A Benchmark Suite for Evaluating Caches' Vulnerability to Timing Attacks
处理器缓存中基于时间的侧通道或隐蔽通道继续对计算机系统构成威胁,它们是最近许多Spectre和Meltdown攻击的关键。基于改进现有的三步模型的缓存定时为基础的攻击,这项工作提出了88强类型的理论定时为基础的漏洞在处理器缓存。为了理解和评估处理器缓存中所有可能类型的漏洞,本文进一步提出并实现了一个新的基准套件,该套件可用于测试给定处理器或缓存设计易受哪些类型的基于缓存定时的攻击。总共有1094个自动生成的测试程序,涵盖了88个理论漏洞。基准测试套件生成缓存计时漏洞分数,可用于评估特定缓存实现对不同攻击的脆弱程度。较小的Cache Timing Vulnerability Score意味着设计更安全,并且可以很容易地比较不同机器之间的分数。评估是在商用英特尔和AMD处理器上进行的,显示处理器实现的差异可能导致它们容易受到不同类型的攻击。除了测试商用处理器之外,基准测试和缓存定时漏洞分数还可用于帮助新安全处理器缓存的设计者评估其设计对基于缓存定时的攻击的敏感性。
2019-11-19 cs.CR
Deterministic Browser
在现代浏览器中,定时攻击一直是对用户隐私的威胁。为了减轻这种攻击,现有的方法,如Tor Browser和Fermata,增加了浏览器时钟的抖动,使得攻击者无法准确地测量事件。然而,这样的防御只是提高了攻击者的门槛,但不能从根本上减轻定时攻击,即,只是发动时机攻击的时间比以前更长。在本文中,我们提出了一种新的方法,称为确定性浏览器,它可以证明防止现代浏览器中的定时攻击。借用物理学,我们引入几个概念,如观察者和参考系。具体地,JavaScript的片段,即,JavaScript参考系中的观察者将总是获得相同的固定定时信息,从而防止定时攻击;相反,用户,即,Oracle观察者将以不同的方式感知JavaScript,并且不会经历性能降低。我们已经实现了一个原型称为DeterFox和我们的评估表明,原型可以抵御浏览器相关的定时攻击。
2017-08-22 cs.CR
Constant time encryption as a countermeasure against remote cache timing attacks
Rijndael在2001年被美国国家标准与技术研究所标准化为高级加密标准(AES)。AES仍被用于加密金融、军事甚至政府机密数据。2005年,Bernstein使用客户端-服务器架构说明了对AES的远程缓存定时攻击,因此在其软件实现中证明了一个侧通道。多年来,已经提出了一些对策,以防止高速缓存时序攻击使用硬件和软件。虽然基于软件的对策是灵活的,易于部署,大多数这样的对策是脆弱的统计分析。在本文中,我们提出了一种新的基于软件的对策,对缓存定时攻击,被称为恒定时间加密,我们相信这是安全的统计分析。我们提出的对策执行重新调度的指令,使加密轮将消耗恒定的时间独立的高速缓存命中和未命中。通过实验,证明了该对策对Bernstein缓存定时攻击是安全的.
2014-03-28 cs.CR
TaskShuffler++: Real-Time Schedule Randomization for Reducing Worst-Case Vulnerability to Timing Inference Attacks
本文提出了一种调度随机化算法,以减少实时的【形】系统的脆弱性定时推理攻击,试图学习任务执行的时间。它利用运行时的信息随时可用在每个调度决策点,以增加任务调度的不确定性水平,同时保持原来的可扩展性。随机化算法显著降低了对手正确预测在任意时间将运行什么任务的最佳机会。本文还提出了一个信息理论的措施,可以量化的最坏情况下的脆弱性,从防御者的角度来看,一个任意的实时的【形】时间表。
2019-11-18 cs.CR
Practical Timing Side Channel Attacks on Memory Compression
压缩算法被广泛使用,因为它们节省内存而不会丢失数据。然而,消除数据中的冗余符号和序列导致压缩侧信道。到目前为止,压缩攻击仅集中在压缩比侧通道上,即,压缩数据的大小,以及主要针对的HTTP流量和网站内容。在本文中,我们提出了第一个内存压缩攻击利用定时侧通道的压缩算法,针对广泛的应用程序使用压缩。我们的工作系统地分析了不同的压缩算法,并演示了在每一个时间泄漏。我们提出Comprezzor,一个进化的模糊器,它发现内存布局,导致放大的延迟差异解压缩,从而使远程攻击。我们展示了一个远程隐蔽通道,利用小的本地时间差,平均643.25位/小时,在互联网上传输超过14跳。我们还演示了内存压缩攻击,可以泄漏秘密字节以及在字典式攻击在三个不同的案例研究。首先,我们证明了攻击者可以使用Memcached在PHP应用程序中公开与攻击者数据共存并压缩的秘密。第二,我们提出了一个攻击,从PostgreSQL泄漏数据库记录,由Python-Flask应用程序管理,通过互联网。第三,我们演示了一个攻击,从透明压缩页面与ZRAM,Linux中的内存压缩模块泄漏秘密。我们的结论是内存压缩攻击是一个实际的威胁。
2021-11-16 cs.CR
U Can Touch This! Microarchitectural Timing Attacks via Machine Clears
本文提出MCHammer这一新颖侧信道技术,利用自修改代码检测引发的机器清除实现高效微架构定时攻击,较Flush+Reload技术提升跟踪粒度,成功从部署的加密工具中恢复密钥,对现实系统安全有重要影响。
2025-02-14 cs.CR
Digital Privacy Under Attack: Challenges and Enablers
