Making Distributed Mobile Applications SAFE: Enforcing User Privacy Policies on Untrusted Applications with Secure Application Flow Enforcement
当今的移动设备感知、收集和存储大量的个人信息，用户通过各种应用程序与家人和朋友共享这些信息。一旦用户允许应用程序访问他们的数据，他们必须隐含地信任应用程序正确地维护数据隐私。正如我们从经验和太频繁的新闻报道中所知道的那样，这种信任往往是错误的。虽然用户不信任应用程序，但他们信任自己的移动设备和操作系统。不幸的是，共享应用程序不仅限于移动客户端，还必须在云服务上运行，以便在用户之间共享数据。在本文中，我们利用用户对其移动操作系统的信任来审查云服务。为此，我们定义了一个新的安全应用程序流实施（SAFE）框架，该框架要求云服务证明一个系统堆栈，该堆栈将强制执行移动操作系统为用户数据提供的策略。我们实现了一个在未修改的移动应用程序上强制执行SAFE策略的移动操作系统，以及两个用于在不受信任的云服务上强制执行策略的系统。使用这些原型，我们证明，它是可以执行现有的用户隐私政策上未经修改的应用程序。
2020-08-14 cs.CR cs.OS
(A)I Sees What You Don't: Exploiting New Attack Surfaces in Third-Party Mobile Agents
Simon Fraser University（西蒙菲莎大学）；QAX Inc.（启安全）；The Chinese University of Hong Kong（香港中文大学）；Shandong University（山东大学）
本文识别了第三方移动代理在屏幕感知和通道滥用方面的两种新攻击面，并设计了七种具体攻击，证明恶意应用可在无权限下劫持代理行为。
2026-07-15 cs.CR
KeyGuard: Using Selective Encryption to Mitigate Keylogging in Third-Party IME
随着移动设备变得无处不在，世界各地的人们都享受到了它们给我们生活带来的便利。与此同时，使用移动设备带来的安全威胁日益增加，不仅引起了网络安全机构的关注，也成为移动用户的一个合理担忧。键盘记录是由使用不安全的第三方IME（输入法编辑器）应用程序引起的移动安全威胁之一。键盘记录，顾名思义，跟踪用户\rq在设备上执行的按键事件，并将所有事件存储在日志中。日志可能包括高度敏感的数据，如信用卡号、社会安全号和密码。本文提出了一种新的解决方案，通过拦截用户触发的键盘事件并将其加密后发送给第三方输入法，使第三方输入法无法记录用户在屏幕上实际输入的内容。当在底层应用的文本视图中显示时，输入将被解密。此解决方案解决了IME可能泄漏敏感信息的根本原因，因为IME将不再能够访问用户的实际\rq的敏感信息，这将大大降低通过使用第三方IME泄漏敏感信息的机会，同时保持第三方IME的功能。
2020-11-19 cs.CR
Characterizing Location-based Mobile Tracking in Mobile Ad Networks
如今，移动应用程序通常与第三方广告库打包在一起，以利用用户数据赚钱。
2019-03-24 cs.CR
Privacy Protection for Mobile Cloud Data: A Network Coding Approach
同时考虑到入侵者的巨大计算能力和云服务器的不可信性，提出了一种增强的安全假名方案来保护移动云数据的隐私。为了应对计算能力的巨大挑战，我们提出了一个无条件安全的轻量级网络编码假名方案。针对不可信云服务器的隐私问题，设计了两层网络编码，将存储的移动云数据与所有者姓名解耦。因此，我们提出的基于网络编码的假名方案可以同时抵御来自外部和内部的攻击者。我们实现了我们提出的两层轻量级网络编码机制，在一组位置为基础的服务（LBS）使用不可信的云数据库。与计算安全的基于Hash的假名相比，我们提出的方案不仅是无条件安全的，而且可以减少90%以上的处理时间以及10%的能量消耗。
2017-01-11 cs.CR cs.IT math.IT
