假阳性率显著超越现有HPC检测器及商用杀毒软件。
2023-09-14 cs.CR
Clustering Malware at Scale: A First Full-Benchmark Study
Faculty of Information Technology, Brno University of Technology, Brno, Czechia（布拉格技术学院，布拉格技术大学）；Kempelen Institute of Intelligent Technologies, Bratislava, Slovakia（智能技术 Kempelen 研究院，布拉迪斯拉发，斯洛伐克）；Faculty of Electrical Engineering and Information Technology, Slovak University of Technology, Bratislava, Slovakia（电气工程与信息科技学院，斯洛伐克技术大学，布拉迪斯拉发，斯洛伐克）；Swiss Re（瑞士再保险）
本文首次全面评估了恶意软件聚类在大规模数据集上的性能，发现K-Means和BIRCH在聚类效果上表现优异，且引入良性样本不影响聚类质量。
2025-12-02 cs.CR cs.LG
Trust Under Siege: Label Spoofing Attacks against Machine Learning for Android Malware Detection
Université Paris Cité（巴黎西岱大学）；University of Genova（热那亚大学）；INRIA（法国国家信息与自动化研究所）；EURECOM（欧洲通信学院）
该研究提出针对安卓恶意软件检测ML模型的标签欺骗攻击，开发AndroVenom方法，仅1%中毒样本即可导致模型DoS，还能翻转特定良性样本决策，凸显基于AV标注的ML训练过程的可信度问题。
2026-09-01 cs.CR cs.LG
Efficient Wu-Manber Pattern Matching Hardware for Intrusion and Malware Detection
网络入侵检测系统和防病毒软件在检测恶意网络流量和攻击（如拒绝服务和恶意软件）方面至关重要。每种攻击、蠕虫或病毒都有其独特的特征。基于特征的入侵检测和防病毒系统依赖于模式匹配来查找可能的攻击特征。模式匹配是一项非常复杂的任务，需要大量的时间、内存和计算资源。基于软件的入侵检测速度不够快，无法与高速网络和不断增加的攻击数量相匹配。在本文中，我们提出了一种专用的硬件Wu-Manber模式匹配算法。FPGA由于其大规模并行结构、可重编程逻辑和存储器资源而成为一个很好的选择。硬件设计采用Verilog语言，实现采用Xilinx ISE。为了进行评估，我们将使用Wireshark收集的网络流量跟踪与来自ClamAV病毒定义数据库的2500个签名进行了掺杂。实验结果表明，高速达到216 Mbps。此外，我们还评估时间、设备使用和功耗。
2020-03-01 cs.CR
Hydra: Robust Hardware-Assisted Malware Detection
University of Waterloo（滑铁卢大学）
Hydra通过战略性调度不同特征集提升硬件辅助恶意软件检测的鲁棒性
2026-02-06 cs.CR
SoK: Modeling Explainability in Security Analytics for Interpretability, Trustworthiness, and Usability
Rochester Institute of Technology（罗切斯特理工学院）；Toyota Motor North America（丰田汽车北美公司）；University of Florida（佛罗里达大学）
该研究针对安全领域深度学习黑箱模型的解释需求，分析现有可解释方法的缺陷，提出可信解释需满足的特性，为安全场景下的可解释AI研究提供基准参考。
2023-06-13 cs.CR cs.LG
"How Does It Detect A Malicious App?" Explaining the Predictions of AI-based Android Malware Detector
ST Engineering（ST工程公司）
AI方法已被证明在Android恶意软件检测方面具有令人印象深刻的性能。然而，大多数基于人工智能的方法以黑箱的方式对可疑样本进行预测，而模型的推理不透明。网络安全和人工智能从业者对模型的可解释性和透明度的期望，以确保可信度增加。在这篇文章中，我们提出了一种新的模型不可知解释方法，用于Android恶意软件检测的AI模型。我们所提出的方法通过两个步骤来识别和量化与预测相关的数据特征：i）数据扰动，通过操纵特征值来生成合成数据; ii）优化特征属性值，以在具有最小特征值变化的扰动数据上寻求预测得分的显著变化。三个实验验证了所提出的方法。我们首先证明了我们提出的模型解释方法可以帮助发现AI模型如何被对抗样本定量地规避。在接下来的实验中，我们将我们提出的方法的可解释性和保真度分别与最先进的方法进行比较。
