Toward a Mathematical Vulnerability Propagation and Defense Model in Smart Grid Networks
为了减少互联网络中的威胁传播,必须最佳地分配防御投资。大多数电力公司的资源有限,但如何考虑成本,而设计的威胁减少技术还没有很好地理解。因此,在这项工作中,脆弱性传播和防御模型的基础上提出的流行病模型。然后通过两节点和N节点情况下传播参数对最优投资的敏感性来验证新的防御机制。此外,该模型的有效性进行评估与实施中的一个通信网络的网络物理电力系统。拓扑结构对最优节点投资的影响也被强调。最优投资的邻居度较小,被发现是高度敏感的脆弱性可利用概率的波动。
2022-08-29 cs.CR
Field-sensitive Data Flow Integrity
尽管目前已经研究了许多针对内存漏洞攻击的防御方法,但如何实现高度兼容、精确、高效的防御仍然是一个有待解决的问题。事实上,现有的防御方法具有以下问题中的至少一个:它们(1)不能精确地保护结构字段,(2)招致高保护开销,和/或(3)由于对受保护程序强加存储器布局改变而不能保持与现有代码的兼容性。在本文中,我们提出了一种新的内存保护方法FIX感,旨在同时解决所有这些问题。我们的核心思想是执行内存保护的基础上,字段敏感的数据流的完整性。具体地说,我们的方法(1)计算每个内存对象的安全写-读关系,在结构-字段粒度,基于字段敏感的值流分析在编译时的保护程序。(2)在运行时,执行轻量级验证以确定由受保护程序执行的每个存储器读取是否属于在编译时为存储器对象计算的安全写入-读取关系。(3)该验证通过轻量级元数据管理来实现,轻量级元数据管理以结构字段粒度跟踪存储器写入,而不改变目标程序的存储器布局(尤其是结构字段布局)。
2023-02-15 cs.CR cs.SE
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
Vulnerability Assessment and Penetration Testing on IP cameras
IP摄像机一直是物联网(IoT)的一部分,是家庭和专业环境中使用最广泛的设备之一。不幸的是,IP摄像机的漏洞吸引了恶意活动。例如,在2016年,一次大规模的攻击导致数千个摄像头和物联网设备被攻破,并被用来创建僵尸网络。考虑到这些设备的历史和所访问数据的极端敏感性,人们自然会质疑目前的安全措施。在本文中,漏洞评估和渗透测试进行了一个特定型号的IP摄像机,TP-Link Tapo C200。更详细地说,我们的调查结果表明,有问题的IP摄像机存在三个漏洞,例如:拒绝服务,视频窃听,最后是一种名为“Motion Oracle”的新型攻击。实验不仅限于攻击性部分,而且还为有问题的摄像机和所有可能遭受相同漏洞的人提出对策。对策是基于使用另一个物联网设备,Raspberry Pi。
2022-02-14 cs.CR
Contextualizing Sink Knowledge for Java Vulnerability Discovery
Georgia Institute of Technology(佐治亚理工学院);Samsung Research(三星研究院);University of Waterloo(滑铁卢大学)
GONDAR框架通过利用sink API语义进行针对性漏洞发现,通过CWE扫描和LLM静态过滤识别可利用的sink调用点,并通过探索和利用代理协作发现更多漏洞。
2026-04-19 cs.CR
How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection
China Telecom Research Institute(中国电信研究院)
本文研究了代码表示格式对跨语言LLM漏洞检测假阳性的影响,通过对比不同训练强度和代码表示格式,发现文本微调会提高假阳性率,而AST表示能有效降低假阳性,且在不同语言间具有鲁棒性。
2026-04-30 cs.CR cs.SE
Concealing Sensitive Samples against Gradient Leakage in Federated Learning
Monash University(莫纳什大学)
针对联邦学习中梯度泄露导致的模型反转攻击隐私风险,提出基于合成隐藏样本混淆敏感数据梯度的防御策略,在保障防护强度的同时维持联邦学习性能。
2023-12-14 cs.CR cs.CV cs.LG
Lost and Found in Speculation: Hybrid Speculative Vulnerability Detection