Enhancing IoT Security and Privacy with Trusted Execution Environments and Machine Learning
针对物联网设备向不可信云传输敏感信息的安全问题，提出将外设驱动隔离在可信执行环境中、用安全机器学习分类过滤敏感数据的方案，提升物联网系统的安全与隐私性。
2023-05-04 cs.CR
TrustMix: How to Mix Messages in a Mobile Ad-hoc Network
RPTU University Kaiserslautern-Landau（凯泽斯劳滕-兰道理工大学）
提出TrustMix协议，通过分组转发和洗牌实现无中心信任的匿名通信，利用可链接环签名限制速率，在随机预言机模型下证明安全性，仿真和Android实现验证了匿名性和吞吐量。
2026-06-19 cs.CR
Federated 3GPP Mobile Edge Computing Systems: A Transparent Proxy for Third Party Authentication with Application Mobility Support
4G/5G运营商正在部署多路访问或移动边缘计算（MEC），以在较低的带宽上提供计算服务。跨运营商联合MEC扩展了能力、容量和覆盖范围，但对于在漫游期间无需重新认证的连续服务，会产生两个问题-第三方认证和应用移动性。在这项工作中，我们提出了一个联邦状态传输和第三方认证（FS3A）的机制，使用一个透明的代理来传输信息的认证和应用程序的状态跨运营商来解决这些问题。FS3A代理保持透明，具有虚拟对应方，以避免对现有MEC和蜂窝架构进行任何更改。FS3A为用户提供了一个令牌，当由MEC进行身份验证时，该令牌可以在运营商之间重用，以实现更快的身份验证。还提出了订阅和状态的预取，以进一步减少认证和应用移动延迟。我们在基于OpenAirInterface（OAI）的测试平台上对FS3A进行了评估，结果表明，与完全重新认证相比，令牌重用和订阅预取将认证延迟降低了53 - 65%，而与没有预取相比，状态预取将应用程序移动延迟降低了51 - 91%。总体而言，与没有令牌重用和预取相比，FS3A将服务中断时间减少了33%。
2021-12-16 cs.CR cs.NI
Hardware Trojan Detection through Information Flow Security Verification
半导体设计公司越来越依赖第三方供应商来获取知识产权（IP）并满足上市时间的限制。然而，这些第三方IP不能被信任，因为硬件木马可以被不受信任的供应商恶意插入其中。虽然已经提出了不同的方法来检测第三方IP中的木马，但它们的局限性尚未得到广泛研究。在本文中，我们分析了国家的最先进的木马检测技术的局限性，并证明与实验结果如何击败这些检测机制。然后，我们提出了一个基于信息流安全（IFS）验证的木马检测框架。我们的框架检测违反IFS的政策所造成的木马，而不需要白盒知识的IP。我们通过实验验证了我们提出的技术的有效性，准确地识别木马的信任中心基准。我们还证明，我们的技术不共享的限制，以前提出的木马检测技术。
2018-03-12 cs.CR
SAFE-SiP: Secure Authentication Framework for System-in-Package Using Multi-party Computation
SAFE-SiP利用多方计算（MPC）实现零信任的芯粒签名认证，无需专用安全芯粒即可在不可信集成场景下防止未授权访问，实验表明其平均面积开销仅3.05%且计算复杂度为2^192。
2025-05-13 cs.CR
iLibScope: Reliable Third-Party Library Detection for iOS Mobile Apps
