Data Exfiltration by Compression Attack: Definition and Evaluation on Medical Image Data
本文提出了一种基于图像压缩的新型数据外泄攻击，通过医学图像数据验证其有效性，并探讨了差分隐私等防护措施的应对策略。
2025-12-08 cs.CR
BLEWhisperer: Exploiting BLE Advertisements for Data Exfiltration
蓝牙技术已经为数十亿设备实现了短距离无线通信。低功耗蓝牙（BLE）变体旨在改善电池受限设备的功耗。启用BLE的设备广播信息（例如，作为信标）经由广告发送到附近的设备。不幸的是，这种功能在攻击者手中可能成为一把双刃剑。在本文中，我们主要展示了攻击者如何利用BLE广告从支持BLE的设备中泄露信息。特别是，我们的攻击在两个设备之间建立了一个通信介质，而不需要任何事先的身份验证或配对。我们在Android生态系统上开发了一个概念验证攻击框架，并通过一系列实验评估其性能。我们的研究结果表明，这样的渗透攻击确实是可能的，但有限的数据率。尽管如此，我们还展示了潜在的用例和对我们的攻击的增强，可以进一步提高其安全性。最后，我们讨论了可能的对策，以防止这种攻击。
2022-07-23 cs.CR
Discovering Command and Control Channels Using Reinforcement Learning
Deloitte & Touche LLP（德勤会计师事务所）；National Security Institute, Virginia Tech（弗吉尼亚理工大学国家安全研究所）
本文将C2攻击建模为三阶段马尔可夫决策过程，利用强化学习在大型网络中自动学习攻击路径，并创新性地建模防火墙等防御机制，以帮助蓝队识别高优先级漏洞并改进防御策略。
2024-01-13 cs.CR cs.LG
Discover the Hidden Attack Path in Multi-domain Cyberspace Based on Reinforcement Learning
Army Engineering University of PLA（中国人民解放军陆军工程大学）
在这项工作中，我们提出了一种基于学习的方法来分析网络空间的安全配置。与以前的方法不同，我们的方法能够从过去的经验中学习并随着时间的推移而改进。特别是，当我们训练了更多的代理作为攻击者，我们的方法变得更好地发现隐藏的攻击路径以前的方法，特别是在多域网络空间。为了实现这些结果，我们提出发现攻击路径作为强化学习（RL）问题和训练代理发现多域网络空间攻击路径。为了使我们的强化学习策略能够发现更多隐藏的攻击路径和更短的攻击路径，我们在强化学习中引入了一个多域动作选择模块。我们的目标是通过我们提出的方法发现更多的隐藏攻击路径和更短的攻击路径，分析网络空间安全配置的弱点。最后，设计了一个模拟网络空间的实验环境对所提出的方法进行了验证，实验结果表明，与现有的基线方法相比，该方法能够发现更多的隐藏多域攻击路径和更短的攻击路径。
2021-04-15 cs.AI cs.CR cs.LG
Reversing the asymmetry in data exfiltration
防止数据从计算机系统泄漏通常依赖于周边防御，但这些防御正变得越来越脆弱。相反，我们提出了一种方法，在这种方法中，每个有风险的文档都补充了许多虚假的版本。攻击者必须要么将它们全部泄露出去，要么在被渗透的系统中操作时试图发现哪个是真正的，这两种情况都很困难。创建和维护许多假货相对便宜，因此攻击者通常获得的优势现在在于防御者。我们表明，算法生成的假文档使用算法分析相当难以检测。
2018-09-12 cs.CR
Exfiltration of personal information from ChatGPT via prompt injection
JAIST（北陆先端科学技术大学院大学）
本文揭示ChatGPT 4和4o存在提示注入漏洞，攻击者无需第三方工具即可窃取用户个人数据，且记忆功能进一步加剧了该风险。
2024-06-06 cs.AI cs.CL cs.CR
Verifying LLM Inference to Detect Model Weight Exfiltration
Harvard University（哈佛大学）；ML Alignment & Theory Scholars (MATS)（对齐与理论学者（MATS））；Stevens Institute of Technology（史蒂文斯理工学院）；Anthropic
本文提出通过验证LLM推理来检测模型权重外泄，通过安全游戏形式化外泄问题，提出可证明缓解隐写外泄的验证框架，并评估了不同参数规模的模型。
2026-03-12 cs.CR cs.LG
SATAn: Air-Gap Exfiltration Attack via Radio Signals From SATA Cables
本文介绍了一种新型的攻击隔离，空气间隙的工作站。虽然气隙计算机没有无线连接，我们表明，攻击者可以使用SATA电缆作为无线天线传输无线电信号在6 GHz频段。串行ATA（SATA）是在现代计算机中广泛使用的总线接口，并且将主机总线连接到诸如硬盘驱动器、光驱和固态驱动器的海量存储器设备。SATA接口的流行使得这种攻击在各种计算机系统和IT环境中对攻击者高度可用。我们讨论了这个主题的相关工作，并提供技术背景。我们展示了发射机和接收机的设计，并提出了这些组件的实现。我们还演示了不同的计算机上的攻击，并提供评估。结果表明，攻击者可以使用SATA电缆将少量敏感信息从高度安全的气隙计算机无线传输到附近的接收器。此外，我们还证明了攻击可以从用户模式运行，即使在虚拟机（VM）内部也是有效的，并且可以成功地与后台运行的其他工作负载一起工作。最后，我们讨论了这种新的气隙攻击的防御和缓解技术。