2021-11-06 cs.AI cs.CR cs.LG
The Circle Game: Scalable Private Membership Test Using Trusted Hardware
恶意软件检查正在从本地服务转变为云辅助服务，其中用户的设备查询托管恶意软件签名字典的云服务器，以检查特定应用程序是否可能是恶意软件。虽然这种架构获得了基于云的服务的所有好处，但它带来了主要的隐私问题，因为云服务可以基于用户设备查询的应用程序列表来推断用户的个人特征。私人会员测试（PMT）计划可以消除这种隐私问题。然而，已知的PMT方案不能很好地扩展到大量的同时用户和高查询到达率。我们提出了一个简单的PMT方法使用旋转木马：通过云服务器上的可信硬件循环整个字典。用户通过安全信道与可信硬件通信。我们展示了如何轮播的方法，使用不同的数据结构来表示字典，可以实现两个不同的商业硬件安全架构（ARM TrustZone和英特尔SGX）。我们强调微妙的方面，安全地实现看似简单的PMT计划在这些架构。通过广泛的实验分析，我们表明，对于恶意软件检查的情况下，我们的轮播方法令人惊讶地优于路径ORAM在相同的硬件支持更高的查询到达率，同时保证可接受的响应延迟为个人查询。
2017-02-17 cs.CR
TRUSTCHECKPOINTS: Time Betrays Malware for Unconditional Software Root of Trust
McCormick School of Engineering Northwestern University Evanston, Illinois 60208 Email
提出 TRUSTCHECKPOINTS，利用随机多项式时序挑战检测持久化恶意软件的换存延迟，在无密钥、无专用硬件的商用 ARM 平台上建立无条件软件信任根。
2025-09-26 cs.CR
CrowdSource: Automated Inference of High Level Malware Functionality from Low-Level Symbols Using a Crowd Trained Machine Learning Model
在本文中，我们介绍CrowdSource，统计自然语言处理系统，旨在使快速推断恶意软件的功能的基础上，从恶意软件二进制文件中提取的可打印字符串。CrowdSource“学习”低级语言和高级软件功能之间的映射，通过利用来自StackExchange（一个流行的技术问答网站网络）的数百万Web技术文档，使用此映射来推断恶意软件功能。本文介绍了我们的方法，并提供了其准确性和性能的评估，证明它可以检测到至少14个高级别的恶意软件功能，在未打包的恶意软件二进制文件，平均每功能的f-得分为0.86，并在商品硬件上每天成千上万的二进制文件的速度。
2016-05-27 cs.CR
EthClipper: A Clipboard Meddling Attack on Hardware Wallets with Address Verification Evasion
硬件钱包旨在通过将其私钥与网络空间隔离来抵御恶意软件攻击，但它们容易受到存储在剪贴板中的伪造地址的攻击。为了防止此类攻击，硬件钱包要求用户验证钱包显示屏上显示的收件人地址。由于密码地址是随机符号的长序列，因此它们的手动验证成为一项困难的任务。因此，许多硬件钱包的用户选择只验证地址中的几个符号，这可能会被攻击者利用。在这项工作中，我们介绍了EthClipper，这是一种针对以太坊平台上硬件钱包所有者的攻击。EthClipper恶意软件查询预先挖掘的帐户的分布式数据库，以选择与原始地址具有最大视觉相似性的地址。我们设计并实现了一个EthClipper恶意软件，并在Trezor、Ledger和KeepKey钱包上进行了测试。为了为攻击提供计算和存储资源，我们实现了一个分布式服务ClipperCloud，并在不同的部署环境中对其进行了测试。我们的评估表明，使用现成的PC和NAS存储，攻击者将能够挖掘能够匹配地址中25%数字的数据库，以实现50%的机会找到合适的假地址。为了进行负责任的披露，我们已经联系了攻击评估中使用的硬件钱包的制造商，他们都证实了EthClipper的危险性。
2021-08-31 cs.CR
Malware Guard Extension: Using SGX to Conceal Cache Attacks
在现代计算机系统中，用户进程通过操作系统和硬件彼此隔离。此外，在云场景中，管理程序将租户与位于同一物理机器上的其他租户隔离是至关重要的。然而，管理程序并不保护租户免受云提供商的影响，因此也不保护租户免受所提供的操作系统和硬件的影响。英特尔SGX提供了一种机制来解决这种情况。它旨在保护用户级软件免受来自其他进程、操作系统甚至物理攻击者的攻击。在本文中，我们展示了细粒度的基于软件的侧信道攻击，从一个恶意的SGX飞地目标共位于飞地。我们的攻击是第一个在真正的SGX硬件上运行的恶意软件，滥用SGX保护功能来隐藏自己。此外，我们在本地环境和多个Docker容器中演示了我们的攻击。我们对运行最新RSA实现（使用恒定时间乘法原语）的位于同一地点的SGX飞地执行Prime+Probe缓存侧信道攻击。虽然在SGX飞地中没有计时器，没有大页面，没有物理地址，也没有共享内存，但攻击仍然有效。在半同步攻击中，我们从单个跟踪中提取96%的RSA私钥。我们提取完整的RSA私钥在一个自动化的攻击从11个痕迹在5分钟内。