University of Technology Sydney(悉尼科技大学);Deakin University(迪肯大学);Hunan University(湖南大学);City University of Macau(澳门城市大学)
本文系统梳理数据驱动系统中针对匿名数据、统计聚合和隐私保护模型的隐私攻击及防御措施,分析隐私—效用权衡,并指出差分隐私的实现挑战与未来研究方向。
2025-09-29 cs.CR
Tik-Tok: The Utility of Packet Timing in Website Fingerprinting Attacks
被动的本地窃听者可以利用网站指纹(WF)来对Tor用户的Web浏览活动进行去匿名化。在最近的研究中,由于低层次时序信息的波动性,时序信息对WF的价值常常被低估。在本文中,我们更仔细地研究在何种程度上可以使用数据包定时,以促进WF攻击。我们首先提出了一套新的定时相关的功能,基于突发级的特点,以进一步确定更多的方式,定时模式可以使用分类器来识别网站。然后,我们评估了原始定时和定向定时的有效性,定向定时是基于深度学习的WF攻击中原始定时和方向的组合。我们的封闭世界评估表明,定向计时在我们探索的大多数设置中表现最好,达到:(i)在无防御的Tor流量中达到98.4%;(ii)在WTF-PAD流量中达到93.5%,比只使用方向信息时高出几个点;(iii)在洋葱网站中达到64.7%,比只使用方向高出12%。在开放世界环境中的进一步评估显示,在WTF-PAD流量上,方向定时的精确度(+2%)和召回率(+6%)都有小幅提高。为了进一步研究时间信息的价值,我们对我们提出的手工制作的功能进行了信息泄漏分析。我们的研究结果表明,虽然时间特征比方向特征泄漏更少的信息,但每个特征中包含的信息是相互排斥的,因此可以提高分类器的鲁棒性。
2020-03-16 cs.CR
Minimizing Cache Timing Attack Using Dynamic Cache Flushing (DCF) Algorithm
Rijndael算法于2000年10月被美国国家标准与技术研究所(NIST)的研究小组一致选为高级加密标准(AES)。从那时起,Rijndael注定要在各种软件和硬件实体中大量使用,以加密数据。然而,几年前,Daniel Bernstein设计了一种缓存定时攻击,足以打破封装加密密钥的Rijndael密封。在本文中,我们提出了一个新的动态缓存刷新(DCF)算法,它显示了一套务实的软件措施,将使Rijndael可抵御缓存定时攻击。仿真结果表明,所提出的DCF算法通过在恒定的时间加密密钥提供了更好的安全性。
2009-09-03 cs.CR
A Jigsaw Puzzle Solver-based Attack on Block-wise Image Encryption for Privacy-preserving DNNs
隐私保护深度神经网络(DNN)已经被提出用于保护云服务器中的数据隐私。虽然已经提出了几种用于保护隐私的DNN的视觉保护加密方案,但一些攻击可以从加密图像中恢复视觉信息。另一方面,它已被证实,分块的图像加密方案,利用块和像素洗牌是强大的对几种攻击。在本文中,我们提出了一个拼图解决方案为基础的攻击,以恢复从加密图像,包括块和像素洗牌的视觉信息。在实验中,图像加密使用分块图像加密大多是通过使用所提出的攻击恢复。
2022-11-10 cs.CR
AVX Timing Side-Channel Attacks against Address Space Layout Randomization
本文利用AVX掩码加载/存储指令的实现缺陷,提出新型时序侧信道攻击,可在云、SGX和主流操作系统中攻破用户态与内核态ASLR,并推断蓝牙和鼠标等用户行为。
2023-04-17 cs.CR
Bayes-Nash Generative Privacy Against Membership Inference Attacks
针对成员推断攻击,提出基于贝叶斯博弈的生成式隐私框架BNGP,以神经网络生成器和判别器建模攻防,避免灵敏度计算,支持相关机制组合,实证中优于现有方法。
2025-07-10 cs.CR
TPM-FAIL: TPM meets Timing and Lattice Attacks
可信协议(TPM)作为基于硬件的信任根,保护加密密钥免受特权系统和物理对手的攻击。在这项工作中,我们进行了一个黑盒定时分析的TPM 2.0设备部署在商品计算机上。我们的分析表明,这些设备中的一些功能的秘密依赖的执行时间在签名生成的基础上椭圆曲线。特别是,我们发现了基于英特尔固件的TPM以及硬件TPM上的时序泄漏。我们展示了这些信息如何允许攻击者应用网格技术来恢复ECDSA和ECSchnorr签名的256位私钥。在英特尔fTPM上,我们的密钥恢复在大约1,300次观察后成功,不到两分钟。类似地,我们从STMicroelectronics制造的硬件TPM中提取了ECDSA私钥,该TPM在不到40,000次观察后通过了通用标准(CC)EAL 4+认证。我们通过演示针对StrongSwan VPN的远程攻击来进一步强调这些漏洞的影响,该VPN使用TPM来生成用于身份验证的数字签名。在此攻击中,远程客户端通过网络连接仅对45,000次身份验证握手进行计时,即可恢复服务器的私有身份验证密钥。我们发现的漏洞强调了正确实现已知的恒定时间技术的困难,并显示了进化测试和加密实现的透明评估的重要性。随着我们对这些攻击的了解越来越多,即使是声称能够抵抗攻击的认证设备也需要社区和行业进行额外的审查。
2019-11-13 cs.CR
How Worrying Are Privacy Attacks Against Machine Learning?
