TimeGuard: Channel-wise Pool Training for Backdoor Defense in Time Series Forecasting
时间序列预测（TSF）在众多领域（如金融、气候、工业监控）中发挥着关键作用，但容易受到后门攻击的威胁。然而，针对TSF的后门防御研究仍处于起步阶段，主要面临两大挑战：数据纠缠（data entanglement）导致不同时间序列通道间的信号
2026-05-24 归档
今日共收录 626 条安全情报，包含 0 个 CVE，292 篇安全通告，以及 79 篇研究论文。
← 返回归档列表PACT: Reducing Alert Fatigue in Low-Prevalence SOC Streams with Triggered Active Learning
安全运营中心（SOC）面临持续的警报疲劳问题：在低患病率的事件流中，即使很低的误报率也会产生大量的调查负担，而聚合的F1分数往往掩盖了分析人员的实际工作负荷。本文提出PACT（Pareto-aware Controller for Trig
Decision-Aware Quadratic ReLU Replacement for HE-Friendly Inference
全同态加密（FHE）仅支持加法和乘法运算，因此在FHE环境下进行神经网络推理时，需要用多项式近似替代ReLU激活函数。传统方法通过在经验激活区间上进行多项式拟合来控制逼近误差，通常需要较高次数的多项式，导致同态求值开销增加。然而，分类结果仅
Optimal Guarantees for Auditing Rényi Differentially Private Machine Learning
本文研究针对声称满足 Rényi 差分隐私 (RDP) 的机器学习算法的黑盒审计问题。作者提出一个基于假设检验的审计框架，利用 Donsker-Varadhan (DV) 变分估计器直接估计相邻执行之间的 Rényi 散度。该框架通过类别受
CCLab: Adversarial Testing of Learning- and Non-Learning-Based Congestion Controllers
拥塞控制器（CC）对网络性能至关重要，但其在恶劣条件下的鲁棒性尚未得到充分理解。近年来，基于学习的CC在受控环境中表现强劲，但它们在输入信号被破坏或环境条件系统性地变得具有挑战性时，与传统CC相比表现如何仍不清楚。本文提出CCLab，一个用
Polars inside Intel SGX2 Enclaves: An Empirical Study of Confidential Analytical Query Processing
本文实证研究了在Intel SGX2安全区内运行Arrow-native DataFrame引擎Polars的性能特性。作者使用Gramine作为LibOS，在TPC-H SF30基准测试集（约22-73 GB）和Azure Blob St
Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy
本文提出了一种基于差分隐私的原偶视角（primal-dual perspective）来证明机器学习模型对后门攻击的鲁棒性。后门攻击同时污染训练数据和测试数据，使得现有仅针对训练时或推理时单一阶段的随机平滑认证方法失效。作者将随机平滑与差分
Near-Optimal Generalized Private Testing
该论文研究了差分隐私（DP）中的广义私有测试问题，该问题由 Liu 和 Talwar 在 STOC 2019 中提出。给定一个数据集 X 和一个序列的黑盒 ε_t-DP 机制 M_t，分析者需要以 DP 方式接受第一个成功概率 p_t =
Information Leakage Envelopes
本文在点对点最大泄漏（PML）框架下研究隐私保证的两个要求：对后处理具有鲁棒性，以及能限定信息泄漏超过给定阈值的失败概率。作者首先分析两种受(近似)差分隐私启发的候选定义，发现两者均无法同时满足上述要求。为此，引入PML包络（PML env
Image Encryption via Data-Identified Discrete Chaotic Maps
本文提出了一种数据驱动的图像加密框架，通过SINDy-PI算法从观测数据中识别混沌映射的完整显式动力学方程（包括交叉项和高阶非线性项），从而替代传统加密方案中依赖预定义混沌映射的方法。该框架在三种不同的混沌系统上验证了其通用性：Hénon映
Backchaining Loss of Control Mitigations from Mission-Specific Benchmarks in National Security