针对处理器推测执行易受微架构攻击的问题,提出结合硬件模糊测试与信息流追踪的流片前验证方法Specure,无需黄金模型即可检测漏洞,还提出泄露路径覆盖指标,在RISC-V BOOM处理器上发现新漏洞,搜索和已知漏洞检测速度均大幅提升。
2024-10-29 cs.AR cs.CR
TaintSentinel: Path-Level Randomness Vulnerability Detection for Ethereum Smart Contracts
University of Salerno(萨莱诺大学);Luleå University of Technology(吕勒奥理工大学)
针对以太坊智能合约随机数漏洞,本文提出路径敏感的 TaintSentinel,通过规则污点分析、双流神经网络及 PathGNN/GlobalGCN 提升检测精度。
2025-10-21 cs.CR
Strategic Heterogeneous Multi-Agent Architecture for Cost-Effective Code Vulnerability Detection
University of Southern California(南加州大学)
本文提出一种基于博弈论的异构多智能体架构,结合云上大语言模型专家与本地轻量验证器,通过三重专家并行分析与对抗验证,实现高效且高精度的代码漏洞检测,实验显示其在精度和召回率上均优于现有方法。
2026-04-23 cs.CR cs.LG cs.SE
Database Traffic Interception for Graybox Detection of Stored and Context-Sensitive XSS
XSS是一个安全漏洞,允许将恶意代码注入Web应用程序的客户端。在最简单的情况下,当Web应用程序在Web输出中包含用户输入而没有进行适当的清理时,就会出现XSS漏洞。这种简单的XSS漏洞可以通过黑盒扫描器相当可靠地检测到,黑盒扫描器将恶意负载注入HTTP请求的敏感部分,并在Web输出中查找反映的值。当前的黑盒扫描器无法有效抵御已存储的XSS漏洞,其中HTTP响应中的恶意有效负载来自Web应用程序的数据库存储,而不是来自关联的HTTP请求。类似地,许多黑盒扫描器没有系统地处理上下文敏感的XSS漏洞,其中用户输入在转换之后被包括在web输出中,这阻止扫描器识别原始值,但没有充分地清理值。因此,在两个基本数据源(存储与反射)和两个基本漏洞模式(上下文敏感与非上下文敏感)的组合中,只有一个通过最先进的黑匣子扫描器进行系统测试。我们的工作重点是系统地覆盖其余三种组合。我们提出了一个灰盒机制,扩展了通用数据库,以配合我们的XSS扫描仪,报告和注入测试输入之间的边界数据库和Web应用程序。此外,我们设计了一种机制,即使在Web应用程序编码后,也可以识别Web输出中的注入输入,并检查编码是否在相应的浏览器上下文中正确地清理注入的输入。我们评估了我们的方法在八个成熟的和技术多样的Web应用程序,发现以前未知的和可利用的XSS漏洞,在这些应用程序中的每一个。
2020-08-07 cs.CR
Yama: Precise Opcode-based Data Flow Analysis for Detecting PHP Applications Vulnerabilities
针对PHP应用漏洞检测中数据流分析精度不足的问题,提出基于PHP操作码的上下文敏感、路径敏感的过程间分析方法Yama,在复杂语义分析中真阳性率达99.1%,还在真实项目中发现38个零日漏洞并公开相关代码与规则。
2024-10-16 cs.CR
On The Vulnerability of Anti-Malware Solutions to DNS Attacks
反恶意软件代理通常与其远程服务通信以共享有关可疑文件的信息。这些远程服务使用它们的最新信息和全局上下文(视图)来帮助对文件进行分类并指示它们的代理采取预定动作(例如,删除或隔离)。在这项研究中,我们提供了一个特定形式的反恶意软件代理和他们的服务,这完全发生在不安全的DNS协议之间的通信的安全分析。这些服务,我们称之为DNS反恶意软件列表(DNSAML)服务,会影响反恶意软件代理扫描的文件的分类,因此可能会由于DNS协议的已知完整性和机密性缺陷而使其消费者面临风险。通过分析一家知名CDN提供商提供给作者的大规模DNS流量数据集,我们确定了似乎利用DNSAML服务的反恶意软件解决方案。我们发现,这些解决方案部署在全球近300万台机器上,每天交换数亿个DNS请求。这些请求携带敏感的文件扫描信息,通常-正如我们所展示的-没有任何额外的保护措施来补偿DNS协议的不安全性。因此,这些使用DNSAML的反恶意软件解决方案容易受到DNS攻击。例如,能够篡改DNS查询的攻击者能够在扫描机器上不存在的情况下改变扫描文件的分类。我们展示了至少三种适用于反恶意软件解决方案的三种攻击,这些攻击可能导致反恶意软件代理的敏感信息泄露和不当行为,例如忽略检测到的威胁。最后,我们提出并审查了一套反恶意软件解决方案提供商的对策,以防止使用DNSAML服务所产生的攻击。