Universitat Rovira i Virgili(罗维拉·依尔吉利大学)
本文针对ML模型隐私风险等同于直接泄露训练数据的监管隐含假设,梳理三类主流ML隐私攻击,指出其现实有效性普遍低于文献字面呈现的水平。
2025-11-13 cs.CR
When Human cognitive modeling meets PINs: User-independent inter-keystroke timing attacks
本文提出了第一个独立于用户的PIN码间定时攻击。我们的攻击方法是基于从人类认知模型,其参数可以由少量的训练数据的任何用户(不一定是目标受害者)的内置定时字典。因此,我们的攻击可能会在现实世界中大规模发起。我们研究了不同在线攻击环境下的跨节点定时攻击,并评估了它们在不同强度水平下对PIN的性能。我们的实验结果表明,所提出的攻击性能显着优于随机猜测攻击。我们进一步证明了我们的攻击对现实世界的应用程序构成了严重的威胁,并提出了各种方法来减轻威胁。
2018-10-17 cs.CR cs.HC
Time Stamp Attack in Smart Grid: Physical Mechanism and Damage Analysis
电网中的许多操作,如故障检测和事件位置估计,依赖于精确的定时信息。提出了一种新的时间戳攻击方法来攻击智能电网中的定时信息。由于智能电网中的许多应用利用同步测量,并且大多数测量设备配备有用于精确定时的全球定位系统(GPS),因此通过欺骗GPS来攻击测量系统的可能性很高。通过相量测量单元(PMU)在智能电网中的输电线路故障检测、电压稳定监测和事件定位三个方面的应用,验证了TSA的有效性。
2012-01-12 cs.CR
Mitigating the ICA Attack against Rotation Based Transformation for Privacy Preserving Clustering
基于旋转变换的隐私保护数据采掘(PPDM)易受独立分量分析(ICA)攻击。本文介绍了一种改进的基于多重旋转的变换(MRBT)技术,用于特殊的挖掘应用,在保持RBT优点的同时减轻ICA攻击。
2009-06-01 cs.CR
Privacy-Preserving Federated Learning Scheme with Mitigating Model Poisoning Attacks: Vulnerabilities and Countermeasures
该研究发现双服务器隐私保护联邦学习方案在防御模型投毒时存在隐私泄露漏洞,提出含双陷门FHE、安全归一化判断、安全余弦相似度检测的PBFL方案,兼具隐私保护与抗投毒能力,效率优于现有方案。
2025-07-30 cs.CR
Fine-grained Poisoning Attack to Local Differential Privacy Protocols for Mean and Variance Estimation
虽然本地差分隐私(LDP)保护个人用户的数据不受不可信数据管理者的推断,但最近的研究表明,攻击者可以从用户侧发起数据投毒攻击,将精心制作的伪造数据注入LDP协议,以便最大限度地扭曲数据管理者的最终估计。在这项工作中,我们通过提出一种新的细粒度攻击来进一步推进这一知识,该攻击允许攻击者微调并同时操纵均值和方差估计,这是许多现实世界应用中流行的分析任务。为了实现这一目标,攻击利用LDP的特性将虚假数据注入本地LDP实例的输出域。我们称这种攻击为输出中毒攻击(OPA)。我们观察到一个安全隐私的一致性,一个小的隐私损失提高了LDP的安全性,这与已知的安全隐私权衡从以前的工作。我们进一步研究的一致性,并揭示了一个更全面的看法的威胁景观的数据投毒攻击LDP。我们全面评估我们的攻击对基线攻击,直观地提供错误的输入LDP。实验结果表明,OPA优于基线在三个真实世界的数据集。我们还提出了一种新的防御方法,可以从污染的数据汇集中恢复结果的准确性,并提供了深入了解安全LDP设计。
2023-03-10 cs.CR
Learning-based Privacy-Preserving Graph Publishing Against Sensitive Link Inference Attacks
针对图数据发布中的敏感链路推断隐私泄露问题,提出首个隐私保护图结构学习框架PPGSL,通过模拟对抗的迭代训练实现最优隐私-效用权衡,可有效抵御多种攻击且适用于大规模图。
2025-07-23 cs.CR
E-DPNCT: An Enhanced Attack Resilient Differential Privacy Model For Smart Grids Using Split Noise Cancellation
针对智能电网差分隐私模型易受共谋攻击的问题,提出E-DPNCT模型,利用分裂噪声消除与多主智能电表实现抗共谋,兼顾隐私保护与准确计费负载监测,实验显示显著改进。
2023-09-05 cs.CR
AutoCAT: Reinforcement Learning for Automated Exploration of Cache-Timing Attacks
