SGXIO: Generic Trusted I/O Path for Intel SGX
应用程序安全性传统上强烈依赖于底层操作系统的安全性。然而,操作系统经常成为软件攻击的受害者,从而也危及应用程序的安全性。为了克服这种依赖性,英特尔推出了SGX,它允许通过在硬件保护的飞地中运行应用程序代码来保护应用程序代码免受破坏或恶意操作系统的影响。然而,SGX缺乏对通用可信I/O路径的支持,以保护飞地和I/O设备之间的用户输入和输出。这项工作提出了SGXIO,SGX的通用可信路径架构,允许用户应用程序安全地运行在一个不可信的操作系统上,而在同一时间支持通用I/O设备的可信路径。为了实现这一目标,SGXIO将SGX的简单编程模型与传统的基于虚拟机管理程序的可信路径架构相结合。此外,SGXIO可以调整不安全的调试飞地,使其表现得像安全的生产飞地。SGXIO超越了传统的云计算用例,使SGX技术可用于保护以用户为中心的本地应用程序免受内核级键盘记录器等的攻击。它与未经修改的操作系统兼容,并可在开箱即用的现代商品笔记本上工作。因此,SGXIO对于广泛的x86社区来说特别有前途,SGX很容易获得。
2017-01-04 cs.CR
EnclaveTree: Privacy-preserving Data Stream Training and Inference Using TEE
数据流上的分类服务正在成为云提供商的重要产品,但由于隐私问题,用户在提供敏感数据时可能会遇到障碍。虽然可信执行环境(TEE)是保护私有数据的有前途的解决方案,但它们仍然容易受到由数据相关访问模式引起的侧信道攻击的攻击。我们提出了一个隐私保护的数据流训练和推理方案,称为EnclaveTree,它为用户的数据和目标模型提供了保密性,以防止受到损害的云服务提供商。我们设计了一个基于矩阵的训练和推理过程来训练Hoeffding Tree(HT)模型,并在可信区域内对训练好的模型进行推理,从而有效地防止了基于访问模式的攻击。性能评估表明,EnclaveTree对于处理具有少量或中等特征的数据流是实用的。当二进制特征少于63个时,EnclaveTree在训练和推理上分别比naïve oblivious solution快${\thicksim}10{\times}$和${\thicksim}9{\times}$。
2022-03-02 cs.CR
An Enclave-based TEE for SE-in-SoC in RISC-V Industry
SoC中的安全元件(SE)在工业中的采用越来越多。物联网设备中的许多应用程序都绑定到SE,因为它提供了强大的加密功能和物理保护。虽然SE-in-SoC为软件程序提供了强大的隔离,但它也给PCB板制造带来了更高的设计复杂性和成本。此外,SE-in-SoC可能仍然存在安全问题,例如恶意软件安装和用户冒充。在这项工作中,我们采用TEE,一种硬件支持的安全技术,用于保护SE in SoC和RISCV。特别是,我们构建了各种隔离应用程序和操纵SE的飞地,使用RISC-V提供的固有安全原语。使用硬件和软件协同设计,该解决方案确保了应用程序之间的可信执行和安全通信。通过强制SE由受信任的飞地控制并使RISC-V核心对侧信道攻击具有弹性,进一步保护了SE的安全性。
2022-08-07 cs.AR cs.CR
Migrating SGX Enclaves with Persistent State
英特尔Software Guard Extensions(SGX)等硬件支持的安全机制提供了强大的安全保障,这在云环境中尤为重要。然而,它们对物理硬件的依赖与云实践相冲突,例如在物理平台之间迁移VM。例如,SGX可信执行环境(飞地)被绑定到单个物理CPU。虽然先前的工作已经提出了一种有效的机制来迁移飞地的数据存储器,但它忽略了持久状态的迁移,包括密封数据和单调计数器;前者有数据丢失的风险,而后者破坏了SGX的安全保证。我们将展示如何利用这一点来发动攻击,然后提出一种改进的飞地迁移方法,保证持久状态的一致性。我们的纯软件方法支持可迁移的密封数据和单调计数器,维护所有SGX安全保证,最大限度地减少开发人员的工作量,并产生可忽略不计的性能开销。
2018-03-29 cs.CR
Confidential Attestation: Efficient in-Enclave Verification of Privacy Policy Compliance
可信执行环境(TEE)(如英特尔软件防护扩展(SGX))运行远程证明,以向数据所有者证明安全区初始状态的完整性,包括对其数据进行操作的程序。为此,数据处理程序应该对所有者开放,因此在建立信任之前可以评估其功能。然而,越来越多的应用场景需要保护程序本身。因此,应该在不暴露其代码的情况下验证它是否符合数据所有者所期望的隐私策略。为此,本文提出了CAT,一个新的模型,基于TEE的机密证明。我们的模型受到Proof-Carrying Code的启发,其中代码生成器与代码一起生成证明,代码消费者验证代码是否符合安全策略。鉴于传统的解决方案在资源有限和TCB节俭的TEE下不能很好地工作,我们提出了一种新的设计,该设计允许不可信的外部飞地生成器在将程序编译成二进制文件时分析程序的源代码,并且可信的内部飞地消费者在运行二进制文件之前有效地验证仪器的正确性和其他保护的存在。我们的设计策略性地将大部分工作量转移到了代码生成器,它负责生成格式良好且易于检查的代码,同时保持用户的简单性。此外,整个消费者可以公开,并通过传统的证明进行验证。我们在英特尔SGX上实现了该模型,并证明它引入了TCB的一小部分。我们还彻底评估了它在微观和宏观基准测试以及实际应用中的性能,表明新设计在执行几类安全策略时只会产生很小的开销。
2020-07-20 cs.CR
The Road to Trust: Building Enclaves within Confidential VMs
本文提出 NestedSGX 框架,利用 AMD SEV-SNP 的 VMPL 特性在机密虚拟机内构建硬件安全区,兼容 Intel SGX 工具链,并以较低性能开销实现对客户机操作系统不可信假设下的应用完整性保护与远程证明。
2024-10-24 cs.AR cs.CR
EncDBDB: Searchable Encrypted, Fast, Compressed, In-Memory Database using Enclaves
数据机密性是将数据库外包到云时客户的重要要求。可信执行环境(如英特尔SGX)为这种加密问题提供了高效的基于硬件的解决方案。现有的解决方案没有针对面向列的内存数据库进行优化,并且对安全区提出了不切实际的内存要求。我们提出了EncDBDB,一种新的方法,用于客户端控制的面向列的加密,内存中的数据库,允许使用飞地范围搜索。EncDBDB提供了九个加密字典,为数据提供不同的安全性,性能和存储效率权衡。它特别适合于复杂的、面向读取的分析查询,例如,如存在于数据仓库中。与纯文本处理相比,即使对于具有数百万条目的数据库,计算开销也在毫秒内,并且泄漏是有限的。压缩的加密数据比相应的明文列需要更少的空间。此外,安全区中产生的代码和数据非常小,减少了安全相关实现错误和侧通道泄漏的可能性。