2022-07-15 cs.CR
aIR-Jumper: Covert Air-Gap Exfiltration/Infiltration via Security Cameras & Infrared (IR)
红外（IR）光对人类是不可见的，但相机对这种类型的光是光学敏感的。在本文中，我们展示了攻击者如何使用监控摄像头和红外光在组织的内部网络和远程攻击者之间建立双向隐蔽通信。我们提出了两种情况：渗出（将数据泄漏出网络）和渗透（将数据发送到网络）。撤离监控和安全摄像头配备了红外LED，用于夜视。在渗透场景中，组织内的恶意软件通过本地网络访问监控摄像头并控制红外照明。敏感数据，如PIN码，密码和加密密钥，然后调制，编码，并通过红外信号传输。浸润在渗透场景中，站在公共区域的攻击者（例如，在街上）使用红外LED将隐藏信号传输到监控摄像头。二进制数据，如命令和控制（C&C）和信标消息编码的IR信号的顶部。渗出和渗透可以结合起来，在受损网络和攻击者之间建立双向的“气隙”通信。我们讨论了相关的工作，并提供了科学背景，这种光通道。我们实现了一个恶意软件的原型，并提出了数据调制模式和一个基本的传输协议。我们对隐蔽通道的评估表明，数据可以以每台监控摄像机20 bit/sec的速度从组织中秘密地泄露到数十米之外。数据可以以每台监控摄像机超过100比特/秒的速度从数百米到数千米的距离秘密渗透到组织中。
2017-09-18 cs.CR
Jupyter Notebook Attacks Taxonomy: Ransomware, Data Exfiltration, and Security Misconfiguration
本文首次系统提出针对 Jupyter Notebook 的网络攻击分类法，涵盖勒索软件、数据窃取、安全配置错误和资源滥用，并设计了审计 Jupyter 的框架以提升对 AI 驱动及量子威胁的防御可见性。
2024-09-28 cs.CR cs.NI
Analog Pin Directionality as an Exfiltration Attack Surface in Mixed-Signal ICs
Rochester Institute of Technology（罗切斯特理工学院）
本研究揭示混合信号IC中名义输入模拟引脚可被利用为泄露通道，提出基于方向性的攻击模型，并通过硅片验证，强调需将引脚方向性作为安全属性显式验证。
2026-09-17 cs.AR cs.CR
New data poison attacks on machine learning classifiers for mobile exfiltration
最近的研究表明，有几个攻击漏洞可能危及模型的完整性，近年来在网络安全方面打开了一个新的机会之窗。本文的主要兴趣是针对涉及标签翻转的数据投毒攻击，这种攻击发生在训练阶段，攻击者的目的是通过大幅降低模型的整体准确性和/或实现确定样本的错误分类来损害目标机器学习模型的完整性。本文提出了两种基于标签翻转的数据投毒攻击方法，攻击目标由多种机器学习分类器来表示，这些分类器专门用于利用移动泄露数据进行恶意软件检测。有了这一点，所提出的攻击被证明是模型不可知的，已经成功地破坏了各种各样的机器学习模型;逻辑回归，决策树，随机森林和KNN是一些例子。第一次攻击是随机执行标签翻转动作，而第二次攻击只执行两个类中的一个。每个攻击的影响进行了进一步的详细分析，特别强调的准确率下降和误分类率。最后，本文追求进一步的研究方向，建议开发一种防御技术，可以承诺一个可行的检测和/或缓解机制，这种技术应该能够赋予一定程度的鲁棒性的目标模型对潜在的攻击者。
2022-10-20 cs.CR cs.SY eess.SY
Your LLM Agent Can Leak Your Data: Data Exfiltration via Backdoored Tool Use
University of Massachusetts Boston（马萨诸塞大学波士顿分校）
研究揭示了通过植入工具使用的LLM代理进行数据外泄的风险，提出Back-Reveal攻击方法，展示多轮交互加剧信息泄露，强调需加强对抗外泄后门的防御。
2026-04-07 cs.AI cs.CR
Let's Talk Through Physics! Covert Cyber-Physical Data Exfiltration on Air-Gapped Edge Devices
尽管组织不断做出协调一致的努力，通过对关键系统进行气隙保护来加强其系统抵御网络攻击，但攻击者不断调整并发现隐藏通道，以从气隙系统中泄露数据。例如，攻击者已经证明了通过使用磁场来从法拉第笼中的计算机中泄露数据的可行性。虽然最近出现了大量强调各种物理隐蔽通道的工作，但这些攻击主要针对开环网络物理系统，其中隐蔽通道存在于未被受害者监视的物理通道上。雾计算等网络架构将敏感数据推送到网络物理边缘设备-其物理侧通道通常通过状态估计进行监控。在本文中，我们形式化了隐蔽数据泄漏，该数据泄漏使用现有的网络物理模型和单个设备的基础设施以隐秘的方式泄漏数据，即，我们提出了一种方法来规避网络物理状态估计入侵检测技术，同时从网络中渗出敏感数据。我们提出了一个广义模型，用于编码和解码网络物理控制回路内的敏感数据。我们评估我们的方法上的分布式物联网网络，其中包括计算节点驻留在物理无人机以及工业控制系统上的机器人arm. Unlike以前的作品的控制，我们正式的隐蔽的网络物理通道渗透的约束中存在的防御者执行状态估计。
