Robust and Actively Secure Serverless Collaborative Learning
Northwestern University（西北大学）；CISPA（CISPA亥姆霍兹信息安全中心）；Google（谷歌）；University of Toronto and Vector Institute（多伦多大学与向量研究所）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
提出一种对恶意服务器安全且对恶意客户端鲁棒的P2P无服务器协作学习通用框架，可将任意鲁棒聚合算法转换至双方皆可恶意的环境，并在百万参数规模下验证了其计算高效性。
2023-10-25 cs.CR cs.LG
Lightweight and Resilient Signatures for Cloud-Assisted Embedded IoT Systems
本文提出轻量且坚韧签名方案，通过硬件辅助实现高效、安全的物联网签名，解决云辅助环境下的密钥安全问题。
2026-01-07 cs.CR
SEVered: Subverting AMD's Virtual Machine Encryption
AMD SEV是专为虚拟机安全加密而设计的硬件功能。SEV旨在保护虚拟机内存不仅免受其他恶意客户机和物理攻击者的攻击，而且还免受可能的恶意虚拟机管理程序的攻击。这使云和虚拟服务器客户不再完全信任他们的服务器提供商和他们正在使用的虚拟机管理程序。我们提出了SEVered的设计和实现，从一个恶意的虚拟机管理程序能够提取明文从SEV加密的虚拟机的主内存的全部内容的攻击。SEVered既不需要物理访问，也不需要串通虚拟机，而只依赖于在目标虚拟机中运行的远程通信服务，如Web服务器。我们在一个支持SEV的最新AMD服务器平台上验证了SEVered的有效性，该平台在加密的虚拟机中运行不同的服务，如Web或SSH服务器。通过这些示例，我们证明了SEVered即使在目标虚拟机处于高负载的情况下也能可靠有效地提取所有内存内容。
2018-05-24 cs.CR
Detecting Malignant TLS Servers Using Machine Learning Techniques
TLS使用X.509证书进行服务器身份验证。X.509证书是一个复杂的文档，在创建/使用它时可能会发生各种无辜的错误。此外，许多证书属于恶意网站，应该被客户端拒绝，并且不应该访问这些Web服务器。通常情况下，当客户端发现一个证书是可疑的使用传统的测试，它要求人为干预。但是，看看证书，大多数人不能区分恶意和非恶意网站。因此，一旦传统的证书验证失败，而不是要求人工干预，我们使用机器学习技术，使Web浏览器能够决定证书所属的服务器是否是恶性的，即是否应该访问该网站。一旦证书在上述阶段被接受，我们观察到该网站仍然可能是恶意的。因此，在第二阶段，我们将网站的一部分下载到沙箱中，而不对其进行解密，并观察TLS加密流量（沙箱中捕获的加密恶意数据不会损害系统）。由于在握手完成后对流量进行加密，因此无法使用传统的模式匹配技术。因此，我们使用流量的流特征以及上述第一阶段中使用的特征。我们将这些特征与TLS握手期间获得的未加密TLS报头信息相结合，并在机器学习分类器中使用这些特征来识别流量是否是恶意的。
2017-05-25 cs.CR cs.NI
Resilient Collaborative Privacy for Location-Based Services
基于位置的服务（LBS）提供有价值的服务，为用户提供方便的功能。但是，通过每个请求披露的信息会损害用户隐私。这对于诚实但好奇的LBS服务器来说尤其令人担忧，它们可以通过收集请求来跟踪用户并推断出额外的敏感用户数据。这是LBS的集中式和分散式位置隐私保护方案的动机：匿名化和模糊化LBS查询以不披露确切信息，同时仍然获得有用的响应。分散式方案克服了集中式方案的缺点，消除了匿名者，增强了用户对敏感信息的控制。然而，一个不安全的去中心化系统可能会带来比隐私泄露更严重的安全威胁。我们正是解决这个问题，提出了移动数据共享系统的安全增强。我们保护用户隐私，同时保留用户活动的问责制，利用主流加密技术的匿名身份验证。我们的设计利用了为大规模移动系统提出的架构，同时它对LBS服务器的更改最小，因为它可以与LBS服务器并行部署。这进一步推动了我们的设计的采用，以满足隐私敏感用户的需求。我们提供了安全和隐私问题和对策的分析，以及基本协议操作的性能评估显示我们的设计的实用性。
2020-01-21 cs.CR
Optimal Security Parameter for Encrypted Control Systems Against Eavesdropper and Malicious Server
在以前的研究中，已经引入了样本识别复杂度和样本解密时间，以捕获对手的系统辨识的估计误差和计算时间。这些量在定义加密控制系统的安全性和设计安全参数方面起着至关重要的作用。本研究提出一个最佳的安全参数下的加密控制系统的网络窃听者和恶意控制器服务器谁试图识别系统参数，使用最小二乘法。安全参数设计是基于对传统同态加密的改进来实现的，以提高样本解密时间和新的样本识别复杂度，其特征在于可控性Gramians和识别输入与系统噪声的方差比。通过数值仿真证明了所提出的安全参数设计方法的有效性。
2023-03-23 cs.CR cs.SY eess.SY
