Behind The Wings: The Case of Reverse Engineering and Drone Hijacking in DJI Enhanced Wi-Fi Protocol
本文逆向分析了DJI Enhanced Wi-Fi协议的控制命令，发现其存在劫持漏洞，并利用廉价商业Wi-Fi路由器在DJI Mini SE无人机上成功演示了远程劫持攻击，强调了民用无人机安全的紧迫性。
2023-09-12 cs.CR
Reasoning Hijacking: The Fragility of Reasoning Alignment in Large Language Models
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
本文指出现有安全研究忽视了推理对齐的脆弱性，提出新的对抗性提示攻击方法'推理劫持'，通过注入虚假决策标准影响模型推理逻辑，实验表明即使先进模型也易受此类攻击影响。
2026-09-29 cs.CR
BlockJack: Towards Improved Prevention of IP Prefix Hijacking Attacks in Inter-Domain Routing Via Blockchain
我们提出了BlockJack，这是一个基于分布式和防篡改联盟区块链的系统，旨在阻止边界网关协议（BGP）中的IP前缀劫持。从本质上讲，BlockJack通过确保操作独立性的接口在BlockChain和BGP网络之间提供同步，这种方法保留了遗留系统，并在Blockchain进程超过BGP更新间隔时适应竞争条件的影响。在路由表中发生IP前缀劫持期间，BlockJack还对动态路由路径变化具有弹性。我们使用Hyperledger Fabric Blockchain和Quagga软件包实现BlockJack，并进行初始实验以评估其有效性。我们评估了BlockJack在各种攻击场景中的性能和弹性，包括单路径攻击，多路径攻击和随机网络拓扑中的随机源攻击。评估结果表明，BlockJack能够处理BGP前缀劫持过程中AS路径变化引起的多种攻击。在50个随机路由器的实验设置中，BlockJack平均需要0.08秒（标准差为0.04秒）来阻止BGP前缀劫持攻击。测试结果表明，BlockJack保守方法处理边界网关协议中的IP前缀劫持是可行的。
2021-07-15 cs.CR cs.DC
Decision Hijacking: Prompt Injection Attacks on Jev's Typed Probabilistic Decisions
Nanyang Technological University（南洋理工大学）
研究提示注入对非生成式决策模型Jev的影响，发现恶意内容改变动作概率但少致目标选择，自适应攻击提升成功率，表明模式化输出未消除风险。
2026-09-25 cs.AI cs.CR
Model Hijacking Attack in Federated Learning
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Nokia Bell Labs（诺基亚贝尔实验室）
本文提出首个针对联邦学习全局模型的劫持攻击HijackFL，通过像素级伪装使劫持样本对齐原始特征空间，实验证明其攻击效果优于基线。
2024-08-04 cs.CR cs.LG
Resolving the Correct Library: A Loader-Level Defense Solution Against Shared Object Hijacking
COSIC, KU Leuven（COSIC，荷语鲁汶大学）；DistriNet, KU Leuven（DistriNet，荷语鲁汶大学）
针对Linux生态系统中共享库劫持攻击，提出一种加载器级验证框架，通过路径绑定或位置无关的身份模型结合加密哈希，确保动态链接器解析的共享对象是可信的。
2026-05-26 cs.CR
Hijacking .NET to Defend PowerShell
随着近几个月来使用PowerShell的攻击的增加，还没有一个全面的监控或预防解决方案。微软最近发布了PowerShell v5的AMSI解决方案，但这也可以被绕过。本文的重点是重新利用各种针对PowerShell攻击实施的隐形运行时.NET劫持技术，以实现对PowerShell的防御性监控。它首先简要介绍了.NET和PowerShell，然后深入解释了各种攻击者技术，从防御者的角度进行了解释，包括汇编修改，类和方法注入，编译器分析和基于C的函数挂钩。在四种攻击者技术中，中间语言二进制修改、JIT挂钩和机器码操作为PowerShell脚本分析的隐形运行时接口提供了最佳结果。
2017-09-21 cs.CR
HijackRAG: Hijacking Attacks against Retrieval-Augmented Large Language Models
Zhejiang University（浙江大学）
本研究提出针对检索增强大语言模型的新型HijackRAG劫持攻击，通过注入恶意文本操纵检索生成预设答案，设计了黑白盒攻击策略，实验证明其成功率高、可跨模型迁移且现有防御不足，凸显RAG系统安全风险与防护紧迫性。