审查iOS应用中第三方库引入的安全影响需要可靠的库检测技术。特别是当在第三方库中发现新的漏洞（或隐私侵犯行为）时，实际上需要精确识别iOS应用程序的库及其版本的存在。然而，很少有研究已经提出来解决这个问题，他们都遭受不同库中的代码重复问题。在本文中，我们重点关注iOS应用程序中的第三方库检测。给定一个应用程序，我们的目标是识别集成库并确定其版本（或版本范围）。为此，我们首先对iOS第三方库进行深入研究，以消除代码重复挑战的神秘性。通过这样做，我们有两个关键的观察结果：1）即使两个库可以共享类，共享的类也不能同时集成到应用程序中，而不会导致类名冲突; 2）两个库的多个版本之间的代码重复可能会有所不同。基于这些发现，我们提出了一种新的基于配置文件的相似性比较方法来执行检测。具体来说，我们建立了一个库数据库，由具有不同版本的原始库二进制文件组成。在提取每个库版本和目标应用的配置文件后，我们进行相似性比较以找到最佳匹配。我们在iLibScope中实现了这种方法。我们建立了一个由5，807个应用程序和10，495个库集成组成的基准测试，并将我们的工具应用于其中。我们的评估表明，iLibScope实现了库检测的召回率超过99%，准确率超过97%。我们还应用了iLibScope来检测现实世界中iOS移动应用程序中存在的知名易受攻击的第三方库，以显示我们的工具的前景。它成功地从4，249个应用程序…
2022-07-05 cs.CR cs.SE
2.5D Root of Trust: Secure System-Level Integration of Untrusted Chiplets
在接受和出版后，献给已故的Vassos Soteriou。我们首次利用2.5D内插器技术在面对以硬件和软件为中心的对手时建立系统级安全性。更具体地，我们集成小芯片（即，复杂功能的第三方硬知识产权，如微处理器）。这样的硬件组织为值得信赖的，但功能强大且灵活的计算系统提供了强大的2.5D信任根。我们的计划的安全范例，采用坚定的设计和建设，是：1）严格的物理分离的可信组件从不可信的，2）运行时监控。所有不受信任的商品小芯片的系统级活动都通过物理上分离的安全特征针对安全策略进行连续检查。除了安全承诺之外，外包供应链的良好经济性仍然保持不变;系统供应商可以自由地从公开市场购买芯片，同时只生产插入器并自行组装2.5D系统。我们展示了我们的方案，使用Cortex-M0内核和ARM的AHB-Lite总线，构建一个安全的64核系统与共享存储器。我们评估我们的计划，通过硬件仿真，考虑不同的威胁情况。最后，我们设计了一个物理设计流程的2.5D系统，基于商业级的设计工具，以证明和评估我们的2.5D信任的根源。
2020-09-29 cs.AR cs.CR
Forensic Analysis of Third Party Location Applications in Android and iOS
位置共享应用正变得越来越普遍。这些应用程序允许用户共享自己的位置，并在地图上查看联系人的当前位置。朋友和家人通常使用定位应用程序来查看个人的全球定位系统（GPS）位置，但当存储在智能手机上时，这些数据中可能存在有价值的法医证据。本文旨在从iOS和Android设备上两个流行的第三方位置共享应用程序中发现取证工件。利用行业标准的移动取证套件来发现是否可以使用任何本地存储的数据来协助依赖于知道嫌疑人过去位置的调查。还讨论了在我们的分析过程中发现的文物提出的安全问题。
2019-06-28 cs.CR
PACT: Privacy Sensitive Protocols and Mechanisms for Mobile Contact Tracing
通过大规模检测和接触者追踪工作，COVID-19对全球健康的威胁在许多情况下得到了控制。我们创建本文档是为了建议三种功能，说明如何最好地利用计算技术来支持公共卫生组织的目标，即最大限度地减少与COVID-19传播相关的发病率和死亡率，同时保护个人的公民自由。特别是，这项工作倡导第三方免费的方法来辅助移动联系人追踪，因为这种方法减轻了需要可信第三方的安全和隐私风险。我们还明确考虑了任何合同追踪系统中涉及的推理风险，其中对用户的任何警报本身都可能导致去匿名化信息。更广泛地说，我们希望参与将工业界、学术界和民间社会的同事聚集在一起，围绕缓解COVID-19疫情的努力所引发的关键问题进行讨论并达成一致意见。
2020-05-07 cs.CR
Demystifying Privacy Policy of Third-Party Libraries in Mobile Apps
本文提出名为ATPChecker的自动化系统，通过定位隐私相关功能并克服动态分析限制，分析Android第三方库是否满足隐私法规，以提醒开发者合规使用TPL。
2023-09-09 cs.CR cs.SE
Hardware Trojan Detection using Graph Neural Networks