Trustworthy mobile edge caching: a blockchain approach to mitigate malicious nodes and incentivize cache sharing
Yazd University（亚兹德大学）；Imam Khomeini International University（伊玛目霍梅尼国际大学）
本文针对移动边缘缓存中的恶意节点、自私节点及容量问题，提出基于区块链的信任管理、奖励与认证机制，可准确区分诚实与恶意服务器，优化缓存相关性能。
2026-08-21 cs.CR cs.CY
DaDiDroid: An Obfuscation Resilient Tool for Detecting Android Malware via Weighted Directed Call Graph Modelling
自2012年以来，新的移动恶意软件实例的数量每年增长超过50%，移动应用程序中嵌入的恶意软件可以说是移动平台面临的最严重的安全问题之一。虽然混淆技术成功地用于保护应用程序开发人员的知识产权，但不幸的是，它们也经常被网络犯罪分子用来隐藏移动应用程序中的恶意内容并欺骗恶意软件检测工具。因此，大多数移动恶意软件检测方法无法区分良性和混淆的恶意应用程序。我们通过构建API调用的加权有向图来检查移动应用程序代码的图形特征，并验证恶意应用程序通常具有可用于将其与良性应用程序区分开的结构相似性，即使在严重“污染”的训练集下，其中大多数应用程序都被混淆。我们提出DaDiDroid的Android恶意软件应用程序检测工具，利用API调用的加权有向图的功能来检测（混淆）Android应用程序中的恶意软件代码的存在。我们发现DaDiDroid明显优于MaMaDroid [23]，MaMaDroid是最近提出的恶意软件检测工具，已被证明在干净的非混淆环境中检测恶意软件非常有效。我们评估DaDiDroid的准确性和鲁棒性对几个规避技术使用各种数据集，共43，262良性和20，431恶意软件应用程序。我们发现，DaDiDroid正确标记了高达96%的Android恶意软件样本，同时通过独家使用混淆应用程序的训练集实现了91%的准确率。
2019-08-21 cs.CR
When MCP Servers Attack: Taxonomy, Feasibility, and Mitigation
本文首次系统研究恶意 MCP 服务器威胁，提出十二类基于组件的攻击分类并验证 PoC 有效性，揭示其低成本、难检测且可损害 AI 智能体系统。
2025-09-29 cs.CR cs.SE
Distributed Momentum for Byzantine-resilient Learning
Distributed Computing Laboratory (DCL), École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）分布式计算实验室（DCL））
动量法是梯度下降的一种变体，因其在收敛方面的优势而被提出。在分布式环境中，动量可以在服务器端或工作端实现。当服务器使用的聚合规则是线性的时，加法的可交换性使两个部署等效。然而，鲁棒性和隐私是放弃线性聚合规则的动机之一。在这项工作中，我们证明了在工人侧使用动量的鲁棒性的好处。我们首先证明，在工人的计算动量降低了服务器的梯度估计的方差-范数比，加强拜占庭弹性聚合规则。然后，我们提供了一个广泛的实验演示的鲁棒性效果的工人侧动量分布式SGD。
2020-03-09 cs.CR cs.DC cs.LG
Cryptanalysis of authentication and key establishment protocol in Mobile Edge Computing Environment
本文对MEC环境中Wu等人提出的认证与密钥建立协议进行密码分析，发现其存在密钥计算攻击、用户仿冒和可追踪性等漏洞，导致用户长期秘密暴露。
2024-12-25 cs.CR
Hear No Evil: Detecting Gradient Leakage by Malicious Servers in Federated Learning
University of Toronto（多伦多大学）
本文从防御者视角首次全面分析了联邦学习中恶意服务器引发的梯度泄露攻击，揭示其隐蔽性与有效性存在核心权衡，并提出一种轻量级客户端检测机制以标记可疑更新。
2026-11-02 cs.AI cs.CR cs.DC
Learning to Detect Malicious Clients for Robust Federated Learning
The Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
联邦学习系统容易受到恶意客户端的攻击。由于系统中的中央服务器无法控制客户端的行为，因此流氓客户端可以通过向服务器发送恶意模型更新来发起攻击，从而降低学习性能或实施有针对性的模型中毒攻击（也称为“攻击”）。后门攻击）。因此，及时检测这些恶意模型更新和底层攻击者变得至关重要。在这项工作中，我们提出了一个新的框架，强大的联邦学习，中央服务器学习检测和删除恶意模型更新使用一个强大的检测模型，导致有针对性的防御。我们评估我们的解决方案在图像分类和情感分析任务与各种机器学习模型。实验结果表明，我们的解决方案确保了强大的联邦学习，是弹性的拜占庭攻击和有针对性的模型中毒攻击。