2020-02-12 cs.CR
Building Your Own Trusted Execution Environments Using FPGA
本文提出 BYOTee,利用商用 FPGA 按需构建具有可定制硬件 TCB 的多个安全飞地,并支持软硬件栈远程证明,实验验证了其安全与性能。
2024-05-11 cs.CR
KingsGuard: Enclave Data Protection Under Real-World TEE Vulnerabilities
Indian Institute of Technology Madras(印度马德拉斯理工学院);Indian Institute of Technology Bombay(印度孟买理工学院)
KingsGuard通过硬件监控和控制敏感数据在enclave内的传播,填补了TEE理想化威胁模型与实际实现之间的差距,同时通过受控脱密平衡安全与实用性。
2026-05-01 cs.CR
ShEF: Shielded Enclaves for Cloud FPGAs
FPGA现在用于公共云,以加速各种应用程序,包括许多处理敏感数据的应用程序,如财务和医疗记录。我们提出了ShEF,一个可信的执行环境(TEE)基于云的可重构加速器。ShEF独立于基于CPU的TEE,并允许在威胁模型下安全执行,其中对手可以控制连接到FPGA的CPU上运行的所有软件,可以物理访问FPGA,并可以危及云提供商的FPGA接口逻辑。ShEF提供了一个安全的引导和远程证明过程,仅依赖于现有的FPGA机制作为信任根。它还包括一个Shield组件,在使用加速器时提供对数据的安全访问。Shield具有高度可定制性和可扩展性,允许用户以最低的性能和面积开销定制适合其加速器内存访问模式、带宽和安全要求的安全解决方案。我们描述了现有云FPGA的ShEF原型实现,将ShEF映射到高性能和安全的存储应用程序,并使用五个额外的加速器测量可定制安全性的性能优势。
2022-01-28 cs.AR cs.CR
CURE: A Security Architecture with CUstomizable and Resilient Enclaves
提供可信执行环境(TEE)的安全体系结构对于从低端嵌入式设备到强大的云服务器的广泛范围的计算机系统来说已经是有吸引力的研究主题。这些体系结构的目标是在隔离的执行上下文中保护敏感服务,称为安全区。不幸的是,现有的TEE解决方案存在显著的设计缺陷。首先,它们遵循一种通用的方法,只提供单一的安全区类型,但是,不同的服务需要灵活的安全区,可以根据其需求进行调整。其次,它们不能有效地支持新兴应用程序(例如,机器学习即服务),这需要到外围设备的安全信道(例如,加速器)或多核的计算能力。第三,它们对高速缓存侧信道攻击的保护要么是事后的想法,要么是不切实际的,即,没有提供高速缓存资源和各个飞地之间的细粒度映射。在这项工作中,我们提出了CURE,第一个安全架构,它通过提供不同类型的飞地来解决这些设计挑战:(i)子空间飞地在所有执行特权级别提供垂直隔离,(ii)用户空间飞地为无特权应用程序提供隔离执行,(iii)自包含的飞地允许跨越多个特权级别的隔离执行环境。此外,CURE允许系统资源的独占分配,例如,外围设备、CPU核心或高速缓存资源到单个飞地。CURE需要最小的硬件更改,同时显著提高硬件辅助安全架构的最新技术水平。我们在基于RISC-V的SoC上实现了CURE,并在硬件和性能开销方面对我们的原型进行了全面评估。CURE对标准基准测试的几何平均性能开销为15.33%。
2020-10-29 cs.CR
ReplicaTEE: Enabling Seamless Replication of SGX Enclaves in the Cloud
随着英特尔SGX等可信执行环境(TEE)的普及,许多云提供商将很快在其产品中引入TEE功能(例如,Microsoft Azure)。尽管SGX在云中的集成大大加强了云应用程序的威胁模型,但当前部署和配置安全区的模型阻止了云运营商动态添加或删除安全区,从而阻止了云中基于TEE的应用程序的弹性。在本文中,我们提出了ReplicaTEE,一个解决方案,使无缝配置和退役的基于TEE的应用程序在云中。ReplicaTEE利用基于SGX的配置层,与拜占庭容错存储服务对接,在云中安全地编排飞地复制,无需应用程序所有者的主动干预。也就是说,在ReplicaTEE中,应用所有者将应用秘密发送给供应层;后者在整个应用生命周期内处理所有飞地调试和解除调试操作。我们分析了ReplicaTEE的安全性,并表明它是安全的,可以抵御攻击的一个强大的对手,可以妥协的云基础设施的很大一部分。我们实现了一个原型的ReplicaTEE在一个现实的云环境中,并评估其性能。ReplicaTEE适度增加TCB约800 LoC。我们的评估表明,ReplicaTEE不会给现有的基于SGX的应用程序增加显着的开销。
2018-09-13 cs.CR
Privacy-Preserving Inference in Machine Learning Services Using Trusted Execution Environments
University Of Southern California(南加州大学)
这项工作介绍了Origami,它通过飞地执行,加密盲化,穿插基于加速器的计算的组合,为大型深度神经网络(DNN)模型提供隐私保护推理。Origami将ML模型划分为多个分区。第一分区在SGX飞地内接收加密的用户输入。飞地解密输入,然后对输入数据和模型参数应用密码盲化。加密致盲是一种添加噪声以混淆数据的技术。Origami将用于计算的混淆数据发送到不受信任的GPU/CPU。盲化和去盲化因子由SGX飞地保持私有,从而防止任何对手在计算被卸载到GPU/CPU时对数据进行去噪。计算的输出返回到飞地,飞地使用SGX中私下存储的揭盲因子对噪声数据的计算进行解码。可以对每个DNN层重复该过程,如在先前的工作Slalom中所做的那样。然而,数据设盲和揭盲的开销是可扩展性的限制因素。Origami依赖于经验观察,即前几层之后的特征图无法使用,即使是强大的条件GAN对手也无法重建输入。因此,Origami动态地切换到直接在加速器上执行其余的DNN层,而不需要任何进一步的加密盲干预来保护隐私。我们的经验表明,使用折纸,一个有条件的GAN对手,即使有无限的推理预算,不能重建输入。我们使用VGG-16和VGG-19模型实现并演示了Origami的性能增益。与在SGX中运行整个VGG-19模型相比,Origami推理将私有推理的性能从使用Slalom时的11倍提高到15.1倍。
