Resurrection Attack: Defeating Xilinx MPU's Memory Protection
针对赛灵思MPU实现中终止进程内存未清除的漏洞，提出复活攻击，可读取先前用户数据，破坏机密性，需清除内存以防御。
2024-05-22 cs.CR
Symbian `vulnerability' and Mobile Threats
现代技术正变得越来越相互融合。移动电话正变得越来越智能化，并且手持设备在功能上越来越像计算机。我们正在进入一个新的时代-智能家居时代，全球先进的网络，包括各种设备，所有这些设备都相互交换数据。这种趋势显然为恶意用户打开了新的视野，潜在的威胁也是不言而喻的。在本文中，我们研究和讨论最著名的移动操作系统之一的“Symbian”，其漏洞和建议的保护技术。
2012-01-04 cs.CR
Digital Twins and Blockchain for IoT Management
针对物联网管理中的安全与隐私问题，提出集成数字孪生与区块链的方法，通过智能合约管理对数字孪生的访问，实现多租户数据流定制并防止访问漏洞。
2023-09-03 cs.CR cs.DC
Demand-Driven Vulnerability Detection for Cloud Security Posture Management: Removing Human Rule Authoring from the Disclosure-to-Protection Critical Path
提出一种在客户租户内持续从公共目录与实时资产图交集派生规则集的架构，替代传统供应商分发规则，以消除人工编写延迟，实现更快的漏洞检测。
2026-06-28 cs.CR cs.DB cs.DC
Watermarking Graph Neural Networks via Explanations for Ownership Protection
Illinois Institute of Technology（伊利诺伊理工学院）；Harrisburg University of Science and Technology（哈里斯堡科学与技术大学）
本文提出基于解释的图神经网络水印方法，通过统计显著性验证所有权声明，解决传统水印方法的数据操纵和模糊性问题，提升GNN知识产权保护水平。
2026-05-10 cs.AI cs.CR
Place Protections at the Right Place: Targeted Hardening for Cryptographic Code against Spectre v1
本文提出基于不动点算法的 LightSLH 框架，定向检测并加固加密代码中的 Spectre v1 漏洞，以可证明安全性显著降低开销，并发现编译器与 scatter-gather 访问模式的新风险。
2025-06-08 cs.CR
The Double-edged Sword of LLM-based Data Reconstruction: Understanding and Mitigating Contextual Vulnerability in Word-level Differential Privacy Text Sanitization
Technical University of Munich School of Computation, Information（慕尼黑技术大学计算、信息与技术学院）
本研究探讨了LLM在词级差分隐私文本净化中的上下文脆弱性利用，发现其攻击具有双刃剑效应，既可能削弱隐私，也可用于后处理以提升隐私保护。
2025-08-26 cs.CL cs.CR
Security Mitigations for Return-Oriented Programming Attacks
随着新的漏洞利用技术的发现，也需要新的保护机制。DEP（数据执行保护）或ASLR（地址空间布局随机化）等缓解措施为漏洞利用创造了更加困难的环境。然而，攻击者最近开发了新的利用方法，这些方法能够绕过操作系统的安全保护机制。在本文中，我们提出了一个简短的总结新颖的和已知的缓解技术，对面向返回的编程（ROP）的攻击。本文介绍的技术主要与x86-32处理器和Microsoft Windows操作系统相关。
2010-08-24 cs.CR
Smart Water Security with AI and Blockchain-Enhanced Digital Twins
Media Engineering Group University of Extremadura（媒体工程组埃斯特拉达大学）
针对农村配水系统缺乏实时监控、易受网络攻击和数据不可靠的问题，提出结合LoRaWAN、机器学习IDS和区块链数字孪生的集成框架，实现高TPS、低延迟的安全透明水务管理。
2025-04-28 cs.AI cs.CR cs.LG
What You Code Is What We Prove: Translating BLE App Logic into Formal Models with LLMs for Vulnerability Detection