2021-09-23 cs.CR
Statistical Analysis of Executability and Program Equivalence in Decompilation for IoT Vulnerability Detection
College of Science and Technology, Nihon University(日本大学理工学部);Waseda Institute for Advanced Study, Waseda University(早稻田大学高等研究院);Graduate School of Informatics and Engineering, The University of Electro-Communications(电气通信大学信息工学研究科)
该研究针对物联网固件漏洞检测的反编译问题,提出九维质量评估指标,通过统计分析证明其可有效评估反编译质量,为物联网设备缺陷及黑盒生成模型质量评估提供基础。
2026-08-10 cs.CR cs.SE
Understanding Concurrency Vulnerabilities in Linux Kernel
虽然有大量的工作,分析并发相关的软件错误和开发技术,检测和修补它们,很少注意到并发相关的安全漏洞。两者的不同之处在于,并非所有的bug都是漏洞:对于可利用的bug,需要有一种方法让攻击者触发其执行并造成损害,例如,泄露敏感数据或运行恶意代码。为了填补这一空白,我们进行了第一次经验研究的并发漏洞报告在Linux操作系统在过去的十年。我们专注于分析常见漏洞和暴露(CVE)数据库中存档的已确认漏洞,然后根据漏洞类型,利用模式和开发人员采用的补丁策略将其分类为不同的组。我们使用代码片段来说明各个漏洞类型和补丁策略。我们还使用统计数据来说明整个情况,包括每种漏洞类型的百分比。我们希望对这个问题有一些了解,例如,并发漏洞继续对系统安全构成严重威胁,即使是内核开发人员也很难对其进行分析和修补。因此,需要更多的努力来开发分析和修补这些漏洞的工具和技术。
2022-12-11 cs.CR cs.SE
Adversarial Examples for Cost-Sensitive Classifiers
The RAND Corporation(兰德公司)
出于安全关键分类问题的动机,我们研究了对成本敏感分类器的对抗攻击。我们使用当前最先进的抗对抗神经网络分类器[1]作为基础模型。然后通过网络前馈评估中的最终处理步骤实现成本敏感预测。我们评估了成本敏感分类器对各种攻击的有效性,并介绍了一种新的成本敏感攻击,在某些情况下,它的性能优于有针对性的攻击。我们还探讨了防御者可以采取的措施,以限制他们对这些攻击的脆弱性。这种攻击者/防御者的情况下,自然是一个两个球员的零和有限的游戏,我们用博弈论分析。
2019-10-04 cs.CR cs.LG stat.ML
Focus on What Matters: Fisher-Guided Adaptive Multimodal Fusion for Vulnerability Detection
University of Chinese Academy of Sciences(中国科学院大学)
本文提出TaCCS-DFA框架,通过Fisher信息引导的自适应多模态融合,提升漏洞检测的F1分数,同时降低推理延迟。
2026-09-15 cs.AI cs.CR cs.SE
TaintRadar: Semantic-Aware Taint-Style Vulnerability Detection via Augmented Code Property Graphs
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
研究针对静态漏洞分析的局限,提出TaintRadar方法,通过增强代码属性图的三个语义分析层改进污点分析,在合成基准和实际系统评估中减少误报、提高准确率,重新发现多数已知CVE并找出多个零日漏洞,提升了静态污点分析的多方面性能。
2026-07-21 cs.CR
Bankrupt Covert Channel: Turning Network Predictability into Vulnerability