2022-10-14 cs.CR
Information-Based Heavy Hitters for Real-Time DNS Data Exfiltration Detection and Prevention
本文提出基于信息的重击者（ibHH），一种利用实时信息量估计、恒定内存和常数时间查询的实时DNS数据外泄检测方法，可在真实大规模数据集上以低误报率和低资源消耗检测慢速外泄。
2023-07-05 cs.CR
Your Noise, My Signal: Exploiting Switching Noise for Stealthy Data Exfiltration from Desktop Computers
基于功率分析的攻击已经存在和研究了很长时间，最近的一些工作集中在不使用传统通信的情况下从受害者系统中泄漏数据（例如，WiFi）。尽管如此，之前的工作通常依赖于侵入式直接功率测量，无论是通过在电源插座中植入电表还是接入电力电缆，从而危及攻击的隐蔽性。在本文中，我们提出了NoDE（Noise for Data Exfiltration），一个新的系统，用于从企业台式计算机中秘密地泄漏数据。具体地，节点通过利用高频电压纹波（即，开关噪声）由内置于当今计算机中的功率因数校正电路产生。接收器位于一定距离甚至不同的房间，可以非侵入性地测量电源插座的电压，以捕获高频开关噪声，用于在线信息解码，无需监督训练/学习。为了评估节点，我们运行实验的七个不同的计算机从顶级供应商和使用顶级品牌的电源单元。我们的研究结果表明，对于单个发射器，NoDE在90英尺（27.4米）的距离内实现了高达28.48比特/秒的速率，而没有视线，这表明了一种实际上的隐形威胁。基于不同的计算机的开关噪声频率的正交性，我们还演示了同时从四台计算机使用一个接收机的数据渗出。最后，我们提出了一些可能的防御措施，如安装噪音过滤器，并讨论了它们的局限性。
2020-01-27 cs.CR
Evasion-Resilient Detection of DNS-over-HTTPS Data Exfiltration: A Practical Evaluation and Toolkit
University of Kent（肯特大学）
本研究提出了一种端到端的容器化流水线，用于生成可配置的DNS-over-HTTPS文件外泄数据，并评估机器学习与基于阈值的检测方法在对抗性场景下的性能。
2025-12-23 cs.AI cs.CR cs.NI
DECIFR: Domain-Aware Exfiltration of Circuit Information from Federated Gradient Reconstruction
Florida Institute of National Security, University of Florida（佛罗里达国家安全研究所，佛罗里达大学）
本文提出DECIFR攻击，通过无辅助数据集的两阶段成员推断攻击，利用标准单元库布局泄露集成电路训练数据隐私，揭示了传统联邦学习协议在高知识域中的不足。
2026-04-21 cs.CR
The Innocent Courier: Covert Exfiltration Through Legitimate LLM Web Fetching
Technical University of Darmstadt（达姆施塔特工业大学）；Graz University of Technology（格拉茨工业大学）
本文提出LLMLeak攻击，利用LLM的网页抓取功能建立隐蔽信道，使本地恶意软件通过嵌入秘密的URL向攻击者泄露数据，在11个模型中成功率达79.7%。
2026-10-02 cs.CR cs.LG
Detection of Malicious and Low Throughput Data Exfiltration Over the DNS Protocol
在存在安全对策的情况下，设计用于数据泄露的恶意软件必须使用隐蔽通道来实现其目标。在现有的隐蔽通道中有域名系统（DNS）协议。虽然在过去的十年中，DNS上的隐蔽通道的检测已经得到了深入的研究，以前的研究涉及一个特定的隐蔽通道的子类，即DNS隧道。虽然隧道检测的重要性没有被削弱，但一类低吞吐量DNS渗透恶意软件仍然被忽视。本研究的目标是提出一种方法，用于检测隧道和低吞吐量的数据泄露的DNS。为此，我们提出了一个解决方案，包括一个监督特征选择方法，和一个可互换的，可调整的异常检测模型训练的合法流量。在第一步中，应用单类分类器来检测不符合正常行为的特定于域的流量。然后，在第二步中，为了减少由于尝试检测低吞吐量数据泄漏而导致的误报率，我们应用基于规则的过滤器，该过滤器过滤合法服务使用的DNS上的数据交换。我们的解决方案在中等规模的递归DNS服务器日志上进行了评估，涉及超过75，000次合法使用和近2，000次攻击。评估结果表明，虽然DNS隧道覆盖至少99%的召回率和小于0.01%的误报率，低吞吐量的渗透检测是比较困难的。虽然不能完全阻止它，但我们的解决方案在DNS语法的限制下（相当于每小时5个信用卡详细信息或10个用户凭据）限制了恶意软件试图避免检测的最多1 kb/h有效负载，这降低了攻击的有效性。