本文提出利用LLM将BLE应用代码翻译为形式化模型，结合静态分析与符号验证，在1050个Android应用中揭示仅10.2%实现全部核心安全保护，降低形式化验证门槛。
2025-09-11 cs.CR cs.NI
Secure and Privacy-Preserving Data Aggregation Protocols for Wireless Sensor Networks
本章讨论了无线传感器网络中聚合协议对安全和隐私保护机制的需求。它提出了一个全面的最先进的讨论在无线传感器网络中使用的各种隐私保护机制，特别是集中在CPDA协议提出的He等人。（INFOCOM 2007）。它确定了CPDA协议中的安全漏洞，并提出了一种机制来堵塞该漏洞。为了说明聚合过程中的安全需求，本章进一步介绍了无线传感器网络聚合机制中的各种威胁。简要分析了现有的无线传感器网络安全聚合协议，提出了一种能够检测恶意节点注入的虚假数据的安全聚合协议。协议的性能也被提出。本章的结论，同时强调一些未来的研究方向，在无线传感器网络的安全数据聚合。
2012-03-06 cs.CR cs.NI
Benchmarking Empirical Privacy Protection for Adaptations of Large Language Models
CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心）
通过系统变化适配数据分布，使用鲁棒成员推断和金丝雀数据提取攻击，评估差分隐私下大语言模型的实际隐私风险，发现分布偏移显著影响隐私脆弱性，LoRA等参数高效微调方法对分布外数据提供最佳实证保护。
2026-06-08 cs.CR cs.LG
A Cyber-Twin Based Honeypot for Gathering Threat Intelligence
Singapore University of Technology and Design（新加坡科技设计大学）；University of Derby（德比大学）
本文提出一种基于网络双胞胎的蜜罐，用于模拟水处理厂吸引攻击者，记录并分析攻击以收集威胁情报，帮助提升水处理厂的安全防护系统。
2025-09-11 cs.CR cs.NI
Security of HyperLogLog (HLL) Cardinality Estimation: Vulnerabilities and Protection
计数不同或基数估计被广泛用于网络安全监控。例如，它们可用于检测恶意软件传播、网络扫描或拒绝服务攻击。有许多算法来估计基数。其中，HyperLogLog（HLL）是最广泛采用的日志记录方法之一。HLL很简单，在很宽的值范围内提供良好的基数估计，需要少量的内存，并允许合并来自不同来源的估计。然而，随着HLL越来越多地用于检测攻击，它本身可能成为希望避免被检测到的攻击者的目标。据我们所知，HLL的安全性还没有被研究过。在这封信中，我们采取了第一步，在其研究中，首先暴露的漏洞HLL，允许攻击者操纵其估计。这表明了设计安全的HLL实现的重要性。在信的第二部分，我们提出了一个有效的保护技术来检测和避免HLL操纵。结果表明，HLL的安全性应进一步研究，因为它被广泛采用在许多网络和计算应用。
2020-02-15 cs.CR
A Robust Certificate Management System to Prevent Evil Twin Attacks in IEEE 802.11 Networks
邪恶孪生攻击是对无线局域网的主要安全威胁。邪恶孪生是恶意用户安装的假冒合法AP的流氓AP。它的目的是吸引受害者，以拦截他们的凭证，窃取他们的敏感信息，窃听他们的数据，在本文中，我们研究了无线网络的安全机制，我们介绍了不同的认证方法，包括802.1X认证。我们表明，802.1X通过使用数字证书提高了安全性，但没有为用户定义任何实用的技术来检查网络证书。因此，它仍然容易受到邪恶的双胞胎攻击。为了修复这个漏洞，我们引入了健壮的证书管理系统（RCMS），它利用802.1X的数字证书来保护用户免受流氓AP的攻击。RCMS定义了一个新的验证码，以允许用户设备检查网络证书。这种实用的验证与数字证书的可靠性相结合，可以提供完美的保护，防止恶意AP。RCMS需要在用户终端上进行小的软件更新，并且不需要对IEEE 802.11进行任何修改。它具有显著的灵活性，因为信任单个AP就足以信任扩展网络的所有AP。这使管理员能够轻松扩展其网络，而无需更新用户设备上的任何受信任AP数据库。
2023-02-01 cs.CR cs.NI
Comparing Effectiveness and Efficiency of Interactive Application Security Testing (IAST) and Runtime Application Self-Protection (RASP) Tools in a Large Java-based System
本研究在大型Java系统OpenMRS上比较IAST与RASP等安全工具，发现IAST在效率和有效性上均居第二，能检测八个OWASP Top-10风险，是黑盒测试的有力补充工具。