2020-02-01 cs.CR cs.LG stat.ML
List-Decodable Byzantine Robust PIR: Lower Communication Complexity, Higher Byzantine Tolerance, Smaller List Size
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
本文提出两种完美可列表解码的拜占庭鲁棒PIR方案，首次同时处理多数恶意响应服务器，实现o(n^{1/2})的通信复杂度，并提供非平凡的列表大小估计。
2025-06-21 cs.CR
DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation
DSFL提出双服务器分组安全聚合框架，无需加密或可信假设，通过信用过滤和奖惩机制防御拜占庭客户端，在非IID数据下显著提升模型准确率并保持轻量级。
2025-09-10 cs.AI cs.CR cs.DC
An Attack Resilient PUF-based Authentication Mechanism for Distributed Systems
在大多数基于PUF的认证方案中，中央服务器通常用于验证设备的PUF对挑战比特流的响应。然而，服务器可用性在实践中可能是间歇性的。为了解决这个问题，本文提出了一种新的协议，用于支持分布式认证，同时避免信息泄漏的脆弱性，其中CRP可以从被黑客攻击的设备中检索并共同用于对PUF进行建模。主要思想是以依赖于验证器的方式提供加扰质询比特流。加扰模式针对每个设备的每个认证轮变化，并且独立地跨设备变化。本质上，加扰函数变为节点和分组特定的，并且由一个设备的两个验证器接收的针对相同质询比特流的响应可以变化。因此，即使恶意节点的合谋集合也不能恢复加扰函数，也不能对PUF进行建模。使用基于FPGA的实现数据的验证结果表明，我们的方法在挫败PUF建模攻击的有效性合谋演员。我们还讨论了方法弹性对模仿，Sybil，和逆向工程攻击。
2022-06-14 cs.CR
SONNI: Secure Oblivious Neural Network Inference
本文揭示了隐私保护MLaaS协议中易受Silver Platter模型窃取攻击的弱点，并提出一种新颖的结果检查协议，在抵御恶意串谋的同时保护数据与模型隐私。
2025-04-26 cs.CR
Sample-Efficient LLM-Based Detection of Malicious Web Server Logs with Forensically Explainable Reasoning
University of Tuebingen（图宾根大学）
提出CEF-Log策略，通过五步推理模板使大语言模型学习日志分析方法，在CSIC 2010数据集上仅用4个示例达到F1=0.99，样本效率提升10倍，并引入新数据集ForenWebLog。
2026-06-07 cs.AI cs.CR
Server-side verification of client behavior in cryptographic protocols
客户端-服务器协议和应用程序的许多漏洞都涉及修改客户端，使其以未篡改客户端不会的方式运行，例如制作恶意数据包。在本文中，我们证明了实际验证的加密协议客户端的消息传递行为是一致的客户端程序，它被认为是运行。此外，我们在不以任何方式修改客户端的情况下实现了这一点，并且不知道驱动其行为的所有客户端输入。我们用于验证客户端消息的工具链同时探索客户端中的多个候选执行路径，我们展示的创新对于加密协议客户端特别有用，并且对于其他类型的客户端应用程序也更普遍有用。此外，我们的工具链包括一种新颖的方法，可以在多个通道中象征性地执行客户端软件，该方法推迟了昂贵的功能，直到可以推断和具体化它们的输入。我们演示了OpenSSL上的客户端验证，以表明，例如，Heartbleed漏洞可以在没有Heartbleed特定过滤的情况下在第一个恶意数据包的几秒钟内检测到，并且合法客户端的验证可以跟上，例如，Gmail工作负载。
2016-03-13 cs.CR
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning
National Taiwan University（台湾大学）
联邦学习是一种协作方法，旨在创建AI模型的同时保护数据隐私。当前的联邦学习方法往往严重依赖于安全聚合协议来保护数据隐私。然而，在某种程度上，这样的协议假设编排联邦学习过程的实体（即，服务器）并非完全恶意或不诚实。我们调查安全聚合的漏洞，如果服务器是完全恶意的，并试图获得访问私人，潜在的敏感数据可能会出现。此外，我们还提供了一种方法来进一步防御这种恶意服务器，并证明了在联邦学习设置中重建数据的已知攻击的有效性。
2022-11-10 cs.AI cs.CR
Securing Private Federated Learning in a Malicious Setting: A Scalable TEE-Based Approach with Client Auditing
LY Corporation（LY公司）
