XiaoMi-AI文件搜索系统
World File Search SystemAttack
利用 5G 时代的创新：盟友可以做好的准备……
研究完整性通过我们的质量和客观性的核心价值以及我们对最高诚信和道德行为水平的坚定承诺来帮助通过研究和分析来帮助改善政策和决策的使命。为了帮助确保我们的研究和分析是严格，客观和无党派的，我们将研究出版物进行稳健而严格的质量保证过程；通过员工培训，项目筛查以及强制性披露政策，避免财务和其他利益冲突的外观和现实；并通过对我们的研究发现和建议的公开出版，披露已发表研究的资金来源以及确保智力独立性的政策来追求我们的研究参与的透明度。有关更多信息，请访问www.rand.org/about/research-integrity。
针对Kyber
摘要 - Crystals-kyber已被NIST标准化为唯一的密钥包裹机制（KEM）方案，以承受大规模量子计算机的攻击。但是，仍需要对即将到来的迁移进行充分考虑侧向通道攻击（SCA）。在此简介中，我们通过合并一种新颖的紧凑型洗牌建筑，为Kyber提出了安全有效的硬件。首先，我们修改了Fisher-Yates的散装，以使其更适合硬件。然后，我们为众所周知的开源kyber硬件实现设计了优化的洗牌架构，以增强所有已知和潜在的侧向通道泄漏点的安全性。最后，我们在FPGA上实施了经过修改的Kyber设计，并评估其安全性和性能。通过在硬件上进行相关能力分析（CPA）和测试向量泄漏评估（TVLA）来验证安全性。与此同时，FPGA位置和路由结果表明，与原始的未保护版本相比，建议的设计仅报告了硬件效率的8.7％降解，比现有的硬件隐藏方案要好得多。
DDOS攻击缓解防火墙按需（FOD）和稀有平台
分布式拒绝服务（DDOS）攻击是使合法客户无法访问的关键服务的主要网络攻击。DDOS攻击后果对其受害者来说是严重的，涉及对公众形象的重大经济损失和负面影响。尽管已经提出了各种DDOS保护解决方案，但其中大多数提供了有限的灵活性，其部署通常仅限于单域环境。因此，尽管受到攻击的受害者通常可以在防火墙设备上安装缓解规则，但一旦攻击结束并不简单，就将其删除，同时定义跨上游缓解剂的颗粒过滤策略受到了很大的阻碍。我们的论文介绍了两个开源géant项目的整合，即学术界，研究与教育平台的路由器（稀有）平台和防火墙（FOD），以在多域网络环境中进行有效的DDOS攻击保护。我们的方法依赖于广泛使用的工具和协议（例如NetFlow，BGP FlowsPec），以检测正在进行的攻击并根据缓解规则进行准确过滤攻击流量，这可以很容易地传播到上游网络。我们的系统通过基于特定的BGP FlowsPEC广告启用动态安装和删除缓解规则来提高灵活性。特别重点将放在开发的自动解决方案上，以促进我们的安全机制实验。我们的实验表明，我们提出的机制能够有效保护网络基础架构免受DDOS攻击。使用ContainerLab详细阐述了原型，该原型允许用户在其基础架构中快速部署Docker容器的轻量级设置，并易于模拟网络环境，以执行与DDOS攻击检测和缓解相关的实验。
使用P4和深度学习R. Mohammadifar*，R。Javidan，R。
这项研究解决了在切片间切换过程中确保5G及以上（6G）网络（6G）网络的挑战（DDOS）。提出了基于P4可编程开关和门控复发单元（GRU）算法的混合模型，以高准确性和低延迟来检测和预测此类攻击。p4可以实时提取钥匙质量服务（QOS）参数，包括数据包损耗率，延迟和优先级，用于有效的交通分析和攻击检测。所提出的模型达到了DDOS检测准确性为98.63％，灵敏度为98.53％，F1得分为98.58％，同时预测合法切片的精度为98.7％。误报率（FPR）降低到小于2.1％，检测和决策制定的总系统延迟保持在350毫秒以下，使其适用于诸如URLLC之类的延迟敏感应用程序。可伸缩性测试表明，该系统的检测准确性超过90％，延迟少于500毫秒，最多15个开关和4个切片，即使在较高的交通负载下也是如此。这项研究突出了将深度学习与P4相结合以增强高级网络中的安全性和可扩展性的有效性，从而为下一代网络安全提供了强大的框架。
可追溯攻击表面管理用户指南
版权所有©2025 Tenable，Inc。保留所有权利。Tenable，Tenable Nessus，Tenable Lumin，Assure和Tenable徽标是Tenable，Inc。或其分支机构的注册商标。所有其他
博士职位 保护深度学习硬件加速器免受故障注入和侧通道攻击
在深度学习硬件安全环境中，有报道称 DNN 实现受到的本地和远程攻击越来越多 [3]。这些攻击包括利用功耗 [5–7] 或电磁 (EM) 辐射 [8–10] 的侧信道分析 (SCA) 攻击 [4]，以及故障注入 (FI) 攻击 [11–13]。SCA 攻击会破坏机密性，使秘密深度学习资产（模型、私有数据输入）得以恢复，从而危及隐私并通过模型逆向工程进行伪造；FI 攻击会破坏完整性，通过错误分类和受控行为改变预期性能，以及可用性，通过拒绝访问或降低质量或性能使系统变得无用 [14]。由于 AI 边缘设备的可访问性和暴露性更高，因此对它们发起的物理 SCA 和 FI 攻击尤其令人担忧。然而，这些攻击不再需要对目标进行物理访问，因为云端和数据中心采用 FPGA 也使它们成为可以通过软件触发的远程硬件攻击的目标 [15]。
对SHA-3的实际故障攻击损害了Kyber和...