集成电路（IC）供应链的全球化已经将大部分设计、制造和测试过程从单一的可信实体转移到世界各地的各种不可信的第三方实体。使用不受信任的第三方知识产权（3 PIP）的风险是，攻击者可能会插入被称为硬件特洛伊木马（HT）的恶意修改。这些HT可能会损害完整性，降低性能，并拒绝预期设计的功能。在文献中已经提出了各种HT检测方法;然而，许多方法由于依赖于黄金参考电路、检测范围有限、需要手动代码审查或无法扩展大型现代设计而达不到要求。我们提出了一种新的黄金无参考HT检测方法，用于寄存器传输级（RTL）“与”门级网表，利用图神经网络（GNN）通过硬件设计的数据流图（DFG）表示来学习电路的行为。我们通过扩展Trusthub HT基准测试\cite{trusthub1}在自定义数据集上评估我们的模型。结果表明，我们的方法检测未知的HT与97%的召回率（真阳性率）非常快，在21.1毫秒的RTL和84%的召回率在13.42秒的门级网表。
2022-04-25 cs.AR cs.CR
Towards Precise Detection of Personal Information Leaks in Mobile Health Apps
该研究针对安卓健康应用的个人信息泄露问题，提出提取UI语义信息、区分一三方泄露的检测方法，经1243款应用验证，揭示了健康类应用PI泄露的特征与规律。
2024-09-30 cs.CR cs.SE
Empirical Security and Privacy Analysis of Mobile Symptom Checking Applications on Google Play
智能手机技术在过去十年中有了很大的进步。这些改进已经看到了专门的健康应用程序的创建，这些应用程序为消费者提供了一系列与健康相关的活动，例如通过智能手机跟踪和检查健康状况或疾病的症状。我们将这些应用程序称为症状检查应用程序或简单的症状检查程序。由于他们收集、存储和管理的私人数据的敏感性，用户信息的泄露可能会导致严重的后果。在本文中，我们使用静态和动态分析技术的组合来检测，跟踪和分类Google Play上36个流行的症状分析器中的安全和隐私问题。我们的分析显示，症状监测者要求的敏感权限数量明显更高，并嵌入了更多的第三方跟踪库，用于有针对性的广告和分析，利用他们所在的症状监测者的特权访问，作为收集和共享有关用户及其设备的关键敏感数据的手段。我们发现，这些公司将通过未加密的纯文本收集的数据共享给第三方广告商，在某些情况下，还共享给恶意域名。结果显示，在流行的应用程序中存在对Symptomobilkers的利用，这些应用程序仍然可以在Google Play上轻松获得。
2021-07-29 cs.CR
Secure-CUA: Controlling Untrusted Influence in Computer-Use Agents
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Google（谷歌）；Google DeepMind（谷歌DeepMind）
Secure-CUA通过操作事务和隔离查询模型，在计算机使用代理中控制不可信内容影响，实现安全执行，并在WebArena任务中达到53.55%的成功率。
2026-10-08 cs.AI cs.CR
Developers Are Victims Too : A Comprehensive Analysis of The VS Code Extension Ecosystem
分析了52,880个VS Code扩展，发现约5.6%存在可疑行为，威胁开发者及机构安全，并指出VS Code缺乏安全控制，最后提出修复建议。
2024-11-12 cs.CR cs.SE
Towards Secure and Safe Appified Automated Vehicles
University of Michigan Transportation Research Institute（密歇根大学交通研究所）
本文提出Appified自动驾驶平台概念，旨在通过AVGuard设计框架提升安全性，为开放自动驾驶平台提供设计指南。
2017-03-27 cs.CR cs.SY eess.SY
Towards Safe Autonomy for Computer Use