2019-12-07 cs.CR cs.CV cs.LG
Towards Memory Safe Python Enclave for Security Sensitive Computation
英特尔SGX Guard eXtensions(SGX)是一种硬件支持的可信执行环境(TEE),旨在保护安全敏感型应用程序。然而,由于安全区应用程序是用内存不安全的语言(如C/C++)开发的,因此SGX中没有消除传统的内存损坏。Rust-SGX是第一个为飞地开发人员提供内存语言的工具包。然而,Rust被认为是一种系统语言,并已成为并发应用程序和Web浏览器的正确选择。许多应用领域,如大数据,机器学习,机器人,计算机视觉,更常用Python程序设计语言开发。因此,Python应用程序开发人员无法从Intel SGX和rust-SGX等安全飞地中受益。为了填补这一空白,我们提出了Python-SGX,这是一个内存安全的SGX SDK,为飞地开发人员提供了一个内存安全的Python开发环境。其核心思想是通过解决以下关键挑战来在SGX中启用内存安全的Python语言:(1)定义内存安全的Python解释器(2)用安全的Python解释器替换Python解释器的不安全元素,(3)实现与非飞地Python应用程序相当的性能,以及(4)不向SGX中引入任何不安全的新代码或库。我们建议使用RPython编写的Python解释器PyPy构建Python-SGX,PyPy是Python的一个子集,并通过形式化验证,安全加固和内存安全语言来驯服PyPy中的不安全部分。我们已经实现了python-SGX,…
2020-05-12 cs.CR
Type-Directed, Secure-by-Construction Enclave Partitioning for LLVM
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
针对LLVM手动分区TEE应用的缺陷,提出类型驱动的SIR到SIREN编译工具SPLITR,可自动生成安全飞地程序,在Intel SGX上评估OpenSSL等 workload时能减少转换次数并接近原生性能。
2026-09-03 cs.CR cs.PL
End-to-End Security for Distributed Event-Driven Enclave Applications on Heterogeneous TEEs
本文提出一个集成开源框架,基于异构TEE扩展安全原语,在较小可信计算基上保障分布式事件驱动应用端到端的真实性、完整性、机密性与可用性。
2023-06-29 cs.CR
CopyCat: Controlled Instruction-Level Attacks on Enclaves
可信执行环境(TEE)提出的对抗模型促使研究人员研究不寻常的攻击向量。一类特别强大的受控通道攻击滥用页表修改来以页级粒度可靠地跟踪飞地存储器访问。与嘈杂的微架构时序泄漏相反,这一系列确定性受控通道攻击滥用了不可或缺的架构接口,因此无法通过调整微架构资源来缓解。我们提出了一种创新的受控通道攻击,名为CopyCat,确定性地计算在单个飞地代码页内执行的指令数。我们表明,通过将CopyCat收获的指令计数与传统的粗粒度页级泄漏相结合,可以在最大的隔离级粒度下准确重建飞地控制流。CopyCat可以识别最终可能仅在单个指令中有所不同的页内和高速缓存行内分支决策,强调即使是极其细微的控制流偏差也可能从安全飞地中确定性地泄漏。我们通过对针对加密实现的单迹和确定性攻击的广泛研究,展示了CopyCat在英特尔SGX上的更高分辨率和实用性,并给出了利用广泛使用的加密库的最新版本中的微妙漏洞执行单迹密钥提取的新颖算法攻击。我们的研究结果强调了对加密实现进行更严格验证的重要性,特别是在TEE的背景下。
2020-06-26 cs.CR
Enclave-Aware Compartmentalization and Secure Sharing with Sirius
硬件辅助的可信执行环境(TEE)是许多现代应用程序的关键构建块。然而,它们具有单向隔离模型,该模型在TEE与其外部世界之间引入了语义间隙。这种信息的缺乏导致对启用TEE的应用程序的攻击不断增加,这些攻击利用与主机OS、应用程序或其他飞地的各种不安全交互。我们介绍Sirius,第一个划分框架,通过控制主内核对象(例如线程,进程,地址空间,文件,套接字,管道)在安全和正常的世界中,在TEE辅助应用程序中实现强大的隔离和安全共享。Sirius用一种原则性的方法取代了当前TEE系统中的ad-hoc交互,这种方法增加了强大的地址空间间和地址空间内隔离,并有效地消除了各种攻击。我们在ARM平台上评估了Sirius,发现它是轻量级的($\approx 15K$ LoC),只增加了$\approx 10.8\%$开销,以在httpd等应用程序上启用TEE支持,并通过$0.05\%-5.6\%$提高了现有启用TEE的应用程序(如Darknet ML框架和ARM的LibDDSSec)的性能。
2020-11-23 cs.CR cs.OS
Privado: Practical and Secure DNN Inference with Enclaves
Microsoft Research(微软研究院);UC Berkeley(加州大学伯克利分校)
云提供商正在扩展对英特尔SGX等可信硬件原语的支持。与此同时,深度学习领域也出现了巨大的创新,采用率也在增加。在本文中,我们适时地提出了一个问题:“第三方云服务能否使用英特尔SGX安全区来提供实用且安全的DNN推理即服务?“我们首先证明了在飞地内执行的DNN模型容易受到基于访问模式的攻击。我们表明,通过简单地观察访问模式,攻击者可以对MNIST和CIFAR 10数据集的加密输入进行分类,其攻击准确率分别为97%和71%,训练模型的原始准确率分别为99%和79%。这激发了对PRIVADO的需求,PRIVADO是我们为安全、易于使用和性能高效的推理即服务而设计的系统。PRIVADO是不注意输入的:它将用C/C++编写的任何深度学习框架转换为不受依赖于输入的访问模式的影响,从而消除了泄漏。PRIVADO是完全自动化的,TCB很低:开发人员无需付出任何努力,给定模型的ONNX描述,它可以生成紧凑和安全区兼容的代码,可以部署在SGX云平台上。PRIVADO带来的性能开销低:我们使用PRIVADO与火炬框架,并显示其开销平均为17.18%的11个不同的当代神经网络。
2019-09-05 cs.AI cs.CR cs.CV