2023-12-29 cs.CR cs.SE
Beyond Over-Protection: A Targeted Approach to Spectre Mitigation and Performance Optimization
本研究扩展侧信道模型验证框架Scam-V，用于检测程序的Spectre-PHT漏洞并定向优化LLVM中slh防护措施，结合目标平台微架构特性减少过度防护带来的性能开销。
2023-12-15 cs.CR
Footprints of Data in a Classifier: Understanding the Privacy Risks and Solution Strategies
Techno Main Salt Lake, Kolkata, India（印度科利尔盐湖Techno Main）；Sorbonne University, Abu Dhabi, UAE（阿布扎比酋长国索邦大学）；Sorbonne Center for AI, Paris, France（巴黎法国索邦人工智能中心）
本研究探讨了分类器中训练数据残留足迹对隐私安全的影响，分析了数据不平衡和分布偏移导致的隐私漏洞，并提出了通过数据混淆技术缓解隐私风险的策略，同时引入隐私-性能权衡指数以平衡隐私保护与模型效果。
2025-04-12 cs.AI cs.CR
Advancing Security with Digital Twins: A Comprehensive Survey
本文全面综述数字孪生在硬件安全中的应用，涵盖网络物理系统、物联网、密码系统及伪造检测等，并探讨其与大语言模型的集成，为安全防护提供统一参考。
2025-09-11 cs.CR cs.ET
Enhancing Smart Contract Vulnerability Detection in DApps Leveraging Fine-Tuned LLM
School of Cyberspace Security, Hainan University（海南大学网络空间安全学院）
本文利用微调大语言模型和数据增强技术，提升DApp智能合约漏洞检测的准确性和效率，尤其在检测非机器可审计的漏洞方面表现突出。
2026-01-31 cs.CR
Information Security Based on LLM Approaches: A Review
School of Cyberspace Security, Hainan University（海南大学网络空间安全学院）
本文综述了大语言模型在信息安全领域的应用，探讨其在恶意行为预测、网络威胁分析等任务中的优势及面临的挑战。
2026-02-01 cs.AI cs.CR
HAVE: Host Active Verification Engine for Closing the Contextual Reality Gap in Security Digital Twins
提出HAVE引擎，通过安全约束主机代理进行最大似然估计，测量经验妥协概率，利用Wilson区间置信权重和贝叶斯混合规则修正CVSS评分导致的上下文现实差距，实验显示在误报和漏报场景中分别降低38.2%和提升132.4%的到达概率。
2026-06-05 cs.CR
Java Components Vulnerabilities - An Experimental Classification Targeted at the OSGi Platform
OSGi平台在两个不同的应用领域发现了越来越多的兴趣：嵌入式系统和应用服务器。然而，该平台的安全属性几乎没有研究，这可能会阻碍其在生产系统中的使用。基于OSGi的应用程序的动态方面（可以在运行时扩展）使它们容易受到恶意代码注入的攻击，这一点尤为重要。因此，我们对OSGi平台进行了系统的审计，以便构建一个漏洞目录，该目录旨在引用源于核心规范的OSGi漏洞，以及与Java语言使用相关的行为。不考虑标准服务。为了支持这种审计，定义了一个半正式的漏洞模式，它可以唯一地描述每个漏洞的基本属性，在模式中包含详细描述，引用已知的安全保护，并跟踪利用漏洞的概念验证OSGi捆绑包的实现状态。在分析目录的基础上，建立了一个健壮的OSGi平台，并提出了改进OSGi规范的建议。
2007-07-27 cs.CR cs.OS
Generative AI for Vulnerability Detection in 6G Wireless Networks: Advances, Case Study, and Future Directions
本文探讨了生成式AI在6G无线网络漏洞检测中的应用，提出了包含技术层、能力层和应用层的三层框架，并通过LLM驱动代码漏洞检测的案例研究展示了其有效性，为构建弹性自适应安全方案提供了路线图。
2025-06-25 cs.CR cs.NI
Defending the Core: A Centrality-Based Protection Strategy for Supply Chain Security in npm Dependency Network
