MLQENABLER: Enabling Secure Machine Learning Queries over Encrypted Database in Cloud Computing
论文 MLQENABLER 针对云计算场景中，客户端将数据加密外包给公有云后，云服务商无法对加密数据执行机器学习查询的问题。该方案提出一种索引辅助的方法，在保持数据机密性的前提下，使得云服务商仍能对加密数据库进行 ML 查询（如分类、预测）
2026-07-11 归档
今日共收录 1315 条安全情报，包含 488 个 CVE，410 篇安全通告，以及 120 篇研究论文。
← 返回归档列表Degree-Constrained Interval Optimization for Minimax Polynomial Approximation in Homomorphic Encryption
同态加密（HE）允许在加密数据上进行加法和乘法运算，实现隐私保护推理。但非多项式激活函数（如ReLU、Sigmoid）必须用多项式近似替代。在多种多项式近似方法中，minimax近似（通常通过Remez算法计算）因其在给定区间内最小化最大逼
Closed-Loop Dynamic Validator Node Scaling in Private Substrate Blockchains Using Takagi-Sugeno Fuzzy Inference
本研究针对私有区块链网络中验证者节点固定配置无法适应动态工作负载的问题，提出一种基于Takagi-Sugeno模糊推理的闭环动态缩放控制器。该控制器实时读取区块链运行参数（块生成时间、块大小、活跃节点数），通过三角隶属函数将输入模糊化为三个
Open Models, Open Risks: Measuring Unsafe Generation in Text-to-Image Models In the Wild
本文针对文生图（T2I）模型在真实部署环境（in-the-wild）中的安全性进行了大规模实证研究。现有安全研究多在受控实验室环境下进行，仅评估少数典型模型，忽略了快速增长的野外T2I生态系统中的实际风险。这些风险不仅来自对抗性提示，还可能
Modeling Failure Dynamics in Time-Constrained Authentication Systems: Evidence of a Success Cliff in USSD Workflows
该论文研究了受时间约束的交互式系统（如基于USSD的金融服务）中的失败动力学。这类系统在严格的会话时限和顺序用户交互下运行，增强认证机制虽然提高了安全性，但也增加了交互复杂性和时间负担，可能导致交易完成率下降。作者提出了一个基于仿真的框架来
Multi-Class vs. Multi-Label BERT for CVE-to-CWE Mapping: How Taxonomy Structure Shapes the Errors
本文研究了利用BERT系列模型自动将CVE记录映射到CWE类别的文本分类问题。CVE-to-CWE映射是漏洞分析中的关键步骤，但目前主要依赖人工。作者将问题形式化为两种分类设定：多类分类（每个CVE预测一个CWE）和多标签分类（允许预测多个
Beyond Attack-Success Rate: Action-Graded Severity Scale for Tool-Using AI Agents
当前针对 AI Agent 的红队评测通常采用二值化的攻击成功率（attack-success rate）作为核心指标，即仅报告 Agent 是否被成功入侵（二进制0或1）。本文指出这种指标严重丢失了防御者最需要的信息——实际造成的危害程度
How Reliable Is the Multi-Input Heuristic for Bitcoin Address Clustering in Law Enforcement Contexts?