Leveraging Intel SGX to Create a Nondisclosure Cryptographic library
确保用户应用程序代码和数据的完整性和机密性是任何从事在线生产级服务的软件开发人员都面临的一项具有挑战性的任务。由于密码学不是一个广泛理解的主题,研究和行业前沿的人们总是在寻找新技术来自然地扩展他们的程序和系统的安全性。英特尔Software Guard Extension(英特尔SGX)是一项英特尔技术,面向希望保护其软件二进制文件免受使用硬件指令的合理攻击的开发人员。英特尔SGX将敏感代码和数据放入CPU强化的受保护区域(称为安全区)。在此项目中,我们利用英特尔SGX生成安全加密库,将生成的密钥保存在安全区域内,限制机密加密密钥的使用和传播。使用安全区来存储密钥,我们维护了一个小的可信计算基础(TCB),在那里我们还在临时缓冲区上执行计算,并从不可信的应用程序代码。作为概念证明,我们在安全区中实现了哈希和对称加密算法,在安全区中存储了哈希、哈希向量(IV)和随机密钥,并开源了代码(https://github.com/hmofrad/CryptoEnclave)。
2018-04-02 cs.CR
Dorami: Privilege Separating Security Monitor on RISC-V TEEs
本文提出 Dorami,一种在 RISC-V TEE 上将安全监视器与固件进行权限分离的方法,通过重新利用现有 ISA 特性实现隔离,从而减少攻击面且开销较低。
2024-10-04 cs.CR
TEEMon: A continuous performance monitoring framework for TEEs
可信执行环境(TEE),如英特尔Software Guard eXtensions(SGX),被认为是解决云安全挑战的一种有前途的方法。TEE通过提供一个隔离的安全存储区,即,飞地安全性保证由CPU提供,因此即使系统软件受到危害,攻击者也永远无法访问安全区的内容。虽然这种方法确保了应用程序的强大安全性保证,但它也引入了相当大的运行时开销,部分原因是受保护内存(飞地页面缓存)的可用性有限。目前,只有数量有限的基于TEE的应用程序的性能测量工具存在,没有提供在运行时的性能监控和分析。本文介绍了TEEMon,第一个连续的性能监测和分析工具,基于TEE的应用程序。TEEMon不仅在运行时提供细粒度的性能指标,而且还帮助分析识别性能瓶颈的原因,例如,过多的系统调用。我们的方法与现有的开源工具(例如,Prometheus或Grafana)提供了一个整体监控解决方案,特别针对通过Docker容器或Kubernetes部署的系统进行了优化,并提供了几个专用的指标和可视化。我们的评估表明,TEEMon的开销范围从5%到17%。
2020-12-11 cs.CR cs.DC cs.PF
EnclaveX: End-to-End Confidential AI with CPU/GPU TEEs
TU Dresden(德累斯顿工业大学);STACKIT Cloud(STACKIT云);Scontain GmbH(Scontain有限公司)
本文提出结合CPU和GPU TEE的端到端工作流,通过Intel TDX和AMD SEV-SNP等机制保障AI/LLM应用的机密性和完整性,并评估了性能开销。
2026-07-01 cs.CR cs.OS
HySec-Flow: Privacy-Preserving Genomic Computing with SGX-based Big-Data Analytics Framework
可信执行环境(TEE)(如英特尔的软件防护扩展(SGX))已被广泛研究,以提高敏感数据(如人类基因组学)计算的安全性和隐私保护。然而,SGX通常会产生性能障碍,特别是来自小型安全区内存的性能障碍。在本文中,我们提出了一种新的混合安全流框架(称为“HySec-Flow”),用于使用SGX平台进行大规模基因组数据分析。在这里,数据密集型计算任务可以被划分为独立的子任务,以部署到不同的安全和非安全容器中,因此允许并行执行,同时减轻每个飞地中页面缓存(EPC)内存的有限大小。我们使用支持索引、对齐、分派和合并启用SGX的容器的执行的工作流来说明我们的贡献。我们提供了有关可信和不可信组件的架构以及底层Scorn和Graphene支持的详细信息,作为通用屏蔽执行框架来移植遗留代码。我们彻底评估我们的隐私保护读取映射算法使用真实的人类基因组测序数据的性能。结果表明,通过将耗时的基因组计算划分为子任务,与传统的在飞地中执行数据密集型读取映射算法相比,性能得到了增强。所提出的HySec-Flow框架作为开源提供,并适用于需要安全性和可扩展计算资源的其他大规模基因组任务的数据并行计算。
2021-07-26 cs.CR
LightBox: Full-stack Protected Stateful Middlebox at Lightning Speed
在第三方服务提供商处运行非现场软件中间盒已经是一种流行的做法。然而,将可能携带敏感信息的大量原始流量路由到远程站点进行处理会引起严重的安全问题。先前的解决方案通常抽象出与实际部署相关的重要因素。特别是,它们忽略了元数据保护和有状态处理的重要性。不受保护的流量元数据,如低级头,大小和计数,可以被利用来学习所谓的加密应用程序内容。同时,在部署在真实网络中的生产级中间盒中,同时跟踪10万个流的状态通常是不可或缺的。我们介绍LightBox,这是第一个可以以接近本机速度驱动场外中间盒的系统,具有状态处理和迄今为止最全面的保护。LightBox基于商用可信硬件英特尔SGX构建,是我们系统研究如何使用领域知识和定制来克服安全区域固有局限性的产物。首先,我们引入了一个优雅的虚拟网络接口,允许方便地访问完全保护的数据包线速率,而无需离开飞地,就像从可信的源网络。其次,我们提供了完整的流状态管理,有效的有状态处理,通过定制一组数据结构和算法优化的高度约束的飞地空间。广泛的评估表明,LightBox具有所有安全优势,可以实现10 Gbps的数据包I/O,并且通过对三个有状态中间盒的案例研究,它可以以接近本机的速度运行。
2019-10-16 cs.CR
ObliDB: Oblivious Query Processing for Secure Databases