2019-05-22 cs.CR
Dynamic detection of mobile malware using smartphone data and machine learning
University of Twente（特温特大学）
移动恶意软件是针对移动设备的恶意程序。它们是一个日益严重的问题，正如每年检测到的移动恶意软件样本的增加所示。活跃的智能手机用户数量预计将增长，强调了对移动恶意软件检测研究的重要性。移动恶意软件的检测方法存在，但仍然有限。在本文中，我们概述了机器学习（ML）技术在Android上检测恶意软件的性能，而不使用特权访问。ML分类器使用设备信息（如CPU使用率、电池使用率和内存使用率）来检测Android操作系统（OS）上的10种移动木马子类型。我们使用了一个真实的数据集，其中包含47名用户一年（2016年）的设备和恶意软件数据。我们检查哪些功能，即方面，一个设备，是最重要的监测检测（亚型）移动木马。本文的重点是动态的硬件功能。使用这些动态特征，我们应用了最先进的机器学习分类器：随机森林、K最近邻和AdaBoost。我们显示了不同功能集的分类结果，区分了全局设备功能和特定应用功能。测量的特征集都不需要特权访问。我们的研究结果表明，随机森林分类器作为一个通用的恶意软件分类器表现最好：在10个子类型的移动木马，它达到了F1得分为0.73，误报率（FPR）为0.009和误报率（FNR）为0.380。当分别训练以检测移动木马的每种亚型时，随机森林、K最近邻和AdaBoost分类器的F1分数高于0.72，FPR低于0.02，FNR低于0.33。
2021-07-23 cs.CR cs.LG
Power, Performance, and Area of HPC-Based Malware Detectors: An FPGA and Open-PDK ASIC Study
University of California, Davis（加州大学戴维斯分校）；San Francisco State University（旧金山州立大学）；Worcester Polytechnic Institute（伍斯特理工学院）
该研究针对HPC恶意软件检测器的面积、功耗等未解决问题，设计流水线实现树/规则型检测器，发现其性能优且成本低，减少HPC输入可在保性能时降成本。
2026-10-12 cs.AR cs.CR
Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features
恶意软件仍然是企业、政府机构和个人面临的严重问题，因为攻击者继续将其作为一种工具来实施频繁且代价高昂的网络入侵。机器学习有望自动化检测新发现的恶意软件家族所需的工作，并且有可能学习有关恶意软件和良性软件的概括，支持检测全新的、未知的恶意软件家族。不幸的是，很少提出的基于机器学习的恶意软件检测方法已经实现了交付可部署检测器所需的低误报率。在本文中，我们的深度神经网络恶意软件分类器，实现了可用的检测率在一个极低的误报率和规模，以现实世界的训练样本量的商品硬件。具体来说，我们证明了我们的系统在0.1%的误报率（FPR）下实现了95%的检测率，基于直接来自我们客户和内部恶意软件数据库的40多万个软件二进制文件。我们通过直接学习所有二进制文件来实现这些结果，而无需任何过滤，解压缩或手动将二进制文件分类。此外，我们直接在来自Invincea部署的端点解决方案的实时文件流上确认了我们的误报率，提供了我们预计每天在企业网上看到的新二进制文件的估计数，并描述了误报率如何与误报率相关并转化为直观的威胁评分。我们的研究结果表明，现在可以快速训练和部署低资源、高准确度的机器学习分类模型，其误报率接近传统的劳动密集型基于签名的方法，同时还可以检测到以前看不见的恶意软件。
2015-09-03 cs.CR
POW-HOW: An enduring timing side-channel to evade online malware sandboxes
在线恶意软件扫描器是网络安全公司和研究人员武器库中最好的武器之一。这种系统的一个基本部分是沙箱，它为任何用户提供了一个检测和隔离的环境（虚拟化或仿真），以上传和运行未知的工件并识别潜在的恶意行为。这些服务提供的API和报告中的丰富信息也帮助攻击者测试了许多技术的有效性，使恶意软件难以检测。恶意软件逃避分析系统的最常见技术是监视执行环境，检测任何调试工件的存在，并在需要时隐藏其恶意行为。这通常通过寻找暗示执行环境不属于本机的信号来实现，例如特定的内存模式或某些CPU指令的行为特征。在本文中，我们展示了攻击者如何通过将工作量证明（PoW）算法纳入恶意软件样本来逃避对此类在线服务的检测。具体来说，我们利用PoW算法的计算成本的渐近行为，当它们在某些类别的硬件平台上运行时，可以有效地检测恶意软件沙箱分析器的非裸机环境。为了证明这种直觉的有效性，我们设计并实现了POW-HOW框架，一个自动实现沙箱检测策略并将测试规避程序嵌入到任意恶意软件样本中的工具。我们的实证评估表明，所提出的规避技术是持久的，难以指纹，并减少现有的恶意软件检测率的10倍。此外，我们还展示了裸机环境如何无法随着消费者服务的实际恶意软件提交率而扩展。