针对npm依赖网络的中心节点易受攻击问题，提出基于中心性的节点加固与依赖权重警告双管齐下的防御策略，模拟证明仅对前1%节点实施严格安全协议并修剪30%结构次要边即可防止网络崩溃和级联恶意软件感染。
2026-06-15 cs.CR cs.NI
ICSPatch: Automated Vulnerability Localization and Non-Intrusive Hotpatching in Industrial Control Systems using Data Dependence Graphs
在操作技术（OT）和信息技术（IT）设备之间实现广泛的相互通信的范式转变允许IT世界的典型漏洞传播到OT端。因此，过去通过空气间隙提供的安全层被移除，使得OT设备的安全补丁成为硬性要求。传统的修补涉及设备重新启动以将修补后的代码加载到主存储器中，这不适用于由于停机而控制关键进程的OT设备，从而需要在存储器中修补漏洞。此外，这些控制二进制文件通常由内部专有编译器编译，进一步阻碍了修补过程，并依赖OT供应商快速发现漏洞和开发补丁。当前最先进的热修补方法仅关注固件和/或RTOS。因此，在这项工作中，我们开发ICSPatch，一个框架，自动控制逻辑漏洞本地化使用数据依赖图（DDG）。在DDG的帮助下，ICSPatch精确定位了控制应用程序中的漏洞。作为独立的第二步，ICSPatch可以直接在可编程逻辑控制器的主存储器中非侵入性地修补控制应用程序中的漏洞，同时保持可靠的连续运行。为了评估我们的框架，我们在来自不同关键基础设施部门的24个易受攻击的控制应用程序二进制文件的合成数据集上测试ICSPatch。结果表明，ICSPatch能够成功定位所有漏洞并生成相应的补丁。此外，该补丁在执行周期中增加了可忽略不计的延迟，同时保持了正确性和对漏洞的保护。
2022-12-08 cs.CR cs.SY eess.SY
Adversarial Example Based Fingerprinting for Robust Copyright Protection in Split Learning
针对Split Learning模型缺乏版权保护框架的问题，提出首个利用对抗样本生成指纹并嵌入模型的版权保护方案，在保持模型准确率的同时实现了高指纹验证成功率并抵御标签推断攻击。
2025-03-05 cs.CR
Critical Infrastructure Protection: Generative AI, Challenges, and Opportunities
本文面向国家关键基础设施的网络安全风险，分析信任、隐私、韧性及安全与安保融合问题，并提出结合生成式AI和LLMs的CIP生命周期与行业应用框架。
2024-05-08 cs.CR
Data-Driven Vulnerability Detection and Repair in Java Code
Java平台提供了各种API来促进安全编码。然而，对于缺乏网络安全培训的开发人员来说，正确使用安全API通常具有挑战性。先前的工作表明，许多开发人员滥用安全API;这种滥用可能会将漏洞引入软件，使安全保护无效，并向黑客提供安全漏洞。为了消除这种API相关的漏洞，本文提出了SEADER -我们的新方法，检测和修复安全API滥用。给定一个示例性的不安全代码片段及其安全对应代码片段，SEADER会比较这些代码片段并进行数据依赖性分析，以推断安全API滥用模板和相应的修复操作。根据推断的信息，给定一个程序，SEADER执行过程间静态分析，以搜索任何安全API滥用，并针对这些漏洞提出定制的修复建议。为了评估SEADER，我们将其应用于25个<不安全，安全>代码对，SEADER成功地推断出18个独特的API误用模板和相关修复。通过这些漏洞修复模式，我们进一步将SEADER应用于10个开源项目，这些项目总共包含32个已知漏洞。我们的实验表明，SEADER检测漏洞的准确率为100%，召回率为84%，准确率为91%。此外，我们将SEADER应用于100个Apache开源项目，并检测到988个漏洞; SEADER始终正确地定制修复建议。根据SEADER的输出，我们提交了60个pull requests。截至目前，已有18个项目的开发商对SEADER的建议给予了积极的反馈。我们的研究结果表明，SEADE…
2021-02-13 cs.CR cs.SE
Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning
North Carolina State University（北卡罗来纳州立大学）；University of Louisville（路易斯维尔大学）；University of Maryland（马里兰大学）；University of North Texas（北德克萨斯大学）；Wayne State University（韦恩州立大学）
研究自动驾驶车辆系统安全问题，提出\alg防御框架，通过集成数字孪生、利用历史参数和中心梯度，确保仅聚合良性数据，增强FRL系统鲁棒性，有理论保证且经数字孪生模型验证有效性。