2024-10-30 cs.AI cs.CR cs.IR
SnatchML: Hijacking ML models without Training Access
IEMN CNRS-8520, UPHF, INSA Hauts-de-France（法国上法兰西国立高等应用科学学院、上法兰西理工大学、IEMN CNRS-8520联合实验室）；Univ. of California, Irvine（加州大学欧文分校）；Univ. Lille, CNRS, Centrale Lille（里尔大学、法国国家科学研究中心、里尔中央理工学院）；Queen’s University Belfast（贝尔法斯特女王大学）
本文提出无需训练的模型劫持攻击SnatchML，利用过度参数化模型的额外能力在推理时执行新任务，可突破原始任务类别限制，还提出元遗忘和压缩对策缓解风险。
2025-04-14 cs.CR cs.CV cs.LG
Inception Attacks: Immersive Hijacking in Virtual Reality Systems
本文提出针对VR系统的沉浸式劫持攻击，在Meta Quest上实现并通过IRB批准的用户研究验证其有效性与隐蔽性，同时分析防御权衡并给出多层面防御流水线。
2024-09-09 cs.CR
Osmosis Distillation: Model Hijacking with the Fewest Samples
Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；College of Cyber Security, Jinan University（济南大学网络安全学院）；The University of Sydney（悉尼大学）
本文提出渗透蒸馏攻击，通过最少样本实现模型劫持，揭示迁移学习中使用合成数据集的安全威胁。
2026-03-05 cs.CR cs.LG
Merge Hijacking: Backdoor Attacks to Model Merging of Large Language Models
本文提出首个针对大型语言模型合并的后门攻击 Merge Hijacking，通过构建恶意模型使合并后的模型继承后门且保持效用，实验证明其对多种模型、算法及防御手段均有效。
2025-05-29 cs.CR
TRAP: Hijacking VLA CoT-Reasoning via Adversarial Patches
University of Science and Technology of China（中国科学技术大学）
提出TRAP攻击，利用对抗性补丁劫持视觉-语言-动作模型的链式推理，实现目标行为操控。
2026-06-01 cs.AI cs.CR cs.RO
HEAP: Reliable Assessment of BGP Hijacking Attacks
BGP前缀劫持攻击的检测一直是十多年来的研究热点。然而，最先进的技术无法检测到更复杂的攻击类型。为了研究这种攻击，我们设计了一种新的形式化的互联网路由，并将此模型应用到路由异常，以建立一个全面的攻击者模型。我们使用这个模型来精确地分类攻击，并评估其影响和可检测性。我们分析了适合攻击者目标的攻击策略的资格，并证明了相关工作主要集中在影响力较小的攻击类型上。我们进一步提出，实施和测试劫持事件分析程序（HEAP），一种新的方法来调查劫持警报。我们的方法旨在与以前的工作无缝集成，以减少这些技术固有的高误报率。我们利用几个独特的数据源，可以可靠地反驳恶意意图。首先，我们利用互联网路由注册表来获取事件中所涉及的各方之间的业务或组织关系。其次，我们使用一个基于拓扑的推理算法，以排除事件所造成的合法操作实践。最后，我们使用Internet范围的网络扫描来识别启用SSL/TLS的主机，这有助于通过在事件之前和事件期间比较公钥来识别非恶意事件。在我们的评估中，我们证明了我们的方法的有效性，并表明日常路由异常是无害的大部分。更重要的是，我们使用HEAP来评估公开报告的警报的有效性。我们邀请研究人员与HEAP进行交互，以交叉检查并缩小劫持警报的范围。
2016-07-01 cs.CR cs.NI
SplitGuard: Detecting and Mitigating Training-Hijacking Attacks in Split Learning
Koç University（科奇大学）；Bilkent University（比尔肯特大学）
分布式深度学习框架（如分裂学习）在训练深度神经网络的计算成本和一组数据持有者的集体数据的隐私意识利用方面提供了巨大的好处。具体来说，分裂学习通过在客户端和服务器之间划分神经网络来实现这一目标，这样客户端计算初始层集合，服务器计算其余部分。然而，这种方法为试图窃取客户端私有数据的恶意服务器引入了一个独特的攻击向量：服务器可以引导客户端模型学习其选择的任何任务，例如输出容易可逆的值。通过已经提出的具体示例（Pasquini等人，CCS '21），这种训练劫持攻击对分裂学习客户端的数据隐私构成了重大风险。在本文中，我们提出了SplitGuard，这是一种分裂学习客户端可以检测其是否被训练劫持攻击的方法。我们通过实验评估我们的方法的有效性，将其与潜在的替代品进行比较，并详细讨论与其使用相关的各个点。我们的结论是，SplitGuard可以有效地检测训练劫持攻击，同时最大限度地减少由对手恢复的信息量。