像英特尔SGX这样的硬件飞地是一种很有前途的技术,可以提高外包给云的数据库的安全性。这些安全区提供了一个与管理程序/操作系统隔离的执行环境,并对RAM中的数据进行加密。然而,对于使用大量内存的应用程序(包括大多数数据库),安全区不能防止访问模式泄漏,这使得攻击者可以获得有关数据的大量信息。此外,使用安全文献中的不经意RAM(ORAM)原语来解决此问题的简单方法会增加大量开销。最近的一些工作探索可信硬件飞地作为一种安全的,访问模式无关的数据存储和分析外包的路径。虽然这些工作有效地解决了特定的子问题(例如,构建安全索引或运行始终扫描整个表的分析查询),但没有先前的工作支持具有多种访问方法的DBMS引擎上的一般查询工作负载的不经意查询处理。此外,单独应用这些技术并不能保证端到端的工作负载(如对多个表的复杂SQL查询)不会被察觉。在本文中,我们介绍ObliDB,一个不经意的数据库引擎设计,是第一个系统,提供遗忘一般数据库读取工作负载的多种访问方法。ObliDB支持广泛的查询,包括聚合、连接、插入、删除和点查询。我们实现了ObliDB,并表明,在分析工作负载上,ObliDB的速度比Opaque快1.1- 19倍,Opaque是一个以前的不经意的,基于飞地的系统,仅用于分析,并且在Spark SQL的2.6倍之内。ObliDB支持3- 10 ms延迟的点查询,其运行速度比HIRB快7倍以上,H…
2019-09-19 cs.CR
CTR: Checkpoint, Transfer, and Restore for Secure Enclaves
基于硬件的可信执行环境(TEE)在云计算中变得越来越普遍,形成了机密计算的基础。然而,TEE的安全目标有时会与现有的云功能(如VM或进程迁移)发生冲突,因为TEE内存无法被平台上的管理程序、操作系统或其他软件读取。虽然一些较新的TEE架构支持整个受保护VM的迁移,但目前还没有用于迁移包含进程内TEE的各个进程的实用解决方案。如果必须紧急重启主机平台,则无法迁移此类流程会导致操作效率低下甚至数据丢失。我们提出了CTR,一个纯软件的设计改造迁移功能到现有的TEE架构,同时保持其预期的安全保证。我们的设计允许TEE在其执行中的任意点被中断和迁移,从而保持与现有VM和进程迁移技术的兼容性。通过在迁移过程中协作地涉及TEE,我们的设计还允许应用程序开发人员指定有状态的迁移相关策略,例如限制特定TEE可以迁移的次数。我们针对英特尔SGX的原型实现表明,迁移延迟随TEE内存大小线性增加,并受TEE系统操作的影响。
2022-05-30 cs.CR cs.SY eess.SY
Fidelius: Protecting User Secrets from Compromised Browsers
用户经常在浏览器窗口中输入敏感数据,如密码、信用卡号或税务信息。虽然现代浏览器提供了强大的客户端隐私保护措施来保护这些数据,但这些防御措施都无法阻止被恶意软件入侵的浏览器窃取这些数据。在这项工作中,我们提出了Fidelius,一种新的架构,该架构使用集成到浏览器中的可信硬件飞地来保护用户在Web浏览会话期间的秘密,即使整个底层浏览器和操作系统完全由恶意攻击者控制。Fidelius解决了在完全恶意的环境中为浏览器提供保护所涉及的许多挑战,为表单数据、JavaScript执行、XMLHttpRequests和受保护的Web存储提供完整性和隐私支持,同时最大限度地减少了TCB。此外,安全区与浏览器、键盘和显示器之间的交互都需要新的协议,每个协议都有自己的安全考虑。最后,Fidelius考虑到UI因素,以确保为开发人员和用户提供一致和简单的界面。作为该项目的一部分,我们开发了第一个开源系统,该系统提供了从输入和输出外围设备到硬件飞地的可信路径,而不依赖于额外的虚拟机管理程序安全假设。这些组成部分可能是独立的利益和有用的未来项目。我们实现和评估Fidelius来衡量其性能开销,发现Fidelius对安全页面的页面加载和用户交互施加了可接受的开销,并且对不使用其增强的安全功能的页面和页面组件没有影响。
2018-12-04 cs.CR
TruSDN: Bootstrapping Trust in Cloud Network Infrastructure
软件定义网络(Software-Defined Networking,SDN)是一种新型的云网络基础设施架构模型,可提高资源利用率、可扩展性和管理能力。SDN部署越来越依赖于在具有大代码库的商品操作系统上执行的虚拟交换机,这是攻击网络基础设施的对手的主要目标。我们描述并实现了TruSDN,这是一种使用英特尔Software Guard Extensions(SGX)在SDN基础设施中引导信任的框架,允许安全地部署SDN组件并保护网络端点之间的通信。我们引入了短暂的流特定的预共享密钥,并提出了一种新的防御布谷鸟攻击的SGX飞地。TruSDN在强大的对手模型下是安全的,性能开销很小。
2017-02-14 cs.CR cs.NI
Byzantine-Robust and Privacy-Preserving Framework for FedML
USC(南加州大学);Facebook AI Research(Facebook AI研究院)
联邦学习已经成为一种流行的范例,用于从分布在一组客户端中的数据协作地训练模型。这种学习环境提出了两个独特的挑战:如何在训练期间保护客户数据的隐私,以及如何确保训练模型的完整性。我们提出了一个双管齐下的解决方案,旨在在一个框架下应对这两个挑战。首先,我们建议在服务器内使用可信执行环境(TEE)创建安全飞地。然后,每个客户端可以加密它们的梯度并将其发送到可验证的飞地。梯度在飞地内被解密,而不用担心隐私泄露。然而,TEE中的鲁棒性校验计算在计算上是禁止的。因此,在第二步中,我们执行一种新的梯度编码,使TEE能够对梯度进行编码,然后将拜占庭校验计算卸载到GPU等加速器。我们提出的方法提供了理论上的信息泄漏的界限,并提供了一个显着的速度超过基线的经验评估。
2021-05-05 cs.AR cs.CR cs.LG
undeSErVed trust: Exploiting Permutation-Agnostic Remote Attestation
将数据和计算转移到云端的持续趋势遇到了有关隐私和知识产权保护的问题。云服务提供商(CSP)必须得到充分信任,不会篡改或泄露处理过的数据,从而阻碍了许多敏感或关键应用程序采用云服务。因此,CSP和CPU制造商正急于寻找云中安全外包计算的解决方案。虽然像英特尔SGX这样的安全区在吞吐量和大小方面受到很大限制,但AMD的安全加密虚拟化(SEV)提供了硬件支持,可以透明地保护整个虚拟机的代码和数据,从而消除安全区的性能、内存和软件适配障碍。通过引导代码完整性的证明和用于将秘密安全地传输到加密的VM中的手段,CSP被有效地从可信实体的列表中移除。已经存在对SEV的安全性的几种攻击,通过滥用I/O通道来加密和解密数据,或者通过在运行时移动加密的代码块。然而,这些攻击都没有针对证明协议,这是SEV创建的安全计算环境的核心。我们发现,Zen 1和Zen 2架构的当前认证机制存在一个重大缺陷,允许我们在不影响认证结果的情况下操作加载的代码。攻击者可能会滥用这个弱点在启动时注入任意代码,从而控制整个VM的执行,而不向VM的所有者发出任何指示。我们的攻击原语允许攻击者对引导加载程序和操作系统进行广泛的修改,例如注入间谍代码或提取秘密数据。我们提出了一个完整的端到端攻击,从最初的利用到在引导过程中泄露加密磁盘映像的密钥,使攻击者可以不受限制地访问VM的所有持久性数据。