本文针对高风险部署场景（如国家安全）中的失控（Loss of Control, LoC）威胁，提出一种基于任务特定基准的反向链式缓解方法。研究背景是，在国防和情报等国家安全领域部署AI系统时，权限和许可（affordances and pe
Domijn: The Security of Domain Registrars and the Risk of a Domain Name Takeover
本论文对域名注册商的安全控制措施进行了实证研究，重点关注域名劫持风险。域名是组织在线身份和声誉的核心资产，支撑网站、电子邮件等服务，一旦被恶意劫持，可能造成严重后果。研究选取了面向.nl国家顶级域名的前10大注册商，通过模拟攻击者视角，评估
Choose Wisely and Privately: Proactive Client Selection for Fair and Efficient Federated Learning
联邦学习通过不传输原始数据的方式实现分布式模型训练，但平均聚合方法受非独立同分布（non-IID）数据的严重影响，导致收敛速度慢和模型精度下降。现有替代方案具有显著的低效性：带有噪声或高度异构数据的客户端贡献了昂贵的梯度计算，这些计算在聚合
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
本文针对时间紧迫场景下的隐私保护分布式优化问题，提出了一种结合进化算法与安全多方计算（MPC）的方法。分布式优化中多个参与方协作寻找问题的最优解，但传统方法在添加隐私保护（如MPC）后会产生显著运行时开销，可能导致优化无法在截止时间前完成。
Precision and Privacy in Distributed Quantum Sensing: A Quantum Fisher Information Duality
该论文针对分布式量子传感器网络中的精度与隐私权衡问题，建立了量子费舍尔信息（QFI）对偶性。具体而言，对于由 N 个传感器组成的网络，每个传感器本地编码相位参数，考虑任意 N 量子比特探针态，对于任意两个正交的单位传感方向 w 和 v，其对
Market-Analysis-Driven Methodology for Assessing Charging Station Cybersecurity
本论文提出一种基于市场分析的可扩展方法，用于在国家层面评估电动汽车充电站的网络安全状况。现代充电通信标准（如CCS）虽然支持TLS认证和加密等可选安全控制，但由于一个国家内部署了数万个快速充电点，逐一测试每个站点是否支持安全控制是不可行的。
Human Vulnerability Assessment in Cybersecurity: A Systematic Literature Review of Methods, Models, and Instruments
本文是一篇关于网络安全中人类脆弱性评估（HVA）的系统性文献综述（SLR），旨在全面梳理该领域的方法、模型和工具。研究背景指出，传统的脆弱性评估主要关注数字资产和技术基础设施，但网络攻击者越来越多地利用人为因素，因此有必要系统性地评估人类脆
Comparative Evaluation of Deep Learning Models for Fake Image Detection
该研究针对基于GAN的图像篡改技术日益成熟带来的数字取证挑战，系统比较了四种预训练CNN架构（VGG16、ResNet50、EfficientNetB0和XceptionNet）在假图像检测任务中的性能。通过统一的预处理和训练流程，对真实与
Measuring Security Without Fooling Ourselves: Why Benchmarking Agents Is Hard
本文聚焦于评估AI智能体在安全关键角色中的基准测试所面临的严重缺陷。作者基于最新实证证据，总结了三大核心挑战：基准漏洞（benchmark vulnerabilities）、时间陈旧性（temporal staleness）和运行时不确定性
Innovations in Cardless Artificial Intelligence Banking: A Comprehensive Framework for Cyber Secure and Fraud Mitigation using Machine Learning Algorithms
本文提出了一种面向无卡人工智能银行系统的综合安全框架，旨在解决传统银行业务在数字化转型中面临的网络安全与欺诈风险挑战。该框架的核心创新点包括：1）利用AI驱动的数据加密技术生成自动虚拟卡，确保交易过程中敏感信息的最小化暴露；2）部署基于AI