2022-09-16 cs.CR cs.LG
Two-in-One: A Model Hijacking Attack Against Text Generation Models
CISPA Helmholtz Center for Information Security（亥姆霍兹信息安全中心）；Microsoft（微软）
本研究提出模型劫持攻击Ditto，将文本分类任务劫持为生成任务，在多个基准数据集上验证其有效性且不损害模型效用。
2023-05-12 cs.CL cs.CR cs.LG
Windows Kernel Hijacking Is Not an Option: MemoryRanger Comes to the Rescue Again
计算机系统的安全依赖于操作系统内核的保护。揭示和检查对内核数据的新攻击是至关重要的，因为这些攻击被黑客使用。本文的目的是继续研究对Windows操作系统内核中动态分配数据的攻击，并证明MemoryRanger防止这些攻击的能力。本文讨论了三种新的基于绕过操作系统安全机制的内核数据劫持攻击。前两种劫持攻击导致非法访问以独占访问方式打开的文件。第三种攻击升级进程特权，而不应用令牌交换。虽然Windows安全专家已经发布了新的保护功能，但对内核中动态分配的数据的访问尝试并没有完全控制。MemoryRanger虚拟机管理程序旨在填补这一安全漏洞。更新的MemoryRanger可以防止这些新的攻击，并支持Windows 10 1903 x64。
2021-06-10 cs.CR cs.OS
Exploring Jamming and Hijacking Attacks for Micro Aerial Drones
本文针对Crazyflie微型无人机的CRTP协议，实证研究了干扰和劫持两种攻击在自主与非自主飞行模式下的有效性，并提出防护策略，是该领域首项相关研究。
2024-03-06 cs.CR
Pre-hijacked accounts: An Empirical Study of Security Failures in User Account Creation on the Web
用户帐户在网站和在线服务中的普遍存在使得帐户劫持成为一个严重的安全问题。虽然以前的研究已经研究了攻击者可以访问受害者帐户的各种技术，但对帐户创建过程的关注相对较少。目前的联合身份验证趋势（例如，单点登录）增加了额外的复杂性，因为许多服务现在既支持用户直接设置密码的经典方法，也支持用户通过身份提供者进行身份验证的联合方法。受先前关于抢先帐户劫持的工作的启发[Ghasemisharif等人，USENIX SEC 2018]，我们发现存在一类帐户预劫持攻击。这些攻击的显著特征是，攻击者在受害者创建帐户之前执行某些操作，这使得攻击者在受害者创建/恢复帐户之后获得访问权限变得微不足道。假设一个现实的攻击者只知道受害者的电子邮件地址，我们确定并讨论了五种不同类型的帐户预劫持攻击。为了确定这些漏洞在野外的普遍性，我们分析了75个流行的服务，发现其中至少有35个容易受到一个或多个帐户预劫持攻击。虽然其中一些可能会被细心的用户注意到，但从受害者的角度来看，其他人完全无法察觉。最后，我们调查了这些漏洞的根本原因，并提出了一套安全要求，以防止此类漏洞在未来出现。
2022-05-20 cs.CR
SCLib: A Practical and Lightweight Defense against Component Hijacking in Android Applications
通过组件间通信实现的跨应用协作是Android上的一种基本机制。虽然它带来了功能重用和数据共享等好处，但也带来了一种称为组件劫持的威胁。通过劫持受害者应用程序中的易受攻击组件，攻击应用程序可以升级其最初禁止的操作权限。已经进行了许多先前的研究来理解和缓解这个问题，但是没有在野外部署防御，主要是由于部署困难和性能问题。在本文中，我们提出了SCLib，一个安全的组件库，代表应用程序组件执行应用程序内的强制访问控制。它不需要像以前的作品那样修改固件或重新打包应用程序。基于库的性质也使SCLib更容易被应用程序开发人员访问，并使他们能够在碎片化的Android设备上首先生成安全的组件。作为概念验证，我们设计了六个强制性策略，并克服了独特的实施挑战，以减轻来自系统弱点和常见开发人员错误的攻击。我们使用10个知名开源应用程序进行的评估表明，SCLib可以保护35个风险组件，代码占用量可以忽略不计（小于0.3%的存根代码），并且几乎不会影响正常的应用程序内通信。阻止攻击的最差性能开销约为5%。
2018-01-13 cs.CR
CHAI: Command Hijacking against embodied AI
Johns Hopkins University（约翰霍普金斯大学）
CHAI是一种针对具身AI的物理环境间接提示注入攻击，通过嵌入误导性自然语言指令，利用多模态语言解释能力，有效提升了攻击性能，凸显了对传统对抗鲁棒性之外的防御需求。