Tübingen AI Center, University of Tübingen（蒂宾根大学蒂宾根人工智能中心）
本文针对计算机使用智能体（CUA）的安全问题，提出双LLM框架SA-CUA，通过构建信任边界实现自主处理不可信信息任务，其效用优于CaMeL-CUA且攻击成功率为零。
2026-10-14 cs.CR cs.LG
Third-Party Hardware IP Assurance against Trojans through Supervised Learning and Post-processing
University of Kansas（堪萨斯大学）；University of Florida（佛罗里达大学）
片上系统（SoC）开发人员越来越依赖于从不受信任的第三方供应商处获得的预先验证的硬件知识产权（IP）块。这些IP可能包含隐藏的恶意功能或硬件木马，以危及制造的SoC的安全性。最近，监督机器学习（ML）技术在识别第三方IP（3 PIP）中的潜在木马网络方面显示出了很好的能力。然而，它们带来了几个重大挑战。首先，它们没有指导我们选择可靠地覆盖各种特洛伊木马的最佳功能。其次，它们需要多个无木马/受信任的设计来插入已知的木马并生成训练模型。即使有一组可信设计可用于训练，可疑IP也可能本质上与这组可信设计非常不同，这可能会对验证结果产生负面影响。第三，这些技术只能识别一组需要手动干预才能了解潜在威胁的可疑特洛伊木马网络。在本文中，我们提出了VIPR，一个系统的机器学习（ML）为3 PIP的信任验证解决方案，消除了需要可信的设计训练。我们提出了一个全面的框架，相关的算法和工具流，用于获得最佳的功能集，训练有针对性的机器学习模型，检测可疑网络，并从可疑网络中识别木马电路。我们在几个Trust-Hub特洛伊木马基准测试中评估了该框架，并对不同训练模型、特征选择和后处理技术的检测性能进行了比较分析。所提出的后处理算法减少了高达92.85%的误报。
2021-11-29 cs.CR cs.LG
Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
本文大规模分析了移动应用中由第三方SDK引发的设备指纹行为，发现指纹行为广泛存在于非广告类SDK中，且信号与API分布稀疏，表明仅针对特定市场或依赖用户权限难以有效遏制指纹追踪。
2025-06-27 cs.CR
Privacy-Preserving Password Cracking: How a Third Party Can Crack Our Password Hash Without Learning the Hash Value or the Cleartext
针对不可信第三方破解密码哈希的隐私风险，提出基于谓词加密扩展与诱饵哈希匿名集的3PC协议，实现常数时间高效扩展，经理论与FPGA实测验证隐私保护与破解可行性。
2023-06-14 cs.CR cs.IT math.IT
Privacy Preserving Face Recognition Utilizing Differential Privacy
面部识别技术在许多领域都有应用，包括但不限于公民监控、犯罪控制、活动监控和面部表情评估。然而，处理生物特征信息是一项资源密集型任务，通常涉及第三方服务器，这些服务器可能会被恶意攻击者访问。以不受控制的方式传递到不受信任的第三方服务器的生物识别信息可以被认为是重大的隐私泄露（即不受控制的信息发布），因为生物识别信息可能与敏感数据（如医疗保健或财务记录）相关。在本文中，我们提出了一个隐私保护技术的“受控信息发布”，在那里我们伪装原始的人脸图像，并防止泄漏的生物特征，同时确定一个人。我们介绍了一种新的隐私保护人脸识别协议PEEP（隐私使用EigEnface扰动），利用本地差分隐私。PEEP利用差分隐私对特征脸应用扰动，并仅将扰动的数据存储在第三方服务器中以运行标准的特征脸识别算法。因此，经过训练的模型不会受到隐私攻击，如成员推断和模型记忆攻击。我们的实验表明，PEEP在标准隐私设置下表现出约70% - 90%的分类准确率。
2020-07-04 cs.CR cs.DB
TROJAN-GUARD: Hardware Trojans Detection Using GNN in RTL Designs
2 Department of Computer Science \& Engineering, University of Minnesota