2021-10-05 cs.CR
A Lean Transformer Model for Dynamic Malware Analysis and Detection
Orange Innovation（奥兰治创新公司）；Orange DSEC（奥兰治DSEC公司）
针对签名检测易被绕过的问题，本文提出一种处理 API 调用序列的小型仅编码器 Transformer，在保持良好恶意软件检测效果的同时降低训练推理成本与硬件需求。
2024-08-05 cs.CR cs.LG
Towards resilient machine learning for ransomware detection
Intel Labs（英特尔研究院）
人们对使用机器学习（ML）通过动态行为自动检测恶意软件的兴趣激增。与传统的恶意软件分析方法相比，这些方法在大规模的检测率和更低的误报率方面取得了显着的提高。威胁检测中的ML已被证明是保护平台安全的好警察。然而，必须评估-ML驱动的安全性是否足够弹性？在本文中，我们通过一个案例研究，通过生成对抗网络（GAN）评估勒索软件检测的弹性，将ML算法的弹性和可信度并列起来。在本案例研究中，我们建议使用GAN自动生成动态特征，这些特征表现出广义的恶意行为，可以降低黑盒勒索软件分类器的功效。我们通过比较这些样本与真实勒索软件和良性软件的统计相似性来检查GAN生成的样本的质量。此外，我们还研究了GAN生成的样本所在的潜在子空间，并探讨了这些样本导致某类勒索软件分类器性能下降的原因。我们的重点是强调在部署到野外之前，对基于ML的勒索软件检测方法进行必要的防御改进。我们的研究结果和发现应该为捍卫者提出相关问题，例如如何使ML模型更具弹性，以实现安全目标的强大执行。
2019-05-16 cs.CR cs.LG stat.ML
Risk-Aware and Explainable Framework for Ensuring Guaranteed Coverage in Evolving Hardware Trojan Detection
本文针对演化型硬件木马检测中误分类风险高、模型可信度难以评估的问题，提出基于共形化生成对抗网络和Mondrian共形预测器的算法无关框架，在提供集合预测与不确定性量化的同时支持校准可解释的拒绝决策，并在合成与真实芯片基准上验证了有效性。
2023-10-14 cs.CR
Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification
University of Murcia（穆尔西亚大学）；armasuisse Science & Technology（瑞士国防采购与技术局科学与技术部）；University of Zurich（苏黎世大学）
在过去的几年里，部署的物联网设备数量经历了爆炸式增长，达到了数十亿的规模。然而，一些新的网络安全问题也随之出现。其中一些问题是部署未经授权的设备、恶意代码修改、恶意软件部署或漏洞利用。这一事实激发了对基于行为监测的新设备识别机制的需求。此外，由于该领域的进步和处理能力的增加，这些解决方案最近利用了机器和深度学习技术。相比之下，攻击者并没有停滞不前，而是开发了对抗攻击，专注于应用于物联网设备识别解决方案的上下文修改和ML/DL评估规避。这项工作探讨了基于硬件行为的单个设备识别的性能，它如何受到可能的上下文和ML/DL攻击的影响，以及如何使用防御技术提高其弹性。从这个意义上说，它提出了一种基于硬件性能行为的LSTM-CNN架构，用于单个设备识别。然后，使用从45台运行相同软件的Raspberry Pi设备收集的硬件性能数据集，将以前的技术与所提出的架构进行了比较。LSTM-CNN改进了以前的解决方案，为所有设备实现了+0.96的平均F1分数和0.8的最小TPR。之后，上下文和ML/DL为重点的对抗攻击对以前的模型，以测试其鲁棒性。基于温度的上下文攻击无法破坏识别。然而，一些ML/DL最先进的规避攻击是成功的。最后，选择对抗性训练和模型蒸馏防御技术来提高模型对规避攻击的弹性，而不会降低其性能。
2022-12-30 cs.AI cs.CR
Trustworthy confidential virtual machines for the masses
本文提出 Revelio，利用 AMD SEV-SNP 保护面向 Web 的机密虚拟机工作负载，使最终用户能在每次 Web 会话中无缝远程验证其完整性，并防止服务提供商篡改。
2024-02-23 cs.CR cs.DC