2026-02-07 cs.AI cs.CR cs.LG
AutoRAN: Automated Hijacking of Safety Reasoning in Large Reasoning Models
Stony Brook University（石溪大学）；Penn State University（宾夕法尼亚州立大学）
AutoRAN通过执行模拟方法，利用较弱但对齐差的模型模拟初始劫持尝试，并通过目标LRM的拒绝泄露的推理模式迭代优化攻击，从而绕过安全防护并扩展有害指令。
2026-04-16 cs.CR cs.LG
MemMorph: Tool Hijacking in LLM Agents via Memory Poisoning
Nanyang Technological University, Singapore（南洋理工大学，新加坡）
提出MemMorph攻击，通过向长期记忆注入少量伪装记录，诱导LLM代理自主选择攻击者偏好的工具，在多个基准测试中实现高达85.9%的攻击成功率。
2026-05-24 cs.AI cs.CR
ImportSnare: Directed "Code Manual" Hijacking in Retrieval-Augmented Code Generation
The University of Hong Kong（香港大学）
本文提出ImportSnare攻击框架，利用投毒文档劫持检索增强代码生成，通过位置感知束搜索和多语言归纳建议提升恶意依赖推荐，实验显示对流行库攻击成功率超50%，揭示供应链风险。
2025-09-09 cs.AI cs.CR
Breaking and Fixing Defenses Against Control-Flow Hijacking in Multi-Agent Systems
Cornell University（康奈尔大学）；Microsoft（微软公司）
本文提出ControlValve防御机制，通过生成允许的控制流图和强制执行上下文规则，解决多智能体系统中控制流劫持攻击的安全性与功能性目标冲突问题。
2026-03-05 cs.CR cs.LG cs.SY
Hallucinating AI Hijacking Attack: Large Language Models and Malicious Code Recommenders
PeopleTec（PeopleTec公司）
本研究揭示大语言模型存在语境突变防护漏洞，攻击者可借编程场景诱导模型推荐含恶意API的代码，结合代码仓库与CDN放大攻击面，提出一种新型“借地生存”式AI劫持攻击。
2024-10-09 cs.AI cs.CR
HASSLE: A Self-Supervised Learning Enhanced Hijacking Attack on Vertical Federated Learning
本文提出HASSLE劫持攻击框架，结合梯度方向标签推断与自监督学习增强的对抗嵌入生成，仅需单个已知实例即可精准识别私有样本，在多数据集上实现超99%攻击成功率，揭示了VFL系统的重大安全威胁。
2025-07-14 cs.CR
SplitOut: Out-of-the-Box Training-Hijacking Detection in Split Learning via Outlier Detection
Technical University of Munich（慕尼黑工业大学）；Kadir Has University（卡迪尔哈斯大学）；Bilkent University（比尔肯特大学）；Koç University（科克大学）
本文提出 SplitOut，利用开箱即用的离群点检测方法检测分割学习中的训练劫持攻击，在适度客户端算力假设下实现几乎零假阳性率，比以往基于启发式的方法更简单可靠。
2024-07-07 cs.CR cs.LG
STDLens: Model Hijacking-Resilient Federated Learning for Object Detection
本文提出STDLens框架，通过三层取证机制识别并驱逐木马梯度，有效抵御联邦学习目标检测中的模型劫持攻击，显著提升检测精确率并降低误报率。
2023-05-20 cs.CR cs.CV cs.LG
A Wolf in Sheep's Clothing: Targeted Routing Hijacking in Federated RAG
Politecnico di Milano（米兰理工大学）；Aalborg University（奥胡斯大学）
本文提出路由劫持攻击，恶意客户端伪造语义配置文件以吸引目标查询，导致检索结果被篡改，并设计了一种基于信任的后路由框架来缓解该攻击。
2026-08-31 cs.CL cs.CR cs.IR
Image-based Prompt Injection: Hijacking Multimodal LLMs through Visually Embedded Adversarial Instructions
Northern Arizona University（北亚利桑那大学）