针对现有DP-FTRL假设半诚实服务器的问题，本文提出基于临时TEE模块的服务器扩展作为可信计算基，实现恶意安全DP-FTRL，并通过客户端审计证明，在保持可扩展性的同时提供隐私保证。
2025-09-11 cs.CR cs.LG
Beyond the Protocol: Unveiling Attack Vectors in the Model Context Protocol (MCP) Ecosystem
本文首次对MCP生态系统进行端到端攻击向量实证评估，识别四类攻击并通过实验证明现有审计机制不足，用户易受骗安装恶意服务器导致本地环境受损，呼吁建立强大安全机制。
2025-09-14 cs.CR cs.SE
Privacy-Preserving Payment Splitting
广泛使用的支付拆分应用程序允许一个组的成员通过发送由一个成员代表其他成员支付的费用来跟踪成员之间的债务。在提供大量便利的同时，这些应用程序可以访问用户财务交易的敏感数据。在本文中，我们提出了一个支付拆分应用程序，它隐藏了服务提供商在一个组内的所有交易数据，提供了一个组中的用户之间的隐私保护，并提供了针对恶意用户甚至恶意服务器的完整性。核心协议进行一系列轮次，其中用户提交真实数据或覆盖流量，服务器盲目更新余额，通知用户费用，并对用户提交的数据进行完整性检查。我们的协议不需要在服务器上进行加密操作，并且在组的初始设置之后，用户唯一需要的加密工具是AES。我们将支付拆分协议实现为Android应用程序和附带的服务器。我们发现，对于实际的组大小，它需要少于50毫秒每轮计算用户的手机和服务器需要少于300微秒每轮每组，这意味着我们的协议具有出色的性能和可扩展性。
2019-11-20 cs.CR
SERENE: A Collusion Resilient Replication-based Verification Framework
针对自动驾驶远程任务执行中恶意服务器合谋破解基于复制的验证问题，提出SERENE框架，通过轻量级单任务检测算法及两阶段缓解流程，无需可信第三方，检测与缓解准确率较现有方案分别平均提升50%和60%。
2024-04-18 cs.CR cs.NI
Byzantine-Resilient High-Dimensional Federated Learning
University of California, Los Angeles（加州大学洛杉矶分校）
我们研究随机梯度下降（SGD）与本地迭代在恶意/拜占庭客户端的存在下，联邦学习的动机。客户端不是在每次迭代中与中央服务器通信，而是维护它们的本地模型，它们通过基于自己的数据集进行几次SGD迭代来更新本地模型，然后将网络更新与服务器进行通信，从而实现通信效率。此外，只有客户端的子集与服务器通信，并且该子集在不同的同步时间可能不同。拜占庭客户端可以协作并向服务器发送任意向量以中断学习过程。为了对抗对手，我们采用了Steinhardt等人提出的一种高效的高维鲁棒均值估计算法。\cite [ITCS 2018]{Resilience_SCV18}在服务器上过滤掉损坏的向量;为了分析离群值过滤程序，我们开发了一种可能具有独立兴趣的新型基质浓度结果。我们为异构数据环境中的强凸和非凸光滑目标提供收敛分析，其中不同的客户端可能具有不同的本地数据集，并且我们不对数据生成进行任何概率假设。我们相信，我们是第一个拜占庭弹性算法和分析与本地迭代。我们得出我们的收敛结果的最小假设下的有界方差SGD和有界梯度相异性（捕获本地数据集之间的异质性）。我们还将我们的结果扩展到客户端计算全批梯度的情况。
2020-08-16 cs.CR cs.DC cs.LG
Towards Bidirectional Protection in Federated Learning
University of California, Berkeley（加州大学伯克利分校）；Hong Kong University of Science and Technology（香港科技大学）
先前在增强联邦学习（FL）安全性方面的努力分为两类。在频谱的一端，一些工作使用安全聚合技术来隐藏单个客户端的更新，并且仅向恶意服务器显示聚合的全局更新，该恶意服务器试图从客户端的更新推断客户端的隐私。另一方面，一些工作使用拜占庭健壮的FL协议来抑制恶意客户端更新的影响。提出了一种联邦学习协议F2 ED-LEARNING，该协议首次提供了双向防御机制，能够同时对抗恶意集中式服务器和拜占庭恶意客户端。为了抵御拜占庭恶意客户端，F2 ED-LEARNING通过采用和校准一个经过充分研究的鲁棒均值估计器FilterL 2来提供无量纲估计误差。F2 ED-LEARNING还利用安全聚合来保护客户端免受恶意服务器的攻击。F2 ED-LEARNING的一个关键挑战是解决FilterL 2和安全聚合方案之间的不兼容性。具体地说，FilterL 2必须检查来自客户端的各个更新，而安全聚合则对恶意服务器隐藏这些更新。为此，我们提出了一种实用且高效的解决方案，将客户端拆分为分片，其中F2 ED-LEARNING安全地聚合每个分片的更新，并在来自不同分片的更新上启动FilterL 2。评估表明，F2 ED-LEARNING始终达到最佳或接近最佳的性能，并在五种常见的攻击下优于五种安全FL协议。
2021-05-30 cs.AI cs.CR cs.DC
Resilient Coordinated Movement of Connected Autonomous Vehicles