2026-07-10 cs.CR cs.DC cs.LG
Enabling Cyber Security Education through Digital Twins and Generative AI
University of Bari Aldo Moro（巴里大学阿尔多·莫罗大学）
本文提出融合数字孪生、渗透测试工具包RTK与LLM的网络安全教学框架，通过逼真攻防演练和实时智能反馈提升实操能力并弥合理论与实践差距。
2025-07-23 cs.AI cs.CR cs.CY
Systematic Meets Unintended: Prior Knowledge Adaptive 5G Vulnerability Detection via Multi-Fuzzing
针对5G安全研究缺乏整体视角的问题，提出系统性多模糊测试方法，通过LAL、SyAL和SoAL三种策略自适应不同先验知识条件，有效发现并预测5G漏洞，实现实时检测与主动防御。
2024-01-05 cs.CR
DIVAS: An LLM-based End-to-End Framework for SoC Security Analysis and Policy-based Protection
本文提出DIVAS框架，利用LLM从SoC规范中自动识别安全漏洞、映射CWE、生成断言并执行安全策略，实验验证了其有效性。
2023-08-14 cs.AR 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
SEAL-DT: An End-to-End Security Engineering and Assurance Framework for Cross-Domain Digital Twins
Harokopio University of Athens（哈罗科皮奥雅典大学）；Democritus University of Thrace（色雷斯德谟克利特大学）；University of Western Macedonia（西马其顿大学）
本文提出SEAL-DT框架，整合多要素构建端到端跨域数字孪生安全体系，经五个场景验证，可实现模型构建一致、执行可追溯及安全发现与证据关联。
2026-10-14 cs.CR
Smart Grid: Cyber Attacks, Critical Defense Approaches, and Digital Twin
本文综述智能电网面临的网络攻击、关键防御方法及数字孪生技术，旨在打破领域知识壁垒，为基于数字孪生的智能电网安全设计提供指导。
2025-07-07 cs.CR cs.NI
Interoperability and Explicable AI-based Zero-Day Attacks Detection Process in Smart Community
本文提出将6G、IoE、AI及嵌入智能合约的WiFi-8等技术协同，结合互操作性与可解释人工智能（XAI）构建零日攻击检测与防护系统，并基于准确率和时间评估其分析攻击模式与异常的效率。
2025-10-11 cs.CR
VeriCHERI: Exhaustive Formal Security Verification of CHERI at the RTL
本文提出VeriCHERI，一种无需ISA规范的RTL层级安全验证方法，通过四个无界属性针对机密性和完整性目标，对CHERI硬件实现进行详尽的形式化安全验证。
2024-07-26 cs.CR
Uncovering In-DRAM RowHammer Protection Mechanisms: A New Methodology, Custom RowHammer Patterns, and Implications
DRAM中的RowHammer漏洞是对系统安全的严重威胁。为了防止RowHammer，供应商致力于通过模糊来实现安全性：现代DRAM芯片依赖于未记录的专有芯片缓解措施，通常称为目标行刷新（TRR）。在高级别上，TRR检测和刷新潜在的RowHammer受害者行，但其确切实现没有公开披露。TRR机制的安全保证由于其专有性质而不易研究。为了评估最近的DRAM芯片的安全保证，我们提出了发现TRR（U-TRR），一种实验方法来分析在DRAM TRR实现。U-TRR基于新的观察，即DRAM中的数据保留故障会导致侧通道泄漏TRR如何刷新潜在受害行的信息。U-TRR允许我们（i）了解逻辑DRAM行如何在硅中物理布局;（ii）研究未记录的片上TRR机制;以及（iii）结合（i）和（ii）来评估现代DRAM芯片的RowHammer安全保证。我们展示了如何U-TRR允许我们手工RowHammer访问模式，成功地规避TRR机制，在45个DRAM模块的三大DRAM供应商。我们发现，我们分析的DRAM模块容易受到RowHammer的攻击，在所有DRAM行中高达99.9%的位置翻转。我们在[106]公开和免费提供U-TRR源代码。
2022-10-22 cs.AR cs.CR
Do Software Security Practices Yield Fewer Vulnerabilities?