提出TROJAN-GUARD框架，利用GNN和模型量化高效检测大型RTL设计中的硬件木马，在自定义数据集上达到98.66%精确率和92.30%召回率。
2025-06-22 cs.CR cs.LG
When AI Meets the Web: Prompt Injection Risks in Third-Party AI Chatbot Plugins
University of California, Santa Barbara（加州大学圣巴bara分校）
本文首次大规模研究超1万个网站使用的17个第三方聊天机器人插件，发现对话历史完整性缺失和第三方内容混入两类提示注入漏洞，并通过受控实验证明其可绕过LLM安全防护。
2025-11-08 cs.AI cs.CR
WebPol: Fine-grained Information Flow Policies for Web Browsers
针对现有浏览器安全机制粒度过粗、无法平衡第三方脚本数据访问需求与泄露防护的问题，提出WebPol细粒度信息流策略机制，支持用JavaScript语法定义数据访问规则，可基于现有信息流跟踪方案实施，经集成测试验证了可行性。
2017-06-26 cs.CR
A Study on the Vulnerabilities of Mobile Apps associated with Software Modules
本文报告了一项旨在了解移动应用程序（app）漏洞如何与软件库相关联的大规模研究。我们分析免费和付费应用程序。研究付费应用程序非常有意义，因为它帮助我们了解应用程序开发/维护的差异如何影响与库相关的漏洞。我们分析了从官方Android市场收集的3万个免费和付费应用程序。我们的广泛分析显示，大约70%/50%的免费/付费应用程序漏洞来自软件库，特别是来自第三方库。有些矛盾的是，我们发现更昂贵/更流行的付费应用程序往往有更多的漏洞。这是因为更昂贵/更流行的付费应用程序往往具有更多的功能，即，更多的代码和库，这增加了漏洞的可能性。根据我们的研究结果，我们为移动应用分发生态系统的利益相关者提供了建议。
2017-03-27 cs.CR
Tracking GPTs Third Party Service: Automation, Analysis, and Insights
针对GPTs第三方服务隐私信息不透明的问题，提出自动化框架GPTs-ThirdSpy，提取隐私设置并实时提供元数据，支持大规模分析集成、合规性及安全风险。
2025-06-18 cs.CR cs.SE
Contrastive Graph Convolutional Networks for Hardware Trojan Detection in Third Party IP Cores
Virginia Tech（弗吉尼亚理工大学）；Space Dynamics Laboratory（空间动力学实验室）
广泛的第三方知识产权（3 PIP）内核的可用性使集成电路（IC）设计人员能够专注于设计ASIC/SoC中的高级功能。集成电路的大规模扩散带来了越来越多的不良行为者，他们出于各种邪恶的原因寻求利用这些电路。这并不奇怪，因为集成电路影响着社会的方方面面。因此，恶意逻辑（硬件特洛伊木马，HT）被不受信任的供应商秘密注入到IC设计中使用的3 PIP核心是一个永远存在的威胁。在本文中，我们探讨的方法，识别基于嵌入式HT的设计包含可合成的IP核没有黄金模型。具体来说，我们开发的方法来检测硬件木马检测触发器嵌入在IC纯粹的基础上从供应商获得的网表。我们提出了GATE-Net，这是一种基于图卷积网络（GCN）的深度学习模型，使用监督对比学习进行训练，用于标记仅使用相应网表的包含随机插入触发器的设计。我们提出的架构实现了显着的改进，最先进的学习模型产生的组合触发器的检测性能平均提高46.99%，在各种电路类型的顺序触发器提高21.91%。通过严格的实验，定性和定量的性能评估，我们证明了有效的GATE-Net和监督的对比训练的GATE-Net HT检测。
2022-03-04 cs.AR cs.CR cs.LG
Rogue Cell: Adversarial Attack and Defense in Untrusted O-RAN Setup Exploiting the Traffic Steering xApp