在本文中，我们认为协调运动的车辆网络组成的有界数量的恶意代理，即车辆必须达到共识的纵向位置和一个共同的预定义的速度。车辆的运动是由双积分动力学和网络上的通信是异步的延迟建模。每个正常车辆通过利用从其附近的车辆接收的信息来更新其状态。另一方面，行为不端的车辆任意进行更新，并可能通过故意改变其移动方向或在其附近广播错误信息来威胁网络内的共识。我们提出了一种异步更新策略，正常车辆，过滤的基础上收到的极值从邻近车辆，以节省他们被误导的恶意车辆。我们表明，存在拓扑约束的网络图的鲁棒性，车辆弹性实现协调运动。数值模拟提供的结果进行评估。
2021-07-29 cs.CR cs.MA cs.SY
Armadillo: Robust Single-Server Secure Aggregation for Federated Learning with Input Validation
University of Pennsylvania（宾夕法尼亚大学）；UC Berkeley（加州大学伯克利分校）；J.P. Morgan AI Research（摩根大通人工智能研究院）；AlgoCRYPT CoE（算法加密卓越中心）
针对联邦学习中单服务器安全聚合易受恶意客户端破坏的问题，本文提出Armadillo系统，通过两层安全聚合协议和低轮次协议实现高效破坏抗性，仅需3轮且计算轻量，恶意客户端仅能在合法范围内影响结果。
2026-09-26 cs.CR
FedTrident: Resilient Road Condition Classification Against Poisoning Attacks in Federated Learning
Networked Systems Security Group, KTH Royal Institute of Technology（网络系统安全组，皇家理工学院）
FedTrident通过神经元级分析、自适应客户端评分和机器去学习方法，有效对抗针对道路状况分类的定向标签翻转攻击，提升模型鲁棒性。
2026-03-19 cs.AI cs.CR cs.DC
QUIC-Exfil: Exploiting QUIC's Server Preferred Address Feature to Perform Data Exfiltration Attacks
本文提出QUIC-Exfil方法，利用QUIC服务器首选地址特性将数据外泄伪装成连接迁移，实验表明多种异常检测分类器及主流防火墙均无法有效识别此类攻击。
2025-05-08 cs.CR
Cumulus: Blockchain-Enabled Privacy Preserving Data Audit in Cloud
针对云存储中数据篡改风险及现有PoR协议假设参与方诚实的局限，提出基于区块链的Cumulus审计方案，通过智能合约处理争议结算、状态通道降本，原型验证性能与现有方案相当。
2023-04-30 cs.CR
Decrypting live SSH traffic in virtual environments
解密和检查加密的恶意通信可以帮助犯罪检测和预防。对客户端或服务器存储器的访问使得能够发现解密安全通信所需的伪像。本文开发了MemDecrypt框架来研究内存中加密文物的发现，并将该方法应用于解密虚拟机的安全通信。对于Secure Shell，用于安全的远程服务器管理，文件传输和隧道传输等，MemDecrypt实验快速产生实时安全文件传输的AES加密细节，包括远程用户凭据，传输的文件名和文件内容。因此，MemDecrypt可以发现加密文物并快速解密实时SSH恶意通信，包括检测和拦截机密数据的数据泄露。
2019-07-25 cs.CR
Dealing Doubt: Unveiling Threat Models in Gradient Inversion Attacks under Federated Learning, A Survey and Taxonomy
Massachusetts Institute of Technology（麻省理工学院）；Oak Ridge National Lab（橡树岭国家实验室）
本文针对现有梯度反转攻击综述多聚焦诚实但好奇服务器模型的不足，提出聚焦恶意服务器与客户端场景的梯度反转攻击综述及分类体系，梳理攻防与评估指标，揭示恶意攻击的突破方式并展望未来方向。
2024-05-16 cs.AI cs.CR
SA2FE: A Secure, Anonymous, Auditable, and Fair Edge Computing Service Offloading Framework
本文提出SA2FE框架，通过可重随机化难题原语和盲令牌方案，解决边缘计算卸载中的安全、隐私、公平与可问责性问题，并在通用可组合性框架下证明其安全性。
2025-04-28 cs.CR
Secure Single-Server Nearly-Identical Image Deduplication
云计算通常用于文件存储。云存储服务的客户端希望确保其数据的隐私性，并且客户端和服务器都希望使用尽可能少的存储。跨用户重复数据删除是减少服务器使用的存储量的一种方法。隐私和隐私是自然冲突的目标，特别是对于几乎相同的（“模糊”）去重，因为必须使用关于数据的一些信息来执行去重。因此，现有的解决方案利用多个服务器，或者仅用于精确的去重。在本文中，我们提出了一个单服务器协议的跨用户几乎相同的重复数据删除的基础上安全的位置敏感哈希（SLSH）。我们正式定义了我们理想的安全性，并严格证明我们的协议对完全恶意的，勾结的对手通过模拟证明安全。我们的实验表明，该协议的各个部分是计算上可行的，并进一步讨论实际问题的安全性和效率。