2021-06-29 cs.CR
Computation on Encrypted Data using Data Flow Authentication
在将数据发送到云之前对其进行加密可以保护数据免受黑客和恶意内部人员的攻击,但需要云计算加密数据。可信(硬件)模块,例如,像英特尔的SGX这样的安全飞地,可以非常有效地在加密内存中运行整个程序。然而,已经证明,软件漏洞给攻击者提供了充分的机会将任意代码插入程序。然后,该代码可以修改程序的数据流,并通过SGX侧通道将程序中的任何秘密泄露给云中的观察者。由于任何大型程序都充斥着软件漏洞,因此将整个程序外包给SGX飞地并不是一个好主意。一种具有小型可信代码库的安全替代方案是全同态加密(FHE)--加密计算的圣杯。然而,由于其高计算复杂性,它不太可能在不久的将来被采用。因此,研究人员提出了几个建议,将程序转换为在功能较弱的加密方案上执行加密计算。然而,当前的方法在基于加密数据做出控制流决策的程序上失败。本文介绍了数据流认证的概念。DFAuth防止攻击者任意偏离程序的数据流。因此,攻击者无法在SGX上执行之前概述的攻击。这使得所有的程序,甚至包括对控制流决策变量的操作,都可以在加密数据上计算。我们实现DFAuth使用一种新的认证同态加密方案,Java字节码到字节码编译器产生完全可执行的程序,和SGX飞地。对敏感医疗数据执行机器学习的转换神经网络可以在0.86秒内对加密输入和加密权重进行评估。
2017-10-01 cs.CR
TEE-based decentralized recommender systems: The raw data sharing redemption
EPFL - Swiss Federal Institute of Technology Lausanne(洛桑联邦理工学院)
推荐器在今天的许多应用中是核心。最有效的推荐方案,例如基于协同过滤(CF)的那些,利用用户简档之间的相似性来进行推荐,但是潜在地暴露隐私数据。联邦学习和分散式学习系统通过让数据留在用户的机器上来保护隐私来解决这个问题:每个用户都对本地数据进行训练,并且只共享模型参数。然而,在网络上共享模型参数仍然可能导致隐私泄露。在本文中,我们提出了REX,第一个基于飞地的分散CF推荐。REX利用可信执行环境(TEE),如英特尔软件防护扩展(SGX),在处理器内提供屏蔽环境,以提高收敛性,同时保护隐私。首先,REX支持原始数据共享,这最终会加快收敛速度并降低网络负载。其次,REX完全保护隐私。我们分析了原始数据共享在深度神经网络(DNN)和矩阵分解(MF)算法中的影响,并展示了可信环境在REX全面实施中的好处。我们的实验结果表明,通过原始数据共享,REX与仅共享参数的标准分散方法相比,将训练时间显著减少了18.3倍,网络负载减少了2个数量级,同时通过利用值得信赖的硬件飞地以非常小的开销来充分保护隐私。
2022-06-01 cs.CR cs.DC cs.IR
An efficient and secure scheme of verifiable computation for Intel SGX
云计算为资源受限的用户提供了大容量的数据存储和高能耗的复杂计算。然而,由于缺乏对云的完全信任,云用户更喜欢保护隐私的外包数据计算与正确性验证。然而,基于密码学的方案为云及其用户引入了高计算成本以用于具有隐私保护的可验证计算,这使得在实践中难以支持复杂的计算。英特尔Software Guard Extensions(SGX)作为一种可信的执行环境,在各个领域(如安全数据分析和计算)得到了广泛的研究,被认为是在云上实现高效外包数据计算和隐私保护的一种有前途的方法。但是我们发现SGX的计算面临两种类型的威胁:打乱数据相关代码的威胁和输出篡改和错误路由的威胁。在本文中,我们使用形式化的方法描述了这些威胁,并成功地在Rust SGX SDK构建的enclave程序上进行了这两种威胁,以证明它们对SGX enclave上计算正确性的影响。为了提供应对措施,我们提出了一个高效、安全的方案来抵御威胁,并为Intel SGX实现可验证计算。通过理论分析和大量的实验证明了该方案的安全性和有效性。此外,我们比较了我们的方案的性能与一些基于密码的方案,以显示其高效率。
2021-06-27 cs.CR
Proof of Unlearning: Definitions and Instantiation
机器学习(ML)实践中的“被遗忘的权利”规则允许从训练模型中删除一些个体数据,正如最近开发的机器遗忘技术所追求的那样。为了真正遵守规则,一个自然和必要的步骤是验证个人数据是否在遗忘后确实被删除。然而,以前的参数空间验证度量可能很容易被不信任的模型训练器所规避。因此,Thudi等人最近在USENIX Security'22中提出了关于算法级验证的行动呼吁。我们响应这一号召,重新考虑了机器学习即服务(MLaaS)场景下的遗忘问题,并在算法层面上提出了一个新的遗忘证明(PoUL)定义框架。具体来说,我们的PoUL定义(i)在unlearning的前阶段和后阶段都强制执行正确性属性,以防止最先进的伪造攻击;(ii)突出证明者和验证者双方的适当实用性要求,对现成的服务管道和计算工作负载具有最小的侵入性。在定义框架下,我们随后提出了一个可信的硬件授权的实例化使用SGX飞地,通过逻辑上结合一个身份验证层,用于跟踪数据血统与证明层,用于支持审计的学习。我们定制了经过身份验证的数据结构,以支持具有简单操作逻辑的大型飞地外存储,同时,能够在飞地中以可承受的内存占用证明复杂的非学习逻辑。最后,我们通过概念验证和多维性能评估验证了所提出的实例化的可行性。
2022-10-21 cs.CR
Securing Application with Software Partitioning: A case study using SGX
应用程序的大小和复杂性是代码中存在大量安全漏洞的根本原因。为了减轻由这种漏洞引起的风险,已经提出了各种技术来将敏感代码的执行与应用程序的其余部分以及与平台上的其他软件(例如,操作系统)隔离。然而,即使有了这些分区技术,也不能立即清楚地知道如何以及应该如何使用它们来对应用程序进行分区。应该遵循什么样的总体分区方案;分区的粒度应该是多少。在某种程度上,这取决于所使用的分区技术的能力和性能。在这项工作中,我们将重点关注即将推出的英特尔Software Guard Extensions(SGX)技术,该技术是该领域的最新技术。SGX提供了一个可信的执行环境,称为安全区,它保护代码的完整性和内部数据的机密性,不受其他软件(包括操作系统)的影响。我们提出了一个新的框架,包括四种可能的计划下,应用程序可以分区。这些方案的范围从粗粒度分区(其中完整的应用程序被包括在单个飞地中)到超精细分区(其中每个应用程序秘密被保护在单独的飞地中)。我们解释了每个分区方案提供的特定安全优势,并讨论了应用程序的性能将如何受到影响。为了比较不同的分区方案,我们使用四种不同的方案对OpenSSL进行了分区。在本文中,我们讨论了SGX的属性以及我们的设计选择的影响。