Ben Gurion University of the Negev（本· Gurion 内盖夫大学）
本文首次研究多运营商 O-RAN 中不可信第三方带来的安全风险，提出 APATE 对抗攻击并设计基于 LSTM 自编码器的 MARRS 检测框架，实验显示攻击可多获 248.5% UE 分配，检测准确率达 99.2%。
2025-05-03 cs.CR cs.LG
Sandlock: Confining AI Agent Code with Unprivileged Linux Primitives
Multikernel Technologies, Inc.（Multikernel科技有限公司）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出Sandlock，一种轻量级Linux进程沙箱，通过静态策略编译和窄监督器分离实现无root、无cgroups、无镜像的进程隔离，支持动态网络决策和可逆文件系统效果。
2026-05-25 cs.CR cs.OS
AuDroid: Preventing Attacks on Audio Channels in Mobile Devices
话音控制是操作移动设备的流行方式，使用户能够向其设备传送请求。然而，攻击者可以利用话音控制来欺骗移动设备执行命令以泄露机密或修改关键信息。当代移动操作系统无法防止此类攻击，因为它们根本不控制对扬声器的访问，并且无法控制不受信任的应用何时可以使用麦克风，从而使得授权的应用能够创建可利用的通信信道。在本文中，我们提出了一种安全机制，明确地跟踪创建的音频通信通道，并控制这些通道上的信息流，以防止几种类型的attacks.We设计和实现AuDroid，扩展SELinux参考监视器集成到Android操作系统的动态变化的系统音频资源的使用强制执行晶格安全策略。为了增强灵活性，当检测到信息流错误时，设备所有者、系统应用程序和服务有机会使用已知方法解决信息流错误，使AuDroid能够安全地运行许多配置。我们在17个广泛使用麦克风和扬声器的应用程序上评估了我们的方法，发现AuDroid可以防止音频通道上的六种类型的攻击场景，同时允许所有17个应用程序有效运行。AuDroid表明，它可以防止使用音频通道的攻击，而不会影响功能或引入显着的性能开销。
2016-04-01 cs.CR cs.OS
MobileWorldSafety: Benchmarking GUI Agent Safety Against Environmental Injection Attacks in Android Apps
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
该研究推出MobileWorldSafety基准，基于142个真实安卓应用风险任务评估6种GUI智能体，发现其对环境注入攻击的成功率达40.4%-66.9%，为相关研究奠定基础。
2026-08-19 cs.AI cs.CR
A Public-key based Information Management Model for Mobile Agents
基于移动代码的计算需要开发保护方案，该保护方案允许对由不可信主机中的代理收集的数据进行数字签名和加密。这些算法不能依赖于携带加密密钥，如果这些密钥可能被窃取或用于伪造数据的敌对主机和代理。因此，信息和密钥都必须得到保护，只有授权的主机，即提供信息的主机和发送移动代理的服务器，才能修改（通过更改或删除）检索到的数据。在这项工作中提出的数据管理模型允许由代理收集的信息被保护免受处理的信息网络中的其他主机。这是通过使用标准的公钥密码学来完成的，该标准的公钥密码学经过修改以支持分布式环境中的数据保护，而不需要与已经丢弃代理的主机的交互式协议。它们的重要性在于，它是第一个支持全功能保护移动代理的模型，允许远程主机在代理返回其原始服务器之前根据需要更改自己的信息。
2000-10-09 cs.CR cs.DC cs.IR
Backdoor Attack against Speaker Verification
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Peng Cheng Laboratory（鹏城实验室）