2020-05-05 cs.CR
A Container-based DoS Attack-Resilient Control Framework for Real-Time UAV Systems
无人机（UAV）行业正在快速扩张。保护实时的【形】无人机应用免受恶意攻击已成为亟待解决的问题。拒绝服务（DoS）攻击的目的是耗尽系统资源，导致重要任务错过最后期限。拒绝服务攻击由于实现简单，可能是无人机系统的常见问题之一。在本文中，我们提出了一个软件框架，提供拒绝服务攻击弹性控制的实时的【形】无人机系统使用容器：ContainerDrone。该框架为三种关键系统资源提供了防御机制：CPU、内存和通信通道。我们限制了攻击者对CPU核心集的访问和利用率。内存带宽限制限制攻击者的内存使用。通过模拟容器中的传感器和驱动程序，安全监视器不断检查通信信道上的DoS攻击。在检测到违反安全规则时，框架切换到安全控制器以减轻攻击。我们用商用现货（COTS）硬件和开源软件实现了一个原型四轴飞行器。我们的实验结果表明，所提出的框架防御各种拒绝服务攻击的有效性。
2018-12-06 cs.CR
Byzantine-Resilient Secure Federated Learning
University of Southern California（南加州大学）；University of California, Riverside（加州大学河滨分校）
安全联邦学习是一种隐私保护框架，通过对移动用户收集的大量数据进行训练来改进机器学习模型。这是通过迭代过程实现的，在每次迭代中，用户使用其本地数据集更新全局模型。然后，每个用户通过随机密钥屏蔽其本地模型，并且在中央服务器处聚合屏蔽的模型以计算下一次迭代的全局模型。由于本地模型受到随机掩码的保护，服务器无法观察到它们的真实值。这对模型对抗敌对（拜占庭）用户的弹性提出了一个重大挑战，这些用户可以通过修改其本地模型或数据集来操纵全局模型。为了应对这一挑战，本文提出了第一个单服务器拜占庭弹性安全聚合框架（BREA）的安全联邦学习。BREA基于集成的随机量化，可验证的离群值检测和安全的模型聚合方法，以同时保证Byzantine弹性，隐私和收敛。我们提供了理论上的收敛和隐私保证，并在网络规模，用户辍学和隐私保护方面的基本权衡。我们的实验证明了拜占庭用户存在的收敛性，以及与传统联邦学习基准相当的准确性。
2021-02-20 cs.CR cs.DC cs.LG
When Clients Are Orchestrated: Strategic Gradient Manipulation to Defeat Federated Learning Servers with Efficient Defense
Washington State University（华盛顿州立大学）
本文提出Fed-ADR攻击框架，揭示动态自适应客户端协作可绕过联邦学习防御，并设计检测与恢复机制，在几轮内恢复准确率至90%以上，计算开销降低至少20倍。
2026-09-24 cs.AI cs.CR
FedRecover: Recovering from Poisoning Attacks in Federated Learning using Historical Information
Duke University（杜克大学）；University of Science and Technology of China（中国科学技术大学）
联邦学习容易受到中毒攻击，其中恶意客户端通过向服务器发送恶意模型更新来中毒全局模型。现有的防御措施主要集中在通过健壮的联邦学习方法防止少量恶意客户端毒害全局模型，并在存在大量恶意客户端时检测恶意客户端。然而，如何在检测到恶意客户端后从中毒攻击中恢复全局模型仍然是一个开放的挑战。一种简单的解决方案是删除检测到的恶意客户端，并从头开始训练新的全局模型，这会导致资源受限的客户端（如智能手机和物联网设备）无法承受的巨大成本。在这项工作中，我们提出了FedRecover，它可以从中毒攻击中恢复一个准确的全局模型，为客户端提供较小的成本。我们的关键思想是服务器估计客户端的模型更新，而不是要求客户端在恢复过程中计算和传达它们。特别地，当训练中毒的全局模型时，服务器存储全局模型和客户端在每一轮中的模型更新。在恢复过程中，服务器使用其存储的历史信息来估计客户端在每一轮中的模型更新。此外，我们进一步优化FedRecover，以使用预热，定期校正，异常修复和最终调整策略来恢复更准确的全局模型，其中服务器要求客户端计算并传达其精确的模型更新。从理论上讲，我们证明了在某些假设下，FedRecover恢复的全局模型与从头开始训练恢复的模型接近或相同。从经验上讲，我们对四个数据集、三种联邦学习方法以及无针对性和有针对性的中毒攻击（例如，后门攻击）表明FedRecover既准确又高效。
2022-10-20 cs.AI cs.CR cs.LG
Explainable and Resilient ML-Based Physical-Layer Attack Detectors