研究提出基于图像的提示注入攻击方法，通过视觉嵌入对抗性指令，成功操控多模态大语言模型输出，揭示了该攻击的有效性和潜在威胁。
2026-03-04 cs.AI cs.CR cs.CV
In-Context Representation Hijacking
Mentaleap；Independent Researcher（独立研究者）；UC Berkeley（加州大学伯克利分校）
Doublespeak通过替换有害关键词为无害标记，使模型内部表示收敛至有害语义，从而绕过安全对齐。
2025-12-04 cs.AI cs.CL cs.CR
Semantic-Preserving Prompt Hijacking: A Black-Box Adversarial Attack on Auto-Prompt Optimization
Jiangsu universities（江苏大学）；NSFC（国家自然科学基金委员会）；RDF-24-01-016
提出一种黑盒条件下的自适应贪婪局部搜索方法，通过层次化分解输入文本、掩码关键语言单元并动态调整候选词，在保持语义相似度的同时最大化模型输出与原始意图的偏差，在2400+测试用例中取得更高攻击成功率。
2026-06-16 cs.CL cs.CR
Seed Hijacking of LLM Sampling and Quantum Random Number Defense
School of Electronic, Electrical and Physics, Fujian University of Technology（福建工程学院电子、电气与物理系）；School of Humanities, Fujian University of Technology（福建工程学院人文学院）；Department of Investigation, Fujian Police College（福建警察学院调查系）；Institute of Applied Physics and Materials Engineering, University of Macau（澳门大学应用物理与材料工程研究院）
本文提出SeedHijack攻击，通过操控PRNG输出实现指定token注入，提出基于量子随机数生成器的防御方案，解决LLM采样层的关键漏洞。
2026-05-08 cs.AI cs.CR cs.LG
A Review of Man-in-the-Middle Attacks
本文介绍了通信网络中的中间人攻击（MIM）及其防范方法。在实时的通信中，攻击在许多情况下可以通过使用定时信息来发现。最常见的攻击是由于地址解析协议（ARP）缓存中毒、DNS欺骗、会话劫持和SSL劫持。
2015-04-08 cs.CR
MemoryRanger Prevents Hijacking FILE_OBJECT Structures in Windows Kernel
Windows操作系统内核内存是网络攻击的主要目标之一。通过发起此类攻击，黑客成功地通过访问内核模式内存来提升进程权限并篡改用户数据。本文考虑了这种攻击的一个新的例子，它会导致访问以独占模式打开的文件。Windows内置的安全功能阻止了这种合法访问，但攻击者可以通过修补动态分配的对象来绕过它们。研究表明，Windows 10版本1809 x64易受此攻击。本文提供了一个使用MemoryRanger的示例，MemoryRanger是一种基于管理程序的解决方案，通过在隔离的内核内存飞地中运行内核模式驱动程序来防止此类攻击。
2019-05-23 cs.CR cs.OS
Breaking MCP with Function Hijacking Attacks: Novel Threats for Function Calling and Agentic Models
IBM Research Europe（IBM欧洲研究院）；Trinity College Dublin（三一学院都柏林）；Imperial College London（帝国理工学院伦敦）；ADAPT Research Centre（ADAPT研究中心）
本文提出了一种新的函数劫持攻击，通过操纵代理模型的工具选择过程，迫使调用特定攻击者选择的函数，展示了代理模型在函数调用接口上的新漏洞。
2026-09-01 cs.AI cs.CL cs.CR
Blind PRNG Hijacking: An Undetectable Integrity-Preserving Attack Against LLM Watermarking
Fujian Provincial Key Laboratory of Automotive Electronics and Electric Drive（福建省汽车电子与电力驱动重点实验室）；School of Electronic, Electrical and Physics（电子、电气与物理学院）；Fujian University of Technology（福建理工大学）；School of Humanities（人文学院）；Institute of Applied Physics and Materials Engineering（应用物理与材料工程学院）；University of Macau（澳门大学）