2018-06-18 cs.CR
Mitigating Data Exfiltration in Storage-as-a-Service Clouds
用于事件处理的现有过程和方法适合于将被云计算越来越过时的基础设施和操作模型。研究表明，要使事件处理适应云计算环境，云客户必须明确其对云服务提供商（CSP）的要求，以便成功处理事件，并相应地与CSP签订合同。其次，CSP必须努力支持这些要求，并在其服务水平协议中反映这些要求。入侵检测系统（IDS）被广泛应用于检测网络通信和主机中的恶意行为。面对云计算中新的应用场景，入侵检测系统的操作者应该是云基础设施的使用者，而不是管理者，这就产生了一些问题。云提供商需要为用户提供部署和配置IDS的可能性-这也带来了挑战。目前的研究和商业解决方案主要集中在防止拒绝服务攻击和针对云虚拟基础设施的攻击。为了应对这些挑战，我们提出了一种旨在通过使用基于欺骗的新方法来检测和防止数据泄露的能力。我们还介绍了一种基于各种威胁条件提高数据保护级别的方法。
2016-06-27 cs.CR
Trivial Trojans: How Minimal MCP Servers Enable Cross-Tool Exfiltration of Sensitive Data
Pivotal Research（Pivotal研究机构）；Stanford University（斯坦福大学）
本文针对模型上下文协议（MCP）生态的安全风险，提出仅需基础技能的攻击者可借助恶意MCP服务器利用跨工具信任窃取金融数据，并给出缓解与协议改进方案以填补安全缺口。
2025-07-26 cs.AI cs.CR
Exploiting Web Search Tools of AI Agents for Data Exfiltration
Open Hippo GmbH（Open Hippo有限公司）；University of Augsburg（奥格斯堡大学）；Smart Labs AI GmbH（Smart Labs AI有限公司）
研究分析了AI代理通过网络搜索工具进行数据外泄的攻击方式，探讨了模型大小、制造商及实现方式对漏洞的影响，并提出加强训练、建立攻击向量数据库和统一测试框架等安全措施。
2026-04-10 cs.CL cs.CR
Learning diverse attacks on large language models for robust red-teaming and safety tuning
KAIST（韩国科学技术院）；Mila – Québec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；National University of Singapore（新加坡国立大学）；University of Edinburgh（爱丁堡大学）；CIFAR（加拿大高级研究所）
该研究针对现有红队测试方法存在的模式崩塌或攻击有效性不足问题，提出GFlowNet微调加二次平滑的方法生成多样化攻击提示，其攻击对各类LLM有效且可迁移，用该攻击提示调优的模型对其他攻击方法具有鲁棒性。
2026-09-01 cs.CL cs.CR cs.LG
xLED: Covert Data Exfiltration from Air-Gapped Networks via Router LEDs
在本文中，我们展示了攻击者如何秘密泄露数据（例如，通过LAN交换机和路由器等网络设备中的一排状态LED，从高度安全或空气隔离的网络中获取加密密钥、密码和文件）。虽然已知一些网络设备发出与设备正在处理的信息相关的光信号（“侧通道”），但以前从未研究过有意控制状态LED以携带任何类型的数据（“隐蔽通道”）。在LAN交换机或路由器上执行恶意代码，从而完全控制状态LED。敏感数据可以通过LED的闪烁进行编码和调制。然后，所产生的信号可以由各种类型的远程摄像机和光学传感器记录。我们提供了交换机和路由器内部架构的技术背景（在硬件和软件层面），使这种类型的攻击。我们还提出了基于幅度和频率的调制和编码方案，以及一个简单的传输协议。我们实现了一个原型的泄漏恶意软件，并讨论其设计和实施。我们用几个路由器和不同类型的LED来评估这种方法。此外，我们还测试了各种接收器，包括远程摄像头，安全摄像头，智能手机摄像头和光学传感器，并讨论了不同的检测和预防对策。我们的实验表明，敏感数据可以通过交换机和路由器的状态LED以每个LED 10 bit/sec到超过1 Kbit/sec的比特率秘密泄漏。
2017-06-04 cs.CR
The MESA Security Model 2.0: A Dynamic Framework for Mitigating Stealth Data Exfiltration
针对传统纵深防御难以应对隐蔽数据外泄等复杂网络威胁的问题，研究提出MESA 2.0安全模型，从静态边界预防转向动态防御，以快速检测、即时响应和持续韧性降低入侵后果，助力企业适配 evolving 网络威胁环境。
2024-05-17 cs.CR
Subverting Stateful Firewalls with Protocol States (Extended Version)