说话人确认已被广泛和成功地采用在许多关键任务领域的用户识别。说话人确认的训练需要大量的数据，因此用户通常需要采用第三方数据（$e.g.$，来自互联网或第三方数据公司的数据）。这就提出了一个问题，即采用不受信任的第三方数据是否会构成安全威胁。在本文中，我们证明了通过中毒训练数据来注入隐藏后门以感染说话人验证模型是可能的。具体来说，我们设计了一个基于聚类的攻击方案，中毒样本从不同的集群将包含不同的触发器（$i.e.$，预定义的话语），根据我们的理解验证任务。受感染的模型在良性样本上表现正常，而攻击者指定的未注册触发器将成功通过验证，即使攻击者没有关于注册扬声器的信息。我们还表明，现有的后门攻击不能直接采用攻击说话人验证。我们的方法不仅提供了一个新的角度来设计新颖的攻击，但也作为一个强大的基线，提高验证方法的鲁棒性。用于再现主要结果的代码可在\url{https://github.com/zhaitongqing233/Backdoor-attack-against-speaker-verification}上获得。
2021-02-03 cs.CR cs.LG cs.SD
Mind Your Weight(s): A Large-scale Study on Insufficient Machine Learning Model Protection in Mobile Apps
Northeastern University（东北大学）
设备上的机器学习（ML）在移动应用程序中迅速普及。它允许离线模型推理，同时保护用户隐私。然而，ML模型被认为是模型所有者的核心知识产权，现在存储在数十亿台不受信任的设备上，并可能遭到盗窃。泄露的模型可能会导致严重的财务损失和安全后果。本文首次对移动设备上的ML模型保护进行了实证研究。我们的研究旨在用定量证据回答三个开放性问题：模型保护在应用程序中的应用有多广泛？现有的模型保护技术有多强大？（被盗）模型会产生什么影响？为此，我们建立了一个简单的应用程序分析管道，并分析了从美国和中国应用程序市场收集的46，753个流行应用程序。我们确定了1，468个ML应用程序，涵盖所有流行的应用程序类别。我们发现，令人震惊的是，41%的ML应用程序根本不保护他们的模型，这些模型可以从应用程序包中轻松窃取。即使对于那些使用模型保护或加密的应用程序，我们也能够通过简单的动态分析技术从其中66%的应用程序中提取模型。提取的模型大多是商业产品，用于人脸识别，活体检测，身份证/银行卡识别和恶意软件检测。我们定量地评估了泄露模型的潜在财务和安全影响，这对不同的利益相关者来说可能高达数百万美元。我们的研究表明，设备上的模型目前处于被泄露的高风险之中;攻击者有很高的动机去窃取这些模型。从我们的大规模研究中，我们报告了我们对这一新兴安全问题的见解，并讨论了技术挑战，希望能激发未来对移动设备强大而实用的模型保护的研究。
2021-06-14 cs.CR cs.LG
DNS Query Forgery: A Client-Side Defense Against Mobile App Traffic Profiling
针对加密场景下DNS查询泄露用户行为模式、易被流量画像攻击的问题，提出基于查询伪造的客户端隐私框架，经实验验证可在低开销下有效提升隐私保护效果。
2025-05-14 cs.CR cs.NI
Encrypted Skills Can Become New Security Exploits If AI Agents Know How to Decipher
IBM Research（IBM研究院）；National Yang Ming Chiao Tung University（国立阳明交通大学）
该研究提出Ciphered Skill Injection（CSI）攻击方法，在8种模型和139个任务对上验证其攻击成功率最高达47.5%，揭示了加密技能可能成为AI智能体安全漏洞的风险。
2026-10-14 cs.AI cs.CL cs.CR
Bridging the Mobile Trust Gap: A Zero Trust Framework for Consumer-Facing Applications
本文针对移动应用在用户控制环境中的安全空白，提出一个六支柱零信任扩展框架，通过运行时设备、身份、数据、API、行为和应用保护控制，提供符合标准的移动安全部署路径。
2025-08-20 cs.CR cs.CY cs.NI