现代微处理器中积极的性能优化可能导致安全漏洞。例如,处理器缓存中基于时间的攻击可以窃取密钥或破坏随机化。到目前为止,查找缓存定时漏洞主要由人类专家执行,这是低效和费力的。鉴于未报告的漏洞会使系统处于风险之中,因此需要能够探索漏洞的自动工具。在本文中,我们提出了AutoCAT,一个自动化的探索框架,使用强化学习(RL)发现缓存定时通道攻击序列。具体来说,AutoCAT将缓存定时通道攻击公式化为攻击程序和持有秘密的受害者程序之间的猜测游戏。因此,这个猜谜游戏可以通过现代深度RL技术来解决。AutoCAT可以在不了解设计细节的情况下,在不同的攻击和受害程序配置下,探索各种缓存配置中的攻击。AutoCAT还可以查找绕过某些检测和防御机制的攻击。特别是,AutoCAT发现了StealthyStreamline,这是一种新的攻击,能够绕过基于性能计数器的检测,信息泄漏率比基于真实处理器的最先进的LRU攻击高出71%。AutoCAT是第一个使用RL来制作微架构定时通道攻击序列的同类产品,可以加速安全微处理器设计的缓存定时通道探索。
2023-02-04 cs.AR cs.CR
Time Synchronization Attack in Smart Grid-Part I: Impact and Analysis
电网中的许多操作,如故障检测和事件位置估计,依赖于精确的定时信息。提出了一种新的时间同步攻击算法(TSA),用于攻击智能电网中的时间信息。由于智能电网中的许多应用利用同步测量,并且大多数测量设备配备有用于精确定时的全球定位系统(GPS),因此通过欺骗GPS来攻击测量系统的可能性很高。通过相量测量单元(PMU)在智能电网中的输电线路故障检测、电压稳定监测和事件定位三个方面的应用,验证了TSA的有效性。数值仿真结果表明了TSA的有效性。
2012-04-02 cs.CR
DeSMP: Differential Privacy-exploited Stealthy Model Poisoning Attacks in Federated Learning
联邦学习(FL)由于其在保护客户机密信息方面的有效性而成为近年来新兴的机器学习技术。然而,尽管存在固有的和附加的隐私保护机制(例如,差分隐私、安全多方计算等),FL模型仍然容易受到各种隐私侵犯和安全性妥协攻击(例如,数据或模型中毒),这是由于它们的大量攻击向量,这又使得模型无效或次优。现有的对抗模型专注于无目标的模型中毒攻击,由于其相互冲突的性质(大规模攻击更容易检测,反之亦然),因此,在这种对抗学习范式中仍然是一个未解决的研究问题。考虑到这一点,在本文中,我们分析了FL设置中的这种对抗性学习过程,并表明可以利用差分噪声进行隐形和持久的模型中毒攻击。更具体地说,我们开发了一个前所未有的DP利用隐形模型中毒(DeSMP)攻击FL模型。我们使用两个流行的数据集对分类和回归任务进行的实证分析反映了所提出的DeSMP攻击的有效性。此外,我们开发了一种新的强化学习(RL)为基础的防御策略,对这种模型中毒攻击,可以智能和动态地选择FL模型的隐私级别,以最大限度地减少DeSMP攻击面,并促进攻击检测。
2021-09-21 cs.CR
When Mitigations Backfire: Timing Channel Attacks and Defense for PRAC-Based RowHammer Mitigations
本研究发现PRAC框架的ABO协议和RFM命令存在时序通道漏洞,提出PRACLeak攻击可泄露AES密钥,进而设计TPRAC防御方案,在保证RowHammer缓解效果的同时以3.4%的低开销封堵时序通道。
2025-05-19 cs.CR
Attacks on a Privacy-Preserving Publish-Subscribe System and a Ride-Hailing Service
隐私保护上下文感知发布订阅系统(CA-PSS)使得中介(代理)能够基于当前上下文来匹配来自发布者的内容和订阅者的订阅,同时保护订阅和通知的机密性。而隐私保护的叫车服务(RHS)使中介(服务提供商)能够以隐私友好的方式将乘车请求与出租车司机匹配。在这项工作中,我们攻击了Nabeel等人(2013)提出的隐私保护CA-PSS,其中我们表明系统中的任何实体(包括代理)都可以了解订阅者的机密订阅。我们还攻击了Yu等人(2019)提出的一种名为lpRide的隐私保护RHS,在该RHS中,我们证明任何骑手/司机都可以有效地恢复所有其他骑手和司机的密钥。此外,我们还表明任何骑手/司机都能够了解任何骑手的位置。这些攻击是基于我们对Nabeel等人提出的修改后的Paillier密码系统的密码分析,该密码系统构成了上述两种协议的构建块。
2021-05-10 cs.CR
Reconstruction Attacks on Aggressive Relaxations of Differential Privacy
差分隐私是一种被广泛接受的正式隐私定义,它允许发布关于数据集的聚合信息,同时控制其记录出现在数据中的个人的隐私泄露。由于隐私与效用之间不可避免的紧张关系,已经有许多作品试图放宽差分隐私的要求,以实现更大的效用。个人差分隐私(IDP)和引导差分隐私(BDP)的定义体现了一类放松,这是开始获得隐私社区以外的支持。原始版本的差分隐私定义了一组相邻数据库对,并通过要求每对邻居对攻击者几乎不可区分来实现其隐私保证。然而,我们研究的隐私定义积极地减少了受保护的相邻对的集合。IDP和BDP都定义了一个“隐私损失”的度量,它满足诸如后处理不变性和组合等形式上的隐私属性,并且比传统的差分隐私变体实现了更好的效用。然而,有一个显着的缺点-我们表明,他们允许数据集的很大一部分被重建使用算法,具有任意低的隐私损失下,他们的隐私会计规则。我们证明这些攻击使用这些隐私定义的首选机制。特别地,我们设计了一组查询,当被这些具有高噪声设置的机制保护时(即,具有非常低的隐私损失的声明),产生关于数据集的更精确的信息,而不是如果它们根本不受保护。