分析了多个TCP/IP网络协议栈实现中协议头字段的生成，发现了泄漏全局协议状态信息的新途径。然后，我们通过远程观察和修改系统的全局状态，通过这些协议字段演示了新的隐蔽通道。与早期的作品不同，我们的研究集中在主机驻留在防火墙网络（包括源地址验证-SAV），这是一个非常常见的情况下，现在。我们的攻击被设计为非破坏性的-在渗透场景中，这使得攻击更加隐蔽，从而延长了它们的寿命，并且在主机别名解析和类似技术的情况下-这确保了技术是道德的。我们关注的是防火墙通常使用的TCP，以及UDP，随着HTTP/3和QUIC的出现，UDP预计将在互联网流量中占据更突出的份额，尽管我们也报告了TCP的结果。我们发现的信息泄漏的情况下，使实际的隐蔽通道，直接穿透防火墙的建设，或间接建立通信通过主机的防火墙网络，也采用SAV。我们描述和测试三种新的攻击在这种情况下：通过防火墙本身的渗透，通过DMZ主机渗透，并通过共存容器渗透。这是隐蔽通道的三个通用新用例，它们围绕防火墙工作，并使不允许与互联网直接通信的设备仍然可以将数据从网络中泄露出去。换句话说，我们将数据从孤立的网络泄露到互联网。我们还解释了如何安装已知的攻击，如主机别名解析，去NAT和容器共存检测，使用新的信息泄漏技术。
2022-08-31 cs.CR
Adversarial Attack Attribution: Discovering Attributable Signals in Adversarial ML Attacks
The MITRE Corporation（MITRE公司）
众所周知，机器学习（ML）模型容易受到对抗性输入的影响，研究人员已经证明，即使是自动驾驶汽车和ML即服务产品等生产系统也很容易受到影响。这些系统是不良行为者的目标。它们的中断可能造成真正的物质和经济损害。当对生产ML系统的攻击发生时，将攻击归因于负责的威胁组的能力是制定响应并追究攻击者责任的关键步骤。我们提出以下问题：可以adversarially扰动输入归因于特定的方法来产生的攻击？换句话说，有没有办法在这些攻击中找到暴露攻击算法、模型架构或攻击中使用的超参数的信号？我们引入了对抗攻击归因的概念，并创建了一个简单的监督学习实验框架，以检查发现归因信号在对抗攻击的可行性。我们发现，在CIFAR-10和MNIST数据集上区分不同攻击算法、模型和超参数生成的攻击是可能的。
2021-01-08 cs.CR cs.CV cs.LG
The Framing Gap: Indirect Prompt-Injection Exfiltration Defeats Surface-Level Defenses in Tool-Using Agents
Gyeongsang National University（庆尚国立大学）
该研究发现使用工具的智能体存在框架缺口，间接提示注入攻击可通过重新表述泄露内容突破表层防御，需通过目标约束或能力隔离等手段提升鲁棒性。
2026-08-28 cs.CR
Malicious GenAI Chrome Extensions: Unpacking Data Exfiltration and Malicious Behaviours
研究发现恶意GenAI Chrome扩展通过伪装和数据外泄威胁用户，揭示了浏览器扩展生态与GenAI技术的紧密关联。
2025-12-10 cs.CR
DROPWAT: an Invisible Network Flow Watermark for Data Exfiltration Traceback
在过去的10年中，已经提出了水印技术作为一种方法来跟踪网络流量的入侵检测的目的。这些技术的目的是在业务流上留下隐藏的签名。网络流水印的中心属性是不可见性，即，未经授权的第三方无法识别的能力。虽然被广泛地寻求，但是不可见水印的开发是一项尚未完成的具有挑战性的任务。在本文中，我们采取了一个步骤，在解决不可见性问题与DROPWAT，主动网络流水印技术开发跟踪互联网流定向到登台服务器，是在数据泄露攻击的最终目的地，即使在存在几个中间垫脚石或匿名网络。DROPWAT是一种基于时间的技术，通过利用网络对数据包丢失的反应来间接修改数据包间延迟。我们的经验表明，通过DROPWAT嵌入的水印是不可见的第三方观察水印流量。我们还验证DROPWAT和分析其性能的控制实验框架，涉及在互联网上执行一系列的实验，使用Web代理服务器作为垫脚石上执行的几个实例在亚马逊Web服务，以及TOR匿名网络的垫脚石的地方。我们的研究结果表明，该检测算法是能够识别一个嵌入式水印实现95%以上的准确率，而不可见的。
2017-05-26 cs.CR
Supply Chain Exploitation of Secure ROS 2 Systems: A Proof-of-Concept on Autonomous Platform Compromise via Keystore Exfiltration
Department of Electrical and Computer Engineering, Tennessee Technological University（电气与计算机工程系，田纳西技术大学）；Department of Computer Science, Tennessee Technological University（计算机科学系，田纳西技术大学）；Center for Manufacturing Research, Tennessee Technological University（制造研究中心，田纳西技术大学）
本文通过在安全ROS 2系统中植入木马，利用密钥库外泄实现对自动驾驶平台的入侵，展示了供应链攻击对自主系统安全的威胁。
2025-10-31 cs.CR cs.OS cs.RO
High-Capacity Robust Medical Image Exfiltration via Neural Network Weight Replacement