近年来,尽管云提供商部署了积极的信息遏制措施,但数据泄露的数量仍在激增。当攻击者在安全的云环境中获取敏感数据时,隐蔽通信通道是将数据泄露到外部世界的关键工具。虽然之前的大部分工作都集中在单个CPU内的隐蔽通道上,但它们需要间谍(发送器)和接收器共享CPU,这在具有数百或数千台机器的云环境中可能难以实现。这项工作提出了破产,一个高速率的高度秘密的通道,使间谍和接收器之间的秘密通信运行在一个RDMA网络中的不同节点。在破产中,间谍通过向不同机器(中介)上分配给它的私有内存区域发出RDMA网络数据包来与接收方通信。接收器类似地在同一中间设备上分配也经由RDMA访问的单独的存储器区域。通过将RDMA数据包引导到一组特定的远程存储器地址,间谍在一个存储体(主存中最精细的可寻址内部单元)处引起深度排队。这暴露了接收器可以通过向映射到相同存储体但在其自己的私有存储器区域中的地址发出探测分组来监听的定时信道。破产通道在CloudLab的公共云中提供74 Kb/s的吞吐量,同时保持现有监控功能(如CPU和NIC性能计数器)无法检测到。
2020-08-03 cs.CR
A Match Made in Heaven? AI-driven Matching of Vulnerabilities and Security Unit Tests
Hamburg University of Technology(汉堡理工大学)
VuTeCo通过AI技术自动收集漏洞见证测试案例,提升安全单元测试的生成与匹配效率。
2026-01-22 cs.CR cs.LG cs.SE
"Abuse Risks are Often Inherent to Product Features": Exploring AI Vendors' Bug Bounty and Responsible Disclosure Policies
University of Edinburgh(爱丁堡大学)
本文研究了AI供应商在漏洞赏金和负责任披露政策中的风险与实践,发现36%的供应商无明确政策,且数据访问等漏洞最常被纳入范围,而劫持等漏洞则被排除。
2026-01-21 cs.CR
Vulnerability Disclosure through Adaptive Black-Box Adversarial Attacks on NIDS
University of Staffordshire(Staffs大学)
本文提出一种严格遵守黑盒约束的网络流量对抗攻击方法,利用变点检测和因果分析进行自适应特征选择,以低计算成本和极少交互有效规避检测,为开发鲁棒防御奠定基础。
2025-06-25 cs.AI cs.CR
LLM Embedding-based Attribution (LEA): Quantifying Source Contributions to Generative Model's Response for Vulnerability Analysis
Rochester Institute of Technology(罗切斯特技术学院);Gonzaga University(戈兹加大学)
针对大语言模型用于漏洞分析时来源贡献不透明的问题,提出基于嵌入的归因方法LEA,可量化内部知识与检索内容的贡献,在大模型上场景区分准确率超95%,为审计RAG工作流提供度量。
2025-09-03 cs.AI cs.CR
Forecasting the risk of software choices: A model to foretell security vulnerabilities from library dependencies and source code evolution
本文提出一个白盒轻量级模型,通过形式化源代码演化与库依赖,在库级别预测软件项目未来面临CVE披露的概率,辅助项目特定技术决策与生态系统健康度量。
2024-11-17 cs.CR cs.ET cs.SE
Finding Vulnerabilities in Mobile Application APIs: A Modular Programmatic Approach
本文提出并实现了一种模块化端点漏洞检测工具,通过自动化修改API请求并启发式分析响应来挖掘移动应用中的安全漏洞,发现超50%的应用存在访问控制失效问题,为开发者提供了开源测试方案。
2023-10-22 cs.CR
Scrub It Out! Erasing Sensitive Memorization in Code Language Models via Machine Unlearning
Huazhong University of Science and Technology(华中科技大学);Zhejiang University(浙江大学);King Abdullah University of Science and Technology(国王阿卜杜勒阿齐兹大学);University of Alberta(阿尔伯塔大学);Chongqing University(重庆大学);Singapore Management University(新加坡管理学院)