2022-09-08 cs.CR
Revisiting Locally Differentially Private Protocols: Towards Better Trade-offs in Privacy, Utility, and Attack Resistance
Inria(法国国家信息与自动化研究所);ÉTS Montréal(蒙特利尔高等技术学院);Université du Québec à Montréal (UQAM)(魁北克大学蒙特利尔分校)
本文提出多目标优化框架,优化隐私和效用在对抗性设置中的平衡,通过分析八种先进协议并提出改进方案,实验表明所提机制在降低攻击成功率的同时保持效用,接近ASR-MSE帕累托前沿。
2026-03-18 cs.CR
The All-Seeing Eye: A Massive-Multi-Sensor Zero-Configuration Intrusion Detection System for Web Applications
定时攻击是当前入侵检测解决方案面临的一个挑战。定时攻击对于Web应用程序来说是危险的,因为它们可能会泄露有关侧通道漏洞的信息。本文提出了一种多传感器零配置入侵检测系统,该系统特别适合于检测定时攻击。与当前的解决方案不同,所提出的入侵检测系统使用大量的传感器进行攻击检测。这些传感器包括自动插入到Web应用程序或用于构建Web应用程序的框架中的传感器。通过这种方法,入侵检测系统能够以更高的准确性检测复杂的攻击,如定时攻击或其他蛮干攻击。提出的多传感器零配置入侵检测系统不需要特定的知识系统保护,因此它提供了零配置能力。
2015-06-23 cs.CR
Empirical Analysis of Software Vulnerabilities Causing Timing Side Channels
本研究针对非密码软件中时序攻击相关漏洞研究不足的问题,采用定性定量方法分析2003-2022年NVD中的相关漏洞及补丁代码,发现多数漏洞源于未遵循安全编码规范,为软件安全防护提供实证依据。
2023-08-23 cs.CR cs.SE
CACHE SNIPER : Accurate timing control of cache evictions
在过去的几年里,微架构侧信道攻击在安全研究中非常突出。高速缓存一直是一个杰出的隐蔽通道,因为它们提供高分辨率和通用的跨核泄漏,即使是简单的用户模式代码执行权限。为了防止这些通用的跨核攻击,所有主要的加密库现在都提供了通过跨核缓存攻击来阻止密钥提取的对策,例如避免秘密相关访问模式和预取数据。在本文中,我们表明,旨在防止简单的缓存攻击的“足够好”的对策保护的实现仍然是脆弱的。我们提出了一种新的攻击,使用一种特殊的定时技术来确定何时开始加密,然后在所需的时刻准确地驱逐数据。这种新的攻击不需要特殊权限,也不需要攻击者和受害者之间的显式同步。我们的攻击的一个关键改进是一种方法,通过利用TSX的瞬时功能并依赖于最近反向工程的L3替换策略,在没有共享内存的情况下,通过单次内存访问从缓存中驱逐数据。我们证明了效率,通过执行异步最后一级缓存攻击,以提取RSA密钥从最新的SSL库,这已特别适应,以避免泄漏的访问模式,并通过提取AES密钥从S盒实现包括在OpenSSL绕过每轮预取打算作为对缓存攻击的保护。
2020-08-27 cs.CR
Janus: An Uncertain Cache Architecture to Cope with Side Channel Attacks
侧信道攻击是密码系统的主要攻击类型。攻击者收集并分析这些系统中的时序行为、I/O数据或功耗,以破坏其保护敏感信息的有效性。在这项工作中,我们提出了一个新的缓存架构,称为Janus,使密码系统引入随机化和不确定性,在他们的运行时的定时行为和功率利用率配置文件。在所提出的缓存架构中,每个数据块都配备了一个开-关标志,以启用/禁用数据块。Janus架构在其指令集中有两条特殊指令来支持开-关标志。除了建议的高速缓存架构的分析评估,我们将其部署在ARM-7处理器核心,研究其可行性和实用性。结果表明,在所有的基准测试的时间行为的显着变化。新的安全处理器架构具有最小的硬件开销,并在防止功耗分析和定时行为攻击方面有显着的改进。
2017-10-25 cs.CR
Robust and Efficient Elimination of Cache and Timing Side Channels
定时和高速缓存侧通道提供了针对许多敏感操作(包括加密实现)的强大攻击。现有的防御措施无法在不产生过高性能开销的情况下抵御所有类型的此类攻击。一个流行的策略,以抵御所有类别的这些攻击是修改的实现,使每个硬件指令的定时和高速缓存访问模式是独立的秘密输入。然而,这种解决方案是特定于体系结构的,脆弱的,并且难以正确。在本文中,我们提出并评估了一个强大的低开销技术,以减轻定时和缓存通道。我们的解决方案只需要最少的源代码更改,并适用于多种语言/平台。我们报告的实验结果,应用我们的解决方案,以保护几个C,C++和Java程序。我们的研究结果表明,我们的解决方案成功地消除了定时和缓存侧通道泄漏,同时产生显着降低性能开销比现有的方法。
2015-08-31 cs.CR