Université Côte d'Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）
本文提出一种高容量神经隐写攻击，通过将医学图像编码为连续潜在表示嵌入模型权重，实现鲁棒且可扩展的数据窃取，并揭示现有参数级防御的不足。
2026-09-29 cs.AI cs.CR cs.CV
Hypervisor-based Double Extortion Ransomware Detection Method Using Kitsune Network Features
本文针对双重勒索勒索软件攻击，提出基于轻量级虚拟机监控程序的低层存储、内存行为特征与Kitsune网络特征相结合的检测方法，用于识别数据窃取阶段，实验显示宏观F分数提升0.166。
2025-08-12 cs.CR
Malicious Overtones: hunting data theft in the frequency domain with one-class learning
描述了一种用于检测来自计算机网络的电子数据盗窃的方法，该方法能够识别在数天至数周内发生的远程渗透模式。正常的业务流数据，在一段时间内的主机的入口和出口字节的形式，用于训练一个类学习器的合奏。检测集成是模块化的，具有在不同流量特征上训练的单独分类器，这些特征被认为是恶意数据传输的特征。我们选择的功能，模型的出口到入口的字节平衡随着时间的推移，周期性，短时间尺度的不规则性，和密度的流量。在频域中对特征进行最有效的建模，这具有将可变持续时间流转换为固定大小的特征向量的额外好处，并且通过适当地对频率空间进行采样，可以测试长持续时间流。当对来自单个主机的数天或数周的流量进行训练时，我们的集合在一系列不同的系统类型上实现了较低的误报率（<2%）。生成具有各种不同定时和数据特征的模拟渗出样本，并用于测试不同类型系统的集合性能：当在客户端工作站的外部流量上进行训练时，该集合通常能够成功地检测出不同时具有大量进入、稀疏连接并且持续时间短-对于寻求传输大量数据的攻击者来说，这种组合并不是最佳的。远程渗透更难以从出口繁重的系统（如Web服务器）中检测到，正常流量表现出类似于各种渗透类型的时间特征。
2019-04-09 cs.CR
Automated Membership Inference Attacks (AutoMIA): Discovering MIA Signal Computations using LLM Agents
Emory University（埃默里大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出AutoMIA框架，利用LLM代理自动化设计和实现新的成员推断攻击策略，通过系统探索攻击策略空间，发现新型攻击方法，实验显示在目标模型和数据集上提升AUC达0.18。
2026-09-18 cs.CR cs.LG
Simple Prompt Injection Attacks Can Leak Personal Data Observed by LLM Agents During Task Execution
University of Zurich（苏黎世大学）；IPM
本文研究提示注入如何使工具调用智能体泄露任务中观察到的个人数据，通过基于数据流的攻击和扩展的银行对话数据集在 AgentDojo 上评估，发现攻击显著降低效用并导致个人数据泄露，而现有防御难以完全阻止。
2025-06-01 cs.CL cs.CR
Monitoring Security of Enterprise Hosts via DNS Data Analysis
企业网的规模和复杂性都在不断增长，需要以不同的方式保护异构连接资产。然而，几乎所有连接的资产都使用域名系统（DNS）进行地址解析，因此DNS已成为攻击者秘密执行命令和控制（C&C）通信、数据窃取和服务中断的方便工具。监控网络流量的企业安全设备通常允许所有DNS流量通过，因为它对于访问任何Web服务都至关重要;它们最多只能与已知恶意模式的数据库匹配，因此对零日攻击无效。本论文重点关注三种利用DNS的高影响力网络攻击，特别是数据泄露，恶意软件C&C通信和服务中断。使用从大学校园和政府研究机构收集的DNS网络流量的大数据（超过10 B数据包）超过6个月的时间，我们说明了这些攻击的解剖，训练机器自动检测此类攻击，并评估其在该领域的有效性。
2022-05-18 cs.CR cs.NI
CTRL-ALT-LED: Leaking Data from Air-Gapped Computers via Keyboard LEDs
Loughry和Umphress [1]于2002年提出使用键盘LED以光学方式发送数据（附录A）。在本文中，我们广泛探讨了这种威胁的背景下，现代网络攻击与当前的硬件和光学设备。在这种类型的攻击中，高级持续威胁（APT）使用键盘LED（Caps-Lock，Num-Lock和Scroll-Lock）对信息进行编码，并从气隙计算机中光学地泄漏数据。值得注意的是，现有的数据泄漏防护（DLP）系统并不监控这种渗透渠道。我们研究这种攻击和它的边界，今天的键盘与USB控制器和敏感的光学传感器。我们还介绍了智能手机和智能手表摄像头作为恶意内幕和“邪恶女仆”攻击的组成部分。我们提供了必要的科学背景光通信和现代USB键盘的特点，在硬件和软件水平，并提出了传输协议和调制方案。我们实现了泄漏恶意软件，讨论了它的设计和实现问题，并评估它与不同类型的键盘。我们还测试各种接收器，包括光传感器、远程摄像头、“极限”摄像头、安全摄像头和智能手机摄像头。我们的实验表明，数据可以通过键盘LED从气隙计算机泄漏，最大比特率为3000位/秒，如果使用光传感器作为接收器，则每个LED的比特率超过120位/秒。攻击不需要在硬件或固件级别对键盘进行任何修改。