本研究构建软件安全实践得分与漏洞数的机器学习模型，发现四项实践影响最大，但模型预测R²仅9%-12%，且安全得分高的包报告漏洞反而更多，建议优化相关指标以提供有效安全指导。
2023-06-15 cs.CR cs.SE
Securing Transformer-based AI Execution via Unified TEEs and Crypto-protected Accelerators
University of Central Florida（中央佛罗里达大学）
提出 TwinShield 框架，通过统一 TEE 和密码学保护的加速器，在异构系统中实现 Transformer 推理时数据和模型的双重保护，将约 87% 计算卸载至 GPU 并实现 4.0-6.1 倍加速。
2025-07-13 cs.CR cs.LG
Bit2Watt: A Cyber-Physical Vulnerability Exploiting GPU Workloads Across Power and Computing Infrastructures
Zhejiang University（浙江大学）
研究揭示利用GPU工作负载的网络物理漏洞Bit2Watt，攻击者借此引发高频功率调制破坏电力及计算设施。通过多种实验验证，此漏洞会致电力质量下降、引发连锁故障等，还分析了反馈路径风险，强调跨层防御的迫切性。
2026-07-08 cs.AR cs.CR cs.DC
Adversarial Vulnerabilities in Neural Operator Digital Twins: Gradient-Free Attacks on Nuclear Thermal-Hydraulic Surrogates
Department of Nuclear, Plasma & Radiological Engineering, University of Illinois Urbana-Champaign（核物理与辐射工程系，伊利诺伊大学厄巴纳-香槟分校）；Indian Institute of Technology Delhi（印度理工学院德里）；National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（国家超级计算应用中心，伊利诺伊大学厄巴纳-香槟分校）
研究揭示神经运算符在物理合理扰动下的脆弱性，通过无梯度差分进化展示最小修改导致预测失败，提出有效扰动维度模型解释攻击成功率因素。
2026-03-23 cs.CR cs.LG
Death by a Thousand Prompts: Open Model Vulnerability Analysis
Cisco AI Threat Research & Security（思科AI威胁研究与安全）
本文对八个开放权重LLM进行自动化对抗测试，发现多轮提示注入和越狱攻击成功率高达25.86%-92.78%，比单轮高2-10倍，并建议采用安全优先设计和分层防护以降低部署风险。
2025-11-05 cs.CR cs.LG
Understanding the Security Boundary of Obfuscation-based On-Device LLM Protection
Tsinghua University（清华大学）
本文针对基于TEE的端侧LLM保护中启发式混淆方法的局限，形式化混淆原语以统一先前TSLP方法，刻画其安全边界，提出Collapse攻击揭示共同漏洞，并引入新原语扩展安全边界。
2026-09-21 cs.CR
SVDefense: Effective Defense against Gradient Inversion Attacks via Singular Value Decomposition
City University of Hong Kong（香港城市大学）；Singapore University of Technology and Design（新加坡科技设计大学）
针对联邦学习中梯度反转攻击的现有防御存在开销高、效用差、易被绕过的问题，提出基于截断SVD的SVDefense框架，通过三项创新实现强隐私保护与高精度平衡，且适配嵌入式平台。
2025-10-01 cs.CR cs.LG
Self-Ensemble Protection: Training Checkpoints Are Good Data Protectors
Shanghai Jiao Tong University（上海交通大学）；Northeastern University（东北大学）
本文提出自集成保护（SEP）方法，利用训练检查点梯度生成始终无法被正确分类的扰动数据，以极低计算成本实现类似多模型集成的数据保护效果，显著降低攻击者模型准确率。
2023-04-12 cs.CR cs.LG stat.ML
SMS Goes Nuclear: Fortifying SMS-Based MFA in Online Account Ecosystem
随着在线服务的快速增长，在线账户的数量激增。单个用户账户的安全性不再仅仅依赖于其自身的服务提供商，还依赖于其他服务平台上的账户（我们将这种在线账户环境称为在线账户生态系统）。在本文中，我们首先揭示了在线帐户生态系统的脆弱性，这源于有缺陷的多因素身份验证（MFA），特别是基于SMS的验证，以及不同平台上的帐户之间的依赖性。我们提出了连锁反应攻击，利用在线帐户生态系统中的最薄弱点，并最终危及最安全的平台。此外，我们设计并实现了ActFort，一个系统的方法来检测在线帐户生态系统的脆弱性，通过分析认证凭证因素和敏感的个人信息，以及评估在线帐户之间的依赖关系。我们评估我们的系统上列出的Alexa在不同领域的数百个代表性的在线服务。基于ActFort的分析，我们对当前的在线账户生态系统提出了一些实用的见解，并提出了一些可行的对策，包括在线账户暴露信息保护机制和内置身份验证，以加强在线账户生态系统的安全性。
2021-07-19 cs.CR cs.NI
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