Detecting Timing Attack on PMU Data utilizing Unwrapped Phase Angle and Low-Rank Henkel Matrix Properties
在网络物理系统中引入PMU可提供准确的数据采集,但也会带来成为网络攻击受害者的额外风险。虚假数据注入攻击(FDIA)和GPS欺骗或定时攻击都可以向网络系统提供恶意数据,尽管这两种攻击需要不同的攻击后应急计划。因此,准确地检测定时攻击并将其与传统的FDIA区分开来已成为一个非常重要的研究领域。本文提出了一种成功检测定时攻击的机制。首先,提出了一种利用解包后的相位角数据区分定时攻击和FDIA的方法。其次,利用低秩汉克尔矩阵的性质,区分定时攻击和电事件。最后,在IEEE 13节点系统上,利用模拟的GPS欺骗攻击对模型进行了实验验证。可以观察到,对于GPS时间戳中的3秒延迟,定时攻击可以将展开角度的Henkel矩阵的秩1近似误差增加700%。对于2秒延迟,秩1近似误差增加500%,对于1秒延迟攻击,增加不明显。FDIA对Henkel矩阵的低秩近似曲线无明显影响。
2021-10-07 cs.CR cs.SY eess.SY
Privacy Interpretation of Behavioural-based Anomaly Detection Approaches
本文提出了“隐私异常检测”的概念,并考虑了基于行为的异常检测方法是否可以有一个隐私的语义解释和检测到的异常是否可以与传统的(正式的)定义的隐私语义,如k-匿名的问题。这个想法是学习用户过去的隐私查询行为,然后识别与过去行为的偏差,以检测隐私侵犯。隐私攻击,违反正式的隐私定义,基于一个序列的SQL查询(查询相关性)也被认为是在纸上,它表明,交互式查询设置容易受到隐私攻击的基础上,查询序列。调查这些类型的隐私攻击是否可能表现为异常,特别是隐私异常。结果表明,在本文中,基于行为的异常检测方法有可能检测隐私攻击的基础上查询序列(违反正式的隐私定义)的隐私异常。
2020-12-21 cs.CR
Are We There Yet? Timing and Floating-Point Attacks on Differential Privacy Systems
本文揭示差分隐私系统中噪声生成的两类实现缺陷:针对高斯机制的浮点表示攻击和针对离散拉普拉斯/高斯机制的时序侧信道攻击,并在DP-SGD及私有求和中验证高达99.65%的攻击成功率,同时提出部分缓解措施。
2024-09-11 cs.CR
Smart Car Privacy: Survey of Attacks and Privacy Issues
本文综述了智能汽车网络架构、安全演进及VANETs中的攻击与隐私问题,并分类了防御机制,强调安全与隐私在车联网中的重要性。
2025-08-05 cs.CR
Privacy Leaks by Adversaries: Adversarial Iterations for Membership Inference Attack
本文提出 IMIA 攻击,利用生成对抗样本所需迭代次数作为成员推断特征,并在黑盒与白盒场景下验证其有效性,为模型隐私评估提供新视角。
2025-06-03 cs.CR
Generalization Techniques Empirically Outperform Differential Privacy against Membership Inference
不同的私有训练算法提供了对机器学习中最流行的攻击之一的保护:成员推断攻击。然而,这些隐私算法会导致模型分类准确性的损失,因此会产生隐私效用权衡。差分隐私在深度学习中提供强大的理论保护保证所需的噪声量通常会使模型无法使用,但作者观察到,即使是较低的噪声水平也可以提供可接受的经验保护,以抵御现有的成员推断攻击。在这项工作中,我们寻找替代差分隐私对经验保护成员推断攻击。我们研究了简单地遵循良好的机器学习实践(没有考虑隐私设计)对成员推理的保护。我们评估了最先进的技术,如预训练和锐度感知最小化,单独和差分私人训练算法的性能,并发现,当使用早期停止,没有差分隐私的算法可以提供更高的效用和更高的隐私比他们的差分私人同行。这些发现挑战了差分隐私是一种很好的防御现有成员推断攻击的信念
2021-10-11 cs.CR
InputSnatch: Stealing Input in LLM Services via Timing Side-Channel Attacks
针对大语言模型服务中缓存机制导致的输入泄露风险,提出InputSnatch计时侧信道攻击方法,通过输入构造器与时间分析器组件提升攻击成功率,实验验证其有效性,强调性能优化需兼顾隐私安全。
2024-11-29 cs.CR
Multicore DRAM Bank-& Row-Conflict Bomb for Timing Attacks in Mixed-Criticality Systems
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Technical University of Kaiserslautern-Landau(凯泽斯劳滕-兰道工业大学)
本文研究多核平台中混合关键性系统中共享资源的隔离问题,提出内存银行与行冲突炸弹攻击方法,并通过实验验证其对目标任务执行时间的影响。
2024-04-02 cs.CR
Membership Reference Attack against Laplace Mechanism of Differential Privacy