本文评估了比特币地址聚类中广泛使用的多输入启发式方法（MIH）在执法场景下的可靠性。MIH通过将同一交易中的多个输入地址归为同一实体来进行聚类，是区块链取证的基础技术，常用于追踪非法加密货币流动。然而，尽管被广泛采用，MIH很少基于可靠的真
The AI Resilience Gap: Bringing Artificial Intelligence Inside the Operational Resilience Perimeter
这篇论文指出，在受监管行业中，人工智能的快速采用催生了一系列以“可信赖”为导向的治理框架（如欧盟AI法案、ISO/IEC 42001、NIST AI风险管理框架、英国原则式方法），这些框架侧重于安全性、公平性、透明度和模型风险。然而，这种治
FedCVESA: Taking Away Training Data in Federated Learning via Correlation Value Encoding and Segmented Aggregation
该论文研究了联邦学习（FL）环境下的主动训练数据窃取攻击。传统联邦学习通过将数据保留在本地客户端来避免直接数据泄露，但训练过程和模型本身仍存在隐私风险。已有集中式场景下的“带走训练数据”（TATD）攻击表明，恶意训练可利用深度模型的记忆能力
Monitoring Vulnerabilities in Next-Generation Automotive Operating Systems
本研究针对软件定义车辆（SDV）中的操作系统漏洞监测问题展开。SDV通过整合复杂的软硬件系统正在革新交通运输，但也引入了显著的安全挑战。现有漏洞评估工具在应对操作系统漏洞方面存在不足，特别是在真实环境中高效分析多样化软件栈的能力有限。作者提
Finding and Understanding Miscompilation Bugs in the Solidity Compiler
本文针对以太坊最流行的智能合约编译器Solidity，提出了一种语义感知的差分模糊测试工具SolSmith，旨在发现编译器中导致生成错误代码的缺陷（即错误编译bug）。研究背景是智能合约代码的不可篡改性和开源特性使得编译器正确性至关重要，而
Continual Learning With Participation Privacy: An Auditable Buffering-Aggregation Recipe
该论文聚焦于持续学习（Continual Learning）场景中的参与隐私（Participation Privacy）保护问题。在联邦学习和流式学习中，模型通常随着新数据的到来而不断更新，并可能释放中间模型，因此需要在自适应交互下保证整
Evaluating Endpoint Detection Robustness Against Genetic Algorithm Driven Code Transformations
本文针对现代端点检测系统（如AV和EDR）在面对自适应恶意代码变种时的鲁棒性进行评估。作者指出，尽管后渗透测试变种已广泛用于受控安全评估和端点鲁棒性基准测试，但现代检测系统结合了签名和行为检测，使得传统检测管线在自适应变种下的可靠性受到挑战
Certifying Ghosts: How Cybersecurity AI Agents Break the EU Cyber Resilience Act
本文探讨了网络安全人工智能（CAI）代理如何破坏欧盟《网络弹性法案》（CRA）的基础假设，进而挑战现有网络安全认证框架的有效性。CRA的核心逻辑是：不要求产品绝对无漏洞，只要求制造商实施风险管理流程——评估风险、处理缺陷、提供更新。这一逻辑
Is Randomness Necessary for Adaptive Data Analysis?
本论文研究了自适应数据分析（Adaptive Data Analysis, ADA）问题，该问题形式化了在数据集被反复使用时如何防止错误发现和过拟合的挑战。输入是从未知分布P中独立同分布采样的n个样本，目标是回答由自适应选择的k个统计查询（
Cyber Dynamics I: Finite Macrostates for Behavioral Anomaly Detection in Network Telemetry
本文提出了一种基于有限维宏观状态（finite macrostates）的网络遥测行为异常检测框架。传统基于熵的方法通常将熵视为窄可观测量的标量统计量，缺乏对系统整体行为状态的建模。作者在规范化安全遥测基板（CSTS）上实例化该框架，通过粗
An Automated Framework for Generating Stealthy Cell-Embedded Hardware Trojans
该论文提出了一种自动化框架，用于生成隐藏在标准单元实现中的硬件木马（HT）。在零信任模型下，集成电路（IC）设计生命周期中可能存在不可信实体在多个阶段插入硬件木马，这些木马在罕见条件下被触发，可能破坏芯片的功能、可靠性或安全性。传统的硬件木
SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design
该论文提出了一种面向勒索软件检测的安全感知深度强化学习（SA-DRL）框架，核心创新在于将误报（False Positive）和漏报（False Negative）的成本不对称性嵌入到强化学习的奖励信号中。传统机器学习检测器通常使用对称目标
Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning
本文提出了一种可审计的勒索软件检测与遗忘框架，旨在解决现有机器学习检测器不支持选择性样本移除的问题，以满足GDPR和CCPA等隐私法规要求。该框架将深度强化学习与多分片SISA（分片隔离状态聚合）重训练相结合：核心检测器采用双深度Q网络（D