提出SeedHijack攻击，通过替换伪随机数生成器（PRNG）在供应链层面对LLM水印进行盲攻击，同时保持完整性并规避检测。
2026-05-27 cs.AI cs.CR
Hijacking Attacks against Neural Networks by Analyzing Training Data
本文提出 CleanSheet 攻击，通过复用目标模型干净训练数据中的鲁棒特征构造触发器，在无需篡改训练过程的情况下实现接近后门攻击的高成功率，并验证其对剪枝和防御模型的有效性。
2024-01-19 cs.CR
ShadowCoT: Cognitive Hijacking for Stealthy Reasoning Backdoors in LLMs
School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院）；College of Computer Science and Information Technology, IAU（国际应用技术大学计算机科学与信息学院）；Center for AI Research (CAIR), University of Agder (UiA)（阿格德大学人工智能研究中心）
ShadowCoT提出一种新型攻击框架，通过操控模型认知推理路径，实现多步推理链的劫持，产生逻辑连贯但对抗性的结果，实验显示其攻击成功率高达94.4%。
2025-04-08 cs.CL cs.CR
Secure Split Learning against Property Inference, Data Reconstruction, and Feature Space Hijacking Attacks
Nanjing University（南京大学）；University of California San Diego（加州大学圣迭戈分校）
本文针对分割学习面临的三类攻击，提出基于R3eLU激活函数的隐私保护隧道和细粒度隐私预算分配方案，在保证模型可用性的同时实现严格隐私保护。
2023-04-19 cs.CR cs.LG
VirusCascade: Hijacking Collaborative Reflection in LLM-Powered Recommender Agents
Nanyang Technological University（南洋理工大学）；College of Computing and Data Science（计算与数据科学学院）
针对LLM驱动推荐智能体的协作反思机制，提出首个黑盒定向推广攻击VirusCascade，利用反思持久性与跨智能体传播实现系统级劫持，在四个数据集上达到最优定向曝光效果。
2026-10-01 cs.CR cs.LG cs.MA
KidnapRAG: A Black-Box Attack for Hijacking Reasoning in Agentic Retrieval-Augmented Generation Systems
Korea University（高丽大学）；KT Corporation（韩国电信公司）
提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。
2026-08-31 cs.CR
Cross User/App Network Attacks - Hijacking TCP Connections and DNS Cache Poisoning via a Malicious User/App (Extended Version)
Hebrew University（希伯来大学）
本研究证明无特权恶意应用与远程攻击者协作，利用套接字API和系统特性推断TCP序列号及UDP端口，实现对多操作系统的连接劫持和DNS缓存投毒。
2026-09-11 cs.CR
Trust Me, I Know This Function: Hijacking LLM Static Analysis using Bias
本文提出利用LLM的抽象偏见进行代码分析的攻击方法，通过注入熟悉模式攻击来劫持LLM的控制流，揭示了LLM在静态分析中的安全漏洞。
2025-12-18 cs.CR cs.LG
Flipping Minds by Flipping Bits: Decision-Level Cognitive Hijacking of Large Language Models
Information Engineering University（信息工程大学）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；State Key Laboratory of Information Security, Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所信息安全国家重点实验室）
研究大语言模型在高风险决策场景中的决策级劫持问题，提出CogBias框架，利用位翻转攻击，通过可微情感评估器等将主观偏好转化为优化信号，经实验验证该方法能在少量位翻转下诱导目标主题立场转变，破坏模型价值对齐。