针对机器学习物理层攻击检测器可解释性不足的问题，分析分类器内部机制与参数影响以提升可解释性和速度，评估检测器抗恶意加噪韧性并揭示速度与韧性的权衡，为快速鲁棒检测器设计提供指南。
2025-09-30 cs.CR cs.SY eess.SY
Byzantine Outside, Curious Inside: Reconstructing Data Through Malicious Updates
North Carolina State University（北卡罗来纳州立大学）；Zhejiang University（浙江大学）
本文提出联邦学习中的恶意好奇客户端威胁模型，利用拜占庭敌手优势结合梯度反转与恶意更新策略实施数据重构攻击，发现现有FL防御机制可能失效甚至放大10-15%的隐私泄露程度。
2025-06-13 cs.CR cs.LG
Discovery of Malicious Attacks to Improve Mobile Collaborative Learning (MCL)
移动协作学习（MCL）是世界范围内教育机构和一些组织高度认可和关注的范式。它展示了各种联合思想的智力协同作用，以处理问题并激发相互理解的社会活动。为了改进和促进MCL的基线，引入了几个支持架构，框架，包括一些移动应用程序。据报道，有限的研究，特别是重点加强这些pardigs的安全性，并提供安全的MCL的用户。本文针对MCL过程中出现的流氓DHCP服务器影响和破坏网络资源的问题进行了处理。流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别提供了隐私的用户，并提高了安全方面的移动支持的协作框架（MSCF）。通过在入侵检测系统和入侵检测模型中增加新的规则，提出了支持新算法的多帧特征和异常的入侵检测系统（MSAIDS）。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并与其他现有技术的结果进行了比较。
2012-08-10 cs.CR cs.NI
Quantization Enables Private Dense Retrieval against Malicious Service Providers
École de technologie supérieure（高等技术学院）；Mila（米拉研究所）；Eurecom（欧洲通信学院）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
针对恶意服务器，提出两轮密码协议实现私有稠密检索，利用低比特量化降低计算成本，实验表明三比特量化在分钟级延迟下保持检索质量。
2026-09-30 cs.AI cs.CR
FedVS: Straggler-Resilient and Privacy-Preserving Vertical Federated Learning for Split Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文提出FedVS框架，通过秘密共享方案同时解决拆分垂直联邦学习中掉队客户端导致的性能下降和嵌入上传引发的隐私泄露问题，并在多种数据集上验证了其优势。
2023-07-06 cs.CR cs.IT cs.LG
Fides: Managing Data on Untrusted Infrastructure
目前，大量的数据存储和管理在第三方服务器上。对于许多小型企业来说，拥有自己的私人服务器是不切实际的，因此租用第三方服务器是这些企业的可行解决方案。但是，越来越多的内部和外部恶意攻击以及第三方服务器上的漏洞软件正在导致客户端失去对这些外部基础设施的信任。虽然小型企业无法避免使用外部基础设施，但他们需要正确的协议集来管理不受信任的基础设施上的数据。在本文中，我们提出了TFCommit，一种新的原子提交协议，执行事务的数据存储在多个不可信的服务器。据我们所知，TFCommit是第一个在不受信任的环境中执行事务而不使用昂贵的拜占庭复制的原子提交协议。使用TFCommit，我们提出了一个可审计的数据管理系统，Fides，完全居住在不可信的基础设施。作为一个可审计的系统，Fides通过加密技术的支持，使用防篡改日志来检测不可信服务器上发生的潜在恶意故障。实验评估表明，我们的方法，允许在不可信的基础设施上执行事务的可扩展性和相对较低的开销。
2020-01-20 cs.CR cs.DB
Breaching FedMD: Image Recovery via Paired-Logits Inversion Attack
The University of Tokyo（东京大学）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文发现 FedMD 范式存在隐私泄露风险，提出 PLI 攻击，恶意服务器通过训练反演神经网络利用模型间的置信度差距，仅用配对 logits 即可高成功率重建私有图像。
2023-07-01 cs.AI cs.CR cs.LG
FL-PLAS: Federated Learning with Partial Layer Aggregation for Backdoor Defense Against High-Ratio Malicious Clients