2017-06-09 cs.CR
Activation Functions Considered Harmful: Recovering Neural Network Weights through Controlled Channels
School of Computer Science University of Birmingham(计算机科学学院 英国伯明翰大学);School of Computer Science Durham University(计算机科学学院 唐斯大学)
本研究发现特权攻击者可利用神经网络激活函数的输入相关内存访问模式,借助SGX-Step框架从Intel SGX飞地中窃取模型参数,实验验证了攻击有效性,并指出需加强机器学习实现的侧信道验证。
2025-10-02 cs.CR cs.LG
AgentKernel: The Trust-Native Agentic Operating System
DeepKernel Lab(深度内核实验室)
AgentKernel提出以安全为第一约束的智能体操作系统,通过身份、感知、认知、执行四支柱强制边界,解决提示注入、内存投毒等安全威胁,实现全生命周期防护。
2026-09-25 cs.AI cs.CR
Opal: Private Memory for Personal AI
Google DeepMind(谷歌DeepMind);UC Berkeley(加州大学伯克利分校)
Opal通过将数据依赖推理与个人数据分离,利用可信 enclave 提高检索准确率,并在基础设施成本上取得显著优势。
2026-04-02 cs.AI cs.CR
Security Verification of Low-Trust Architectures
本文对隔离加密(SE)低信任架构进行完整正式验证,定义ISA安全需求并生成RTL证明义务,用商业工具在七个实现上验证其防数据泄露与数字侧信道的能力。
2023-09-01 cs.AR cs.CR
TEE-aided Write Protection Against Privileged Data Tampering
自恶意软件出现以来,未经授权的数据更改一直是一个长期存在的威胁。系统和应用软件可以重新安装,硬件可以更换,但用户数据在许多情况下是无价的。特别是近年来,勒索软件由于其直接的货币化模式而具有很高的影响力。最先进的防御大多基于已知的签名或行为分析,更重要的是,需要一个不受影响的操作系统内核。然而,具有最高软件权限的恶意软件已经显示出其明显的存在。我们建议从当前基于检测/恢复的机制转向数据丢失预防,重点是保护数据而不是对抗恶意软件。我们的解决方案Inuksuk依赖于当今的可信执行环境(TEE),在CPU和存储设备上都可用,以实现可编程写保护。我们始终将用户选择的文件的副本备份为写保护,随后的更新通过TEE安全地写入新版本。我们在Windows 7和10以及Linux(Ubuntu)上实现了Inuksuk;我们的核心设计与操作系统和应用程序无关,并且不会对应用程序造成运行时性能损失。文件传输中断可以通过访问模式和可定制的更新策略(例如,间隔、粒度)。对于Inuksuk在现代操作系统中的适用性,我们还将Flicker(EuroSys 2008),一个用于操作系统内特权TEE管理的事实标准工具移植到最新的64位Windows。
2019-05-26 cs.CR
Establishing Workload Identity for Zero Trust CI/CD: From Secrets to SPIFFE-Based Authentication
针对CI/CD系统身份依赖静态凭据的风险,提出采用OIDC联合及SPIFFE运行时身份模型,实现非人类参与者的强认证与策略对齐,支撑零信任架构。
2025-04-20 cs.CR cs.SE
SecureInfer: Heterogeneous TEE-GPU Architecture for Privacy-Critical Tensors for Large Language Model Deployment
Florida International University(佛罗里达国际大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
SecureInfer提出异构TEE-GPU架构,将隐私关键组件置于SGX飞地,加密后卸载线性运算至GPU,实现LLM安全且高性能的端侧推理。
2025-10-22 cs.CR cs.LG cs.SE
Do Not Trust Power Management: A Survey on Internal Energy-based Attacks Circumventing Trusted Execution Environments Security Properties
本文首次系统综述了自2015年以来利用能量管理机制绕过TEE安全保证的内部能量攻击,分析故障、侧信道和隐蔽信道攻击及现有防护措施的不足,以推动社区进一步研究。
2024-10-04 cs.AR cs.CR cs.ET
Lockbox -- A Zero Trust Architecture for Secure Processing of Sensitive Cloud Workloads
Microsoft Corporation(微软公司)
Lockbox 是一种零信任架构,用于安全处理敏感云工作负载,通过显式信任验证、强隔离和基于策略的执行,确保敏感数据的安全性和可控性。
2026-03-09 cs.CR cs.DC cs.SE
HasTEE+ : Confidential Cloud Computing and Analytics with Haskell
本文提出嵌入 Haskell 的领域特定语言 HasTEE+,通过 tierless 编程模型、通用远程 attestation 架构和动态信息流控制,解决 TEE 编程的内存安全与信息泄漏问题,并以机密数据分析案例验证其可行性。
2024-01-17 cs.CR cs.PL
Confidential Computing across Edge-to-Cloud for Machine Learning: A Survey Study