Sichuan University(四川大学);University of Electronic Science and Technology of China(电子科技大学)
针对差分隐私拉普拉斯机制,利用线性查询的线性性质构造成员参考攻击,通过获取独立同分布样本并进行假设检验判断目标记录是否在数据集中。
2026-05-29 cs.CR
Timing the Transient Execution: A New Side-Channel Attack on Intel CPUs
本文发现 Intel CPU 中 EFLAGS 变化影响后续 Jcc 指令时序的漏洞,提出一种不依赖缓存的新型瞬态执行侧信道攻击,并在 Meltdown 组合攻击中达到 100% 泄露率。
2023-04-21 cs.CR
Differential privacy with partial knowledge
差分隐私为数据集上的算法提供了形式化的定量保证,但它假设攻击者知道并可以影响数据库中除一条记录外的所有记录。这种假设往往大大高估了攻击者的实际实力,导致不必要的效用低下。最近的工作已经取得了显着的步骤隐私部分背景知识,它可以模拟一个现实的攻击者的不确定性的存在。然而,先前的工作对于相关数据存在定义问题,并且没有精确地描述底层攻击者模型。我们提出了一个实用的标准,以防止由于相关性的问题,我们展示了如何描述攻击者的影响力有限,或只有部分背景知识的数据集。我们使用这些基础来分析实际情况:我们显着改善已知的结果的隐私计数查询下的部分知识,我们表明,阈值可以提供正式的保证,对这种弱攻击者,即使在数据中的熵很小。这些结果使我们能够在部分知识下在k-匿名和差分隐私之间建立新的联系。最后,我们证明了部分知识下差分隐私的合成结果,量化了复杂机制的隐私泄露。我们的工作为正式量化许多广泛使用的机制的隐私提供了基础,例如发布调查,选举或全民投票的结果,以及发布在线服务的使用统计数据。
2020-11-27 cs.CR
How Not to Handle Keys: Timing Attacks on FIDO Authenticator Privacy
本文提出了一种对FIDO 2(快速身份验证在线)认证协议的定时攻击,该协议允许攻击者链接存储在易受攻击的认证器中的用户帐户,这是一个严重的隐私问题。FIDO 2是FIDO行业联盟为安全令牌在线身份验证指定的新标准。它补充了W3C WebAuthn规范,提供了在身份验证过程中使用USB令牌或其他令牌作为第二因素的方法。从密码学的角度来看,该协议是一个简单的挑战-响应,其中椭圆曲线数字签名算法用于签署挑战。为了保护用户的隐私,令牌对每个服务使用唯一的密钥对。为了适应小内存,令牌使用各种技术,这些技术利用服务发送给令牌的称为密钥句柄的特殊参数。我们识别并分析了密钥句柄处理方式中的一个漏洞,该漏洞允许攻击者远程链接多个服务上的用户帐户。我们发现,对于脆弱的认证有一个不同的服务,但正确的认证,并为不同的认证,但正确的服务处理密钥句柄所需的时间之间的差异。这种差异可用于执行定时攻击,从而允许攻击者将用户的帐户跨服务链接起来。我们提出了几个现实世界的例子,对手是在一个位置,执行我们的攻击,并可以受益于链接帐户。我们发现,我们测试的八个硬件身份验证器中有两个尽管获得了FIDO 1级认证,但仍然存在漏洞。由于出于安全原因,身份验证程序通常不允许固件更新,因此无法轻松缓解此漏洞。此外,我们表明,由于现有的浏览器实现WebAuthn标准的方式,攻击可以远程执行。
2022-05-17 cs.CR
Measuring Lower Bounds of Local Differential Privacy via Adversary Instantiations in Federated Learning
局部差分隐私(LDP)提供了一个强有力的隐私保证,可用于分布式环境,如联邦学习(FL)。FL中的LDP机制通过在客户端随机化梯度来保护客户端的梯度;然而,我们如何解释随机化所给出的隐私级别?此外,我们在实践中可以减轻哪些类型的攻击?为了回答这些问题,我们引入了一个经验隐私测试通过测量LDP的下限。隐私测试估计攻击者如何预测所报告的随机梯度是否是从原始梯度$g_1$或$g_2$制作的。然后,我们实例化六个对手在FL下LDP来衡量经验LDP在各种攻击面,包括最坏情况下的攻击,达到理论上的LDP上限。与对手的实例化的经验隐私测试,使我们能够更直观地解释LDP和讨论放松的隐私参数,直到一个特定的实例化的攻击表面。我们还展示了在这些对抗性设置中测量的隐私的数值观察,并且最坏情况下的攻击在FL中是不现实的。最后,我们还讨论了在LDP下FL中隐私级别的可能放宽。
2022-06-18 cs.CR
Locality-Sensitive Hashing Does Not Guarantee Privacy! Attacks on Google's FLoC and the MinHash Hierarchy System
本文通过攻击 Google FLoC 与 MinHash Hierarchy,证明仅依赖局部敏感哈希无法保证隐私,并揭示用户浏览历史与地理位置可被还原。
2023-02-27 cs.CR
Towards a Better Indicator for Cache Timing Channels