本文提出基于机器遗忘的方法CodeEraser,通过选择性遗忘敏感记忆片段并保留代码结构与功能,高效擦除代码语言模型中的敏感信息,无需全量重训练即可在维持模型效用的同时有效保护隐私。
2025-09-17 cs.AI cs.CR cs.SE
Systematically Analyzing Prompt Injection Vulnerabilities in Diverse LLM Architectures
The Baldwin School(鲍德温学校)
该研究系统测试36个大语言模型的提示注入脆弱性,发现参数规模、架构与易攻击性显著相关,56%的测试攻击成功,呼吁构建多层防御并探索多场景安全增强策略。
2024-10-28 cs.AI cs.CL cs.CR
Mitigating Sensitive Information Leakage in LLMs4Code through Machine Unlearning
College of Computer Science and Technology, National University of Defense Technology, Changsha, Hunan, 410073, China(计算机科学与技术学院,国防科技大学,长沙,湖南,410073,中国);Xichang Satellite Launch Center, Xichang, Sichuan, 615000, China(西昌卫星发射中心,西昌,四川,615000,中国);Academy of Military Sciences, Beijing, 100091, China(军事科学院,北京,100091,中国)
本文通过机器遗忘技术有效减少LLMs4Code中的敏感信息泄露,同时保持代码生成性能,揭示了间接泄露的潜在风险。
2026-01-28 cs.AI cs.CR cs.SE
Thales: Formulating and Estimating Architectural Vulnerability Factors for DNN Accelerators
University of Rochester(罗切斯特大学);PerceptIn;Arm Research(Arm研究院)
本文提出Thales方法,通过准确捕获瞬态故障下DNN变量的故障概率并利用蒙特卡洛积分加速估计弹性准确率(RA),揭示了瞬态故障导致的准确率下降远超现有工具估计,并可与网络架构搜索框架集成以设计更具弹性的DNN。
2024-01-07 cs.AR cs.CR cs.LG
Cross-Flow Correlations Survive Synthesis: Measuring Source-Level Privacy Leakage in Synthetic Network Traces
Princeton University(普林斯顿大学)
本文揭示SynNetGens在合成网络轨迹中保留跨流行为相关性,导致源级隐私泄露,提出TraceBleed攻击并评估五种数据集和六种SynNetGens,发现流或数据包级差分隐私无法保护源隐私,除非降质到不可用水平。
2026-05-08 cs.CR cs.NI
Taipan: A Query-free Transfer-based Multiple Sensitive Attribute Inference Attack Solely from Auxiliary Graphs
University of Pittsburgh(匹兹堡大学)
Taipan是一种无需查询的基于转移的多敏感属性推断攻击框架,通过分析公开发布的图数据实现隐私泄露。
2026-10-01 cs.CR cs.LG
Detecting Replay Attacks Using Multi-Channel Audio: A Neural Network-Based Method
University of Notre Dame(圣母大学)
随着使用语音作为主要输入的安全敏感系统的数量迅速增长,解决这些系统对重放攻击的潜在脆弱性变得越来越重要。以前解决这一问题的努力主要集中在单声道音频上。在本文中,我们介绍了一种新的神经网络为基础的重放攻击检测模型,进一步利用多声道音频的空间信息,并能够显着提高重放攻击检测性能。
2020-07-03 cs.CR cs.LG cs.SD
From Beats to Breaches:How Offensive AI Infers Sensitive User Information from Playlists