本文综述了跨边缘到云环境的机密计算在机器学习中的应用,涵盖了基于可信执行环境、同态加密和安全飞地的软硬件解决方案,并指出了现有研究的空白与未来发展方向。
2023-07-31 cs.CR cs.DC
A New Trusted and Collaborative Agent Based Approach for Ensuring Cloud Security
为了在云计算环境中确保隐私和安全性,确定用户的信任是一个日益增长的问题。在云中,用户的数据存储在一个或多个远程服务器上,这对系统提出了更多的安全挑战。其中一个最重要的问题是保护用户的敏感信息免受其他用户和黑客的攻击,这可能会导致云存储中的数据泄漏。考虑到这一安全挑战,本文着重于开发一个更安全的云环境,通过使用一种新的VM(虚拟机)监控系统来确定服务请求机构的信任。此外,本研究旨在提出一个新的可信和协作的基于代理的两层框架,名为WAY(你是谁?),保护云资源。该框架可用于在异构云平台中提供网络、基础设施以及数据存储的安全性。如果信任更新策略是基于网络活动的,那么该框架可以提供网络安全。同样,它通过监控云服务用户(CSU)的未经授权的访问活动来提供存储安全性。可以通过监视隔离的VM内的特权指令的使用来提供基础设施安全性。所提出的安全解决方案的独特之处在于,它确保了云环境中服务提供商级别和用户级别的安全性和隐私性。
2011-08-20 cs.CR
Secure Cloud Storage with Client-Side Encryption Using a Trusted Execution Environment
随着计算机系统的发展,要存储的敏感数据的量以及对这些数据的威胁的数量增长,使得数据机密性对计算机用户越来越重要。目前,随着设备始终连接到互联网,云数据存储服务的使用已经变得实用和普遍,无论用户身在何处,都可以快速访问这些数据。这种实用性带来了一个问题,即交付给第三方存储的数据的机密性。在家庭环境中,磁盘加密工具已经获得了用户的特别关注,在个人计算机上使用,并且在一些智能手机操作系统中也具有本机选项。目前的工作使用英特尔软件防护扩展(英特尔SGX)技术提供的数据密封功能进行文件加密。创建一个虚拟文件系统,应用程序可以在其中存储其数据,在将数据发送到存储提供商之前保持英特尔SGX技术提供的安全保证。这样,即使存储提供商受到损害,数据也是安全的。为了验证该提案,Cryptomator软件(一款免费的云文件客户端加密工具)与英特尔SGX应用程序(安全区)集成,用于数据密封。结果表明,该解决方案在性能和安全性方面是可行的,并且可以扩展和改进以用于实际使用并与云同步服务集成。
2020-03-09 cs.CR cs.DC
Tyche: Composable Isolation as a Foundation to Manage Trust in the Cloud
Azure Research, Microsoft(微软 Azure 研究院);EPFL(洛桑联邦理工学院);Imperial College London(帝国理工学院)
该研究提出Tyche系统,通过可组合的隔离抽象来管理云环境中不同组件之间的信任问题,核心方法是引入安全域(SD)作为统一的隔离抽象,主要贡献是提供了一种无需牺牲兼容性的可组合隔离方案,支持在不同平台上运行。
2026-05-21 cs.CR cs.OS
"Allow" to Achieve, Over-Privileged Inadvertently: The Unintended Cost of Task-Completion-Driven Pop-up Decisions in Mobile GUI Agents
Southern University of Science and Technology(南方科技大学);City University of Hong Kong(香港城市大学);The University of Tokyo(东京大学);Lingnan University(岭南大学)
研究移动GUI智能体的权限素养,发现其存在应用信任偏差、任务优先级覆盖等问题,提示干预效果不一,建议将任务执行与权限授权分离。
2026-08-06 cs.CR
secureTF: A Secure TensorFlow Framework
TU Dresden(德累斯顿工业大学);Scontain UG(Scontain有限责任公司);TU Munich(慕尼黑工业大学)
数据驱动的智能应用在现代在线服务中已经无处不在。这些应用程序通常托管在不受信任的云计算基础设施中。这带来了重大的安全风险,因为这些应用程序依赖于在可能包含私人和敏感信息的大型数据集上应用机器学习算法。为了应对这一挑战,我们设计了secureTF,这是一个基于Tensorflow的分布式安全机器学习框架,用于不受信任的云基础设施。secureTF是一个通用平台,可支持未经修改的TensorFlow应用程序,同时为输入数据、ML模型和应用程序代码提供端到端安全性。secureTF是基于可信执行环境(TEE)提供的安全属性从头构建的。然而,它扩展了由单节点TEE提供的易失性存储器区域(或安全飞地)的信任,以保护支持在云中运行的未修改的有状态机器学习应用所需的分布式基础设施。本文报告了我们在系统设计选择和生产用例中的系统部署方面的经验。最后,我们总结了我们的商业平台的局限性的基础上吸取的教训,并讨论了开放的研究问题,为未来的工作。
2021-01-20 cs.CR cs.DC cs.LG
Clawed and Dangerous: Can We Trust Open Agentic Systems?
CSIRO Data61(澳大利亚联邦科学与工业研究组织Data61);University of Technology Sydney(悉尼科技大学)
本文探讨开放代理系统在安全治理中的挑战,提出六维分析框架和安全建设参考原则,指出当前在部署控制、运营治理等方面存在不足。
2026-03-27 cs.AI cs.CR cs.ET
SoK: Cryptocurrency Mixing and Anonymity - Architectures, Threat Models, Operational Aspects and Security
Brno University of Technology(布尔诺工业大学);University of Zürich(苏黎世大学);Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克工业大学)
本文全面综述了区块链加密货币生态系统中的混币技术与实现,评估其对用户隐私的影响及安全漏洞,并探讨了扩展至智能合约与跨链领域的挑战与创新。
2026-09-28 cs.CR cs.DC