最近的研究强调了计算机体系结构对信息泄漏攻击的脆弱性,这引起了人们的极大关注。在各种类型的微体系结构攻击中,缓存定时通道尤其令人担忧,因为它们有可能在高比特率下损害用户的私有数据。先前的工作已经证明了使用缓存未命中模式来检测这些攻击。我们发现,缓存未命中的痕迹可以很容易地欺骗,因此他们可能无法识别更聪明的对手。在这项工作中,我们表明,\emph{cache occupancy},它记录了一个特定的进程所拥有的高速缓存块的数量,可以利用作为一个更强的指标,高速缓存定时通道的存在。我们观察到,在定时通道的缓存访问延迟的调制可以通过分析成对的缓存占用模式来识别。我们的实验结果表明,高速缓存占用模式不能很容易混淆,即使先进的对手,成功地逃避基于高速缓存未命中的检测。
2019-02-13 cs.CR
Practical Privacy Attacks on Vertical Federated Learning
联邦学习(FL)是一种隐私保护的学习范式,允许多个奇偶校验联合训练一个强大的机器学习模型,而无需共享他们的私有数据。根据协作形式的不同,FL又可分为水平联邦学习(HFL)和垂直联邦学习(VFL)。在HFL中,参与者共享相同的特征空间并在数据样本上进行协作,而在VFL中,参与者共享相同的样本ID并在特征上进行协作。VFL的应用范围更广,可以说更适合大型企业之间的联合模型训练。在本文中,我们专注于VFL和调查潜在的隐私泄漏在现实世界中的VFL框架。我们设计并实现了两种实用的隐私攻击:针对逻辑回归VFL协议的反向乘法攻击和针对XGBoost VFL协议的反向求和攻击。我们的经验表明,这两种攻击是(1)有效的-对手可以成功地窃取私人训练数据,即使当中间输出加密,以保护数据隐私;(2)规避-攻击不偏离协议规范,也不恶化目标模型的准确性;以及(3)容易-对手几乎不需要关于目标参与者的数据分布的先验知识。我们还表明,泄漏的信息是有效的原始训练数据在训练一个替代分类。我们进一步讨论了潜在的对策和挑战,我们希望这可以导致几个有前途的研究方向。
2022-07-22 cs.CR
Privacy for Quantum Annealing. Attack on Spin Reversal Transformations in the case of cryptanalysis
NASK National Research Institute(NASK国家研究所)
本文研究了量子退火中旋转变换的隐私保护问题,发现其无法保证隐私,并展示了如何通过代数攻击恢复原始问题。
2026-01-07 cs.CR
Fine-grained Manipulation Attacks to Local Differential Privacy Protocols for Data Streams
Xi’an Jiaotong University(西安交通大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
本文提出细粒度操纵攻击方法,针对数据流中的本地差分隐私协议,通过统一框架和可组合模块操控估计流向目标流,验证了攻击的有效性并探讨了防御机制。
2025-05-02 cs.CR
Compatibility and Timing Attacks for JPEG Steganalysis
本文提出一种基于JPEG压缩非满射特性的兼容性攻击方法,通过检测DCT域中不兼容块来发现隐写修改,并引入时序攻击方案以在无虚警条件下实现隐写分析。
2023-07-10 cs.CR
Disclosure Risk from Homogeneity Attack in Differentially Private Frequency Distribution
差分隐私(DP)提供了一个鲁棒的模型来实现对发布信息的隐私保证。我们通过DP随机化机制研究了净化的多维频率分布对同质性攻击(HA)的保护效力。HA允许攻击者获得其目标的敏感属性的精确值,而不必从发布的数据中识别它们。我们提出了HA的披露风险的措施,并得出DP的隐私损失参数和HA的披露风险之间的封闭形式的关系。的封闭形式的关系的可用性有助于理解DP和隐私损失参数的抽象概念,把它们放在一个具体的隐私攻击的背景下,并提供了一个角度选择隐私损失参数时,采用DP机制在信息消毒和释放在实践中。我们应用封闭形式的数学关系在现实生活中的数据集,以证明披露风险的评估,由于HA在不同的私人消毒频率分布在各种隐私损失参数。
2023-03-11 cs.CR
Leaky Nets: Recovering Embedded Neural Network Models and Inputs through Simple Power and Timing Side-Channels -- Attacks and Defenses
Massachusetts Institute of Technology(麻省理工学院)
随着机器学习理论的发展,许多商用嵌入式微处理器使用神经网络模型进行各种信号处理。然而,其相关的侧信道安全漏洞构成了一个主要问题。已经有几个概念验证攻击演示了其模型参数和输入数据的提取。但是,这些攻击中的许多涉及特定的假设,具有有限的适用性,或者对攻击者造成巨大的开销。在这项工作中,我们研究了嵌入式神经网络实现的侧信道漏洞,通过使用基于时间的信息泄漏和简单的功率分析侧信道攻击恢复其参数。我们展示了我们的攻击流行的微控制器平台上的网络不同的精度,如浮点,定点,二进制网络。我们不仅能够成功地恢复模型参数,而且能够恢复上述网络的输入。针对基于时间的攻击的对策实施和他们的开销进行了分析。
2021-03-26 cs.CR cs.LG