2019-07-10 cs.CR eess.SP
Transpose Attack: Stealing Datasets with Bidirectional Training
Ben Gurion University（本古里安大学）
本研究发现深度神经网络存在可双向训练的漏洞，攻击者可借此隐藏恶意模型、系统性窃取高保真数据集样本，并提出了检测受感染模型的新方法。
2024-05-17 cs.CR cs.LG
Discovering, quantifying, and displaying attacks
在软件和网络物理系统的设计中，安全性通常被视为一种定性需求，但只能定量实现。特别是当涉及分布式组件时，很难预测和应对所有可能的攻击。因此，复杂系统开发中的一个主要挑战是发现攻击，量化它们以了解它们的可能性，并将它们传达给非专家以促进决策过程。为了解决这个三方面的挑战，我们提出了一个保护分析的质量演算，（i）计算所需的所有数据集的攻击者到达系统中的给定位置，（ii）确定最便宜的一组这样的攻击给定的成本概念，（iii）推导出一个攻击树，以图形方式显示的攻击。保护分析首先是在定性环境中进行的，然后按照适用于许多情况的方法扩展到定量环境。定量制定实施编码成可满足性模理论的优化问题，使我们能够处理复杂的成本结构。该框架的实用性证明了一个国家级的认证系统，通过Java实现的框架进行了研究。
2016-10-19 cs.CR cs.LO
Formally Discovering and Reproducing Network Protocols Vulnerabilities
本文提出NACT方法，结合可组合攻击者规范、形式化规范变异和随机约束求解技术，生成攻击场景与测试用例，有效发现并复现单协议及多协议交互中的网络协议漏洞。
2025-03-03 cs.CR cs.FL cs.NI
ProblemChild: Discovering Anomalous Patterns based on Parent-Child Process Relationships
越来越常见的是，对手攻击不仅仅包括一个独立的可执行文件或脚本。通常，攻击的证据包括可能被传统静态机器学习模型忽略的明显的过程遗产。高级攻击者技术，如“生活在陆地上”，孤立地看起来很正常，但在父子上下文中观察时变得更加可疑。从父子进程链导出的上下文可以帮助识别和分组恶意软件家族，以及发现新颖的攻击者技术。攻击者将这些技术链接起来以实现持久性，绕过防御并执行操作。传统的基于入侵检测的检测通常会产生属于构成单一攻击的噪声或不同事件。ProblemChild是一个基于图的框架，旨在解决这些问题。ProblemChild应用一个监督学习分类器来导出一个加权图，用于将看似不同的事件社区识别为更大的攻击序列。ProblemChild应用条件概率自动对异常社区进行排名，并抑制常见的父子链。结合起来，这个框架可以被分析师用来帮助制作或调整检测器，并随着时间的推移减少误报。我们针对APT3攻击的2018年MITRE ATT&CK（TM）仿真评估了ProblemChild，以证明其在识别异常父子进程链方面的前景。
2020-08-11 cs.CR
The HTTP Garden: Discovering Parsing Vulnerabilities in HTTP/1.1 Implementations by Differential Fuzzing of Request Streams
针对HTTP/1.1解析差异漏洞，提出HTTP Garden系统，结合源服务器与网关服务器分析及覆盖引导差分模糊测试，发现并报告超100个解析错误，其中68个已修复。
2024-05-28 cs.CR cs.NI
Discovering New Shadow Patterns for Black-Box Attacks on Lane Detection of Autonomous Vehicles
本文提出利用阳光形成的被动“负阴影”图案欺骗AV车道检测系统，并通过仿真与实地实验验证其高危害性，同时给出可降低87%攻击成功率的轻量级光度过滤防御。
2025-06-14 cs.CR
Discovering Command and Control (C2) Channels on Tor and Public Networks Using Reinforcement Learning
Deloitte & Touche LLP（德勤全球有限公司）；National Security Institute, Virginia Tech（弗吉尼亚理工大学国家安全研究所）
针对网络攻击中C2信道识别依赖人工、门槛高的问题，提出基于强化学习的方法，在公共网与Tor网中模拟攻击，可自动发现能绕过防火墙的多信道韧性C2攻击路径。
2024-02-14 cs.AI cs.CR
Framework for Discovering GPS Spoofing Attacks in Drone Swarms
Cornell University（康奈尔大学）；University of British Columbia（不列颠哥伦比亚大学）
本文提出两种模糊测试工具SwarmFuzzGraph和SwarmFuzzBinary，用于发现无人机群控制算法中因GPS欺骗攻击导致的群传播漏洞（SPVs）。