Beijing Electronic Science and Technology Institute（北京电子科学技术研究所）；University of Louisiana at Lafayette（路易斯安那大学拉弗雷特分校）
针对高比例恶意客户端后门攻击，本文提出FL-PLAS，仅聚合特征提取器并保留本地分类器，在90%恶意用户下无需辅助数据集即可保持高主任务准确率和低后门准确率。
2025-05-17 cs.CR cs.LG
Towards Trustworthy Federated Learning with Untrusted Participants
EPFL（洛桑联邦理工学院）
本文提出CafCor算法，通过参与者间共享随机性种子实现鲁棒梯度聚合与相关噪声注入，在不可信服务器和恶意参与者勾结场景下取得接近中心差分隐私的效用，同时保持对恶意攻击的鲁棒性。
2025-06-04 cs.CR cs.DC cs.LG
Aggregation Service for Federated Learning: An Efficient, Secure, and More Resilient Realization
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Monash University（莫纳什大学）；City University of Hong Kong（香港城市大学）；RMIT University（皇家墨尔本理工大学）
联邦学习最近已经成为一种范式，它有望利用来自不同来源的丰富数据来训练高质量模型，其显著特征是训练数据集永远不会离开本地设备。只有模型更新是本地计算和共享的，用于聚合以生成全局模型。虽然联邦学习与使用集中式数据学习相比大大消除了隐私问题，但共享模型更新仍然会带来隐私风险。在本文中，我们提出了一种系统设计，它提供了有效的保护，在整个学习过程中的个人模型更新，允许客户端只提供模糊的模型更新，而云服务器仍然可以执行聚合。我们的联邦学习系统首先通过支持轻量级加密和聚合以及对退出客户的恢复能力而与以前的工作不同，而不会影响他们在未来几轮中的参与。同时，以前的工作在很大程度上忽略了密文域的带宽效率优化和对主动对抗云服务器的安全支持，本文也充分探讨了这一点，并提供了有效和高效的机制。在几个基准数据集（MNIST，CIFAR-10和CelebA）上的广泛实验表明，我们的系统达到了与明文基线相当的准确性，具有实际性能。
2022-02-04 cs.AI cs.CR
Cyber-Resilient Privacy Preservation and Secure Billing Approach for Smart Energy Metering Devices
大多数智能应用，如智能能源计量设备，需要强大的隐私保护来加强数据隐私。然而，很难保护智能设备数据的隐私，特别是在客户端。主要是因为计费支付是由部署在客户端的服务器计算的，防止客户信息泄露给未经授权的用户具有很大的挑战性。不同的研究人员已经讨论了这个问题，并提出了不同的隐私保护技术。常规技术遭受客户端侧的高计算和通信过载的问题。此外，这些技术的性能由于计算复杂性和它们不能处理大规模数据的安全性而恶化。由于这些限制，攻击者很容易在服务器上引入恶意攻击，对数据安全构成重大威胁。在此背景下，本提案旨在设计新颖的隐私保护和安全计费框架，使用深度学习技术来确保智能电能计量设备中的数据安全。这项研究旨在克服现有技术的局限性，以实现智能设备中强大的隐私保护，并提高这些设备的网络弹性。
2022-10-06 cs.CR cs.IR cs.NI
Survey and Analysis of DNS Filtering Components
本文调研了DNS过滤解析器的实现与增强技术，包括响应策略区域、威胁情报源和算法生成域检测，并指出了文献中的缺失交叉点，提出了未来设计先进过滤解析器框架的研究方向。
2024-01-08 cs.CR cs.NI
Trustworthy Federated Learning via Blockchain
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；JD Technology Group（京东科技集团）
针对联邦学习面临的恶意设备与服务器攻击，论文提出区块链赋能的B-FL架构，并用深度强化学习优化带宽和功率分配以降低训练时延。
2022-08-13 cs.CR cs.LG cs.NI
RobPI: Robust Private Inference against Malicious Client
University of Central Florida（中央佛罗里达大学）
RobPI是一种针对恶意客户端的鲁棒隐私推断协议，通过加密兼容噪声提升安全性，有效降低攻击成功率并增加攻击所需查询次数。
2026-02-23 cs.CR cs.LG
Byzantine-Resilient Secure Aggregation for Federated Learning Without Privacy Compromises
School of Computation, Information and Technology（计算、信息与技术学院）
针对联邦学习的隐私与安全风险，提出结合拉格朗日编码计算等技术的ByITFL方案，基于多项式近似ReLU的信任分数实现拜占庭容错，是首个具备完整信息论隐私性的同类方案。
2025-06-12 cs.CR cs.DC cs.IT