University of Padova(帕多瓦大学);Spritz Matter
研究攻击性人工智能如何从音乐播放列表推断用户敏感信息,开发工具musicPIIrate利用深度学习架构达先进准确率,能推断多种属性,还提出防御框架JamShield,为播放列表PII推断提供基准并展示缓解效果。
2026-07-09 cs.AI cs.CR
Graph Backdoor
Pennsylvania State University(宾夕法尼亚州立大学);Zhejiang University(浙江大学)
深度神经网络(DNN)的一个有趣特性是它们固有的后门攻击脆弱性-特洛伊木马模型以高度可预测的方式响应嵌入式输入,同时正常运行。尽管先前针对连续数据的DNN的工作过多(例如,图像),用于离散结构数据的图神经网络(GNN)的脆弱性(例如,图)在很大程度上是未开发的,鉴于它们在安全敏感领域中的使用越来越多,这是非常令人担忧的。为了弥合这一差距,我们提出了GTA,第一个对GNN的后门攻击。与以前的工作相比,GTA在重要方面有所不同:面向图-它将触发器定义为特定的子图,包括拓扑结构和描述性特征,为对手提供了很大的设计范围;输入量身定制-它动态地使触发器适应各个图,从而优化攻击效果和规避能力;下游模型不可知的--它可以在不了解下游模型或微调策略的情况下容易地启动;以及攻击可扩展的--它可以被实例化用于两个转换(例如,节点分类)和归纳(例如,图分类)任务,对一系列安全关键应用构成严重威胁。通过使用基准数据集和最先进的模型进行广泛的评估,我们证明了GTA的有效性。我们进一步提供分析的理由,其有效性和讨论潜在的对策,指出几个有前途的研究方向。
2021-08-10 cs.CR cs.LG stat.ML
CI-Work: Benchmarking Contextual Integrity in Enterprise LLM Agents
Huazhong University of Science and Technology(华中科技大学);Microsoft(微软)
CI-Work基准测试评估企业LLM代理在密集检索中传达关键内容并隐藏敏感信息的能力,揭示隐私泄露普遍且高任务效用与隐私违规正相关,需转向以情境为中心的架构。
2026-04-23 cs.CL cs.CR
DeepHammer: Depleting the Intelligence of Deep Neural Networks through Targeted Chain of Bit Flips
University of Central Florida(中佛罗里达大学);Arizona State University(亚利桑那州立大学)
由于深度学习在许多安全敏感领域的普遍部署,机器学习的安全性日益成为一个主要问题。许多先前的研究已经显示了外部攻击,例如使用恶意制作的输入篡改DNN完整性的对抗性示例。然而,内部威胁的安全影响(即,硬件脆弱性)对DNN模型的影响尚未得到很好的理解。在本文中,我们展示了第一个基于硬件的攻击量化的深度神经网络-DeepHammer-确定性地诱导模型权重的位翻转,通过利用rowhammer漏洞来损害DNN推理。DeepHammer在DNN模型中执行积极的位搜索,以识别在系统约束下可翻转的最脆弱的权重位。为了在合理的时间内触发多个页面的确定性位翻转,我们开发了新的系统级技术,可以快速部署受害者页面,内存高效的行锤击和精确翻转目标位。DeepHammer可以故意将受害DNN系统的推理准确性降低到与随机猜测一样好的水平,从而完全耗尽目标DNN系统的智能。我们系统地展示了我们对12个DNN架构的实际系统的攻击,这些DNN架构具有4个不同的数据集和不同的应用领域。我们的评估表明,DeepHammer能够在几分钟内成功篡改DNN的推理行为。我们进一步从算法和系统层面讨论了几种缓解技术,以保护DNN免受此类攻击。我们的工作强调了在未来的深度学习系统中引入安全机制的必要性,以增强DNN对基于硬件的确定性故障注入的鲁棒性。
2020-03-30 cs.CR cs.LG
Unveiling the Role of Message Passing in Dual-Privacy Preservation on GNNs
University of Southern California(南加利福尼亚大学);University of Wyoming(怀俄明大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本研究揭示GNN中结构偏差下的消息传递是隐私泄露核心,提出含三大模块的双重隐私保护框架,在四个基准数据集上验证其可兼顾隐私保护与下游任务效用。
2023-08-25 cs.CR cs.LG cs.SI