2026-05-30 cs.CR
D-Score: An Expert-Based Method for Assessing the Detectability of IoT-Related Cyber-Attacks
众所周知，物联网设备容易受到各种网络攻击，例如数据泄露和作为DDoS攻击一部分的洪水攻击。当使用网络流量分析来检测此类攻击时，事实证明，如果某些攻击场景涉及不同的物联网模型，则并不总是同样容易检测到。也就是说，当针对某些物联网模型时，可以相当准确地检测到给定的攻击，而当针对其他模型时，相同的攻击可能会导致太多的错误警报。在这项研究中，我们试图解释物联网攻击可检测性的这种可变性，并设计一种风险评估方法，能够解决一个关键问题：基于异常的网络入侵检测系统检测涉及特定物联网模型的给定网络攻击有多容易？在解决这个问题的过程中，我们（a）调查物联网网络流量的可预测性，（b）提出一种新的物联网攻击检测分类法，该分类法还包含流量可预测性方面，（c）提出一种基于专家的攻击可检测性估计方法，该方法使用该分类法来获得可检测性得分（称为“D分数”），以及（d）在将我们的方法与数据驱动的方法进行比较时，对我们的方法进行经验评估。
2023-03-02 cs.CR
DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach
aizoOn Technology Consulting（艾佐恩技术咨询公司）
由于网络的高度异质性，在合法流量中检测隐蔽信道是一个严峻的挑战。因此，我们提出了一种有效的隐蔽通道检测方法，基于分析的DNS网络数据被动提取的网络监控系统。该框架是基于一个机器学习模块和提取特定的异常指标，能够描述手头的问题。本文的贡献是双重的：（i）机器学习模型包含针对网络用户而不是针对单个查询事件定制的网络配置文件，因此允许创建行为配置文件并发现与正常基线的可能偏差;（ii）以无监督模式创建模型，从而允许识别零日攻击并避免对新变体的签名或密码学的要求。在为期15天的实验会话中，对所提出的解决方案进行了评估，注入了涵盖最相关的渗透和隧道攻击的流量：检测到了所有恶意变体，同时在同一时期产生了较低的误报率。
2020-10-04 cs.CR cs.LG cs.NI
Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion
University of Adelaide（阿德莱德大学）
本论文针对网络防御和信息扩散领域，将加固活动目录与识别结构洞跨越者问题转化为图组合优化，设计机器学习方法发现瓶颈节点和边，以增强网络韧性。
2023-09-22 cs.CR cs.LG
Quality-Diversity Evolution for Discovering Diverse Vulnerabilities in LLM Safety
Rota Labs（Rota实验室）
提出基于质量-多样性进化框架（MAP-Elites）在语义层面生成可解释攻击策略，发现不同LLM的特定漏洞模式。
2026-05-30 cs.CL cs.CR cs.ET
TxProbe: Discovering Bitcoin's Network Topology Using Orphan Transactions
比特币依赖于点对点覆盖网络来广播交易和区块。从网络测量的角度来看，我们希望观察这种拓扑结构，以便我们可以描述其性能，公平性和鲁棒性。然而，这是困难的，因为比特币被故意设计成隐藏其拓扑结构。拓扑知识本身并不是一个漏洞，尽管它可以帮助攻击者执行有针对性的eclipse攻击或去匿名化交易。在本文中，我们提出了TxProbe，一种用于重建比特币网络拓扑结构的新技术。TxProbe利用了比特币处理无序或“孤立”交易的特殊性。我们在比特币测试网上进行了实验，结果表明我们的技术重建拓扑的准确率和召回率超过90%。我们还使用TxProbe在短短几个小时内拍摄了比特币测试网的快照。TxProbe可能对比特币或其他加密货币网络的未来测量活动有用。
2018-12-10 cs.CR
LANTENNA: Exfiltrating Data from Air-Gapped Networks via Ethernet Cables
气隙网络是用以太网电缆连接的，因为无线连接是严格禁止的。在本文中，我们提出了LANTENNA -一种新型的电磁攻击，允许对手从隔离的，空气间隙的网络泄漏敏感数据。空气间隙计算机中的恶意代码收集敏感数据，然后通过以太网电缆发出的无线电波对其进行编码，使用它们作为天线。附近的接收设备可以无线拦截信号，解码数据，并将其发送给攻击者。我们讨论了渗透技术，检查隐蔽通道的特点，并提供实施细节。值得注意的是，恶意代码可以在普通用户模式进程中运行，并在虚拟机内成功运行。我们在不同的情况下评估隐蔽通道，并提出了一套对策。我们的实验表明，利用LANTENNA攻击，数据可以从空气间隙的计算机中渗透到数米之外。
2021-09-30 cs.CR
TASEP: A Collaborative Social Engineering Tabletop Role-Playing Game to Prevent Successful Social Engineering Attacks
针对社会工程学攻击，提出一款名为TASEP的桌面角色扮演游戏，通过模拟渗透测试和乐高模型，提供沉浸式培训，以提高员工安全意识，经评估具有良好效果。
2023-08-29 cs.CR