2026-10-20 cs.CR cs.LG
Beyond the Benchmark: Innovative Defenses Against Prompt Injection Attacks
Dept. of CS, SDS BRAC University（计算机科学系，BRAC大学）；Dept. of CSE, SDS BRAC University（计算机工程系，BRAC大学）
本文提出创新防御机制，通过迭代优化防御提示，有效缓解LLM中的目标劫持漏洞，提升小型开源模型的安全性与部署效率。
2025-12-18 cs.AI cs.CR
Hijacking Bitcoin: Routing Attacks on Cryptocurrencies
作为迄今为止最成功的加密货币，比特币成为攻击者的首选目标。虽然已经发现了许多攻击媒介，但有一个重要的媒介被遗漏了：通过互联网路由基础设施本身攻击货币。事实上，通过操纵路由广告（BGP劫持）或自然拦截流量，自治系统（AS）可以拦截和操纵大部分比特币流量。本文介绍了路由攻击的第一种分类及其对比特币的影响，考虑了针对单个节点的小规模攻击和针对整个网络的大规模攻击。虽然具有挑战性，但我们证明了两个关键属性使路由攻击变得实用：（i）路由操纵的效率;（ii）比特币在采矿和路由方面的显著集中化。具体来说，我们发现任何网络攻击者都可以劫持几个（<100个）BGP前缀来隔离约50%的挖矿能力-即使考虑到矿池是严重多宿主的。我们还表明，路径上的网络攻击者可以通过干扰一些关键的比特币消息来大大减缓块传播。我们证明了对部署的比特币软件的每个攻击的可行性。我们还使用从比特币超级节点收集的数据结合BGP路由数据来量化它们对当前比特币拓扑的有效性。比特币的潜在危害令人担忧。通过隔离网络的部分或延迟块传播，攻击者可以导致大量的挖掘能力被浪费，导致收入损失，并实现广泛的漏洞利用，如双重支出。为了在实践中防止这种影响，我们提供了短期和长期的对策，其中一些可以立即部署。
2017-03-24 cs.CR cs.NI
EvilScreen Attack: Smart TV Hijacking via Multi-channel Remote Control Mimicry
本文提出 EvilScreen 攻击，利用智能电视多通道遥控器通信缺乏强保护的漏洞，通过重用并组合不同遥控器命令绕过身份验证与隔离策略，实现对八款主流智能电视的远程资源访问与屏幕控制。
2022-10-06 cs.CR
Hijacking Large Language Models via Adversarial In-Context Learning
Wayne State University（韦恩州立大学）；Oakland University（奥克兰大学）
本文提出一种针对上下文学习（ICL）的可迁移提示注入攻击方法，通过向演示附加对抗性后缀劫持大型语言模型，并设计了基于干净演示的防御策略，揭示了 ICL 的安全漏洞。
2025-05-29 cs.CL cs.CR cs.LG
Moshi Moshi? A Model Selection Hijacking Adversarial Attack
University of Padua（帕多瓦大学）
本文提出首个针对模型选择的对抗攻击 MOSHI，通过基于变分自编码器的框架操纵选择数据，在视觉与语音任务上造成显著性能、延迟和能耗损害。
2025-02-20 cs.CR cs.LG
Off-Path TCP Hijacking in Wi-Fi Networks: A Packet-Size Side Channel Attack
本文提出一种利用 Wi-Fi 加密帧大小侧信道的偏离路径 TCP 劫持攻击，通过观测响应包大小检测并劫持 TCP 连接，实验显示可在 19 秒内终止 SSH 会话、28 秒内注入 Web 恶意数据，并在 93.75% 的真实 Wi-Fi 网络中成功实施攻击。
2024-10-01 cs.CR cs.NI
AuthGuard-R: Safety-Compliant Mission Hijacking and Dual-Gate Defense for LLM-Controlled Robots
National Institute of Technology Warangal（瓦朗加尔国立理工学院）
针对LLM控制机器人可能被物理安全但违反用户授权任务劫持的问题，提出MissionPAIR攻击框架和AuthGuard-R双门防御授权层，通过形式化验证和实验证明其能有效阻止未授权动作。
2026-09-28 cs.CR cs.RO
Hijacking Text Heritage: Hiding the Human Signature through Homoglyphic Substitution
Department of Computer Science and Engineering, Mississippi State University（计算机科学与工程系，密苏里州立大学）
本文研究通过同形替代技术削弱 stylometry 系统，探讨如何在文本中隐藏个人身份信息以防止身份泄露。
2026-06-23 cs.CL cs.CR cs.IR