摘要 - ML-KEM和ML-DSA是基于NIST标准的基于晶格后的加密算法。在这两种算法中，K ECCAK是广泛用于得出敏感信息的指定哈希算法，使其成为攻击者的宝贵目标。在故障注射攻击领域，很少有针对K ECCAK的作品，并且尚未完全探讨其对ML-KEM和ML-DSA安全性的影响。因此，许多攻击仍未发现。在本文中，我们首先确定k eccak的各种故障漏洞，这些漏洞通过在实用的循环锻炼模型下操纵控制流来确定（部分）输出。然后，我们系统地分析了错误的K ECCAK输出的影响，并提出了六次针对ML-KEM的攻击，以及针对ML-DSA的五次攻击，包括钥匙恢复，签名伪造和验证旁路。这些攻击涵盖了关键产生，封装，拆卸，签名和验证阶段，使我们的计划成为第一个应用于ML-KEM和ML-DSA的所有阶段。在嵌入式设备上运行的PQClean库的ML-KEM和ML-DSA的C实现中，提出的攻击已验证。实验表明，可以在ARM Cortex-M0+，M3，M4和M33微处理器上使用具有低成本电磁断层注射设置的ARM Cortex-M0+，M3，M4和M33微处理器，可实现89的成功率。5％。一旦断层注射成功，所有提议的攻击都可以通过100％的概率成功。
通过计数米草图检测微构造攻击
摘要 - 对性能的持续追求推动了专业人员，以结合多个内核，缓存，加速单元或投机执行，使系统变得非常复杂。另一方面，这些功能通常会暴露出构成新挑战的意外漏洞。为了进行检查，可以利用缓存或投机执行引入的定时差异以泄漏信息或检测活动模式。保护嵌入式系统免受现有攻击是极具挑战性的，而且由于新的微体系攻击的持续崛起（例如，幽灵和编排攻击），这使它变得更加困难。在本文中，我们提出了一种新方法，该方法基于计数示意图，用于检测嵌入式系统介绍的微处理器中的微体系攻击。这个想法是将安全检查模块添加到系统中（无需修改保护器，而不是在保护下），负责观察被提取的说明，并识别和发出信号可能的可疑活动，而无需干扰系统的标称活动。可以在设计时（在部署后重新编程）对所提出的方法进行编程，以便始终更新Checker能够识别的攻击列表。我们将所提出的方法集成到了大型RISC-V核心中，我们证明了它在检测几种版本的幽灵，编排，Rowhammer和Flush+重新加载攻击方面的有效性。在最佳配置中，提出的方法能够检测到100％的攻击，没有错误的警报，并引入了大约10％的面积开销，大约增加了4％的功率，并且没有降低工作频率。
在基于MLP的DDOS攻击检测中，Harris Hawks和Dragonfly优化方法合并的方法J. Ghasemi *A，R。Salah-Hassan
在本文中，提出了一个新的入侵检测系统（IDS）来处理分布式拒绝服务（DDOS）攻击。提出了一种基于Harris Hawks优化（HHO）和蜻蜓算法（DA）的组合算法，以选择相关功能，并消除NSL-KDD数据集中的无关和冗余特征。提取的特征呈现给多层感知器（MLP）神经网络。该网络（作为分类器）将网络流量分为两个类别，即正常和攻击类别。在入侵检测领域中使用两个标准和广泛使用的数据集评估所提出的模型的性能：NSL-KDD和UNSW-NB15。模拟的结果清楚地表明了在关键评估标准（例如准确性，精度，回忆和F量）方面，与以前的方法相比，所提出的方法的优越性。具体而言，所提出的方法在这些指标中分别显示出96.9％，97.6％，96％和96.8％的改善（与基线方法相比）。这些改进的主要原因是合并算法智能选择最佳特征并降低数据尺寸的能力。这种仔细的功能选择使MLP神经网络可以专注于关键信息，提高分类准确性并最终提高入侵检测系统的性能。这项研究表明，将优化算法和机器学习结合起来效果很好。因此，它有效地应对DDOS攻击。它可以导致更好的入侵检测系统。这些系统将更有效，准确。
通过对抗攻击和培训进行强大的深入强化学习：调查
深度加固学习（DRL）是一种在各种复杂环境中训练自主代理的方法。尽管在众所周知的环境中表现出色，但它仍然容易受到较小条件的变化，这引起了人们对其在现实世界应用中的可靠性的担忧。为了改善Usabil的影响，DRL必须表现出可信赖和稳健性。通过对环境动力学的良好适合对抗性攻击进行训练，通过训练代理人来训练代理商，将DRL鲁尔的鲁棒性转化为未知变化的鲁棒性。解决这个关键问题时，我们的工作对当代对抗攻击方法进行了深入分析，系统地对其进行了分类并比较其目标和操作机制。此分类提供了一个详细的见解，以了解对抗性攻击如何有效地评估DRL代理的弹性，从而为增强其稳健性铺平了道路。