Borrowed Strength: Best-of-N Search over a Code EncodingBreaks Self-Check Jailbreak Defenses
本文针对大语言模型的自检查防御机制提出了一种组合攻击方法。自检查防御要求目标模型在回答前先评估请求是否具有攻击性，其中SAGE被报告具有平均99%的防御成功率。作者发现，将两种已知攻击——代码补全编码和最佳N搜索——组合起来，可以突破SAG
2026-08-02 归档
今日共收录 946 条安全情报，包含 146 个 CVE，466 篇安全通告，以及 75 篇研究论文。
← 返回归档列表Technology-Enhanced Tabletop Exercises for Cybersecurity Education: Lessons Learned
本文是一篇关于网络安全教育中引入技术增强型桌面演练（TTX）的创新实践论文。研究背景是：网络安全事件响应和IT治理要求团队具备复杂的协作解决问题能力，而传统课堂难以提供真实场景训练。尽管TTX在专业实践中已广泛使用，但在大学教学中尚未普及。
Send and Pretend: Exploiting Transcript Consistency Issues in End-to-End Encrypted Group Chats
端到端加密 (E2EE) 消息应用常被视为安全通信的黄金标准，被广泛用于敏感场景下的群组协调，例如政治决策或企业机密讨论。随着 Threema、WhatsApp、Signal 和 iMessage 等主流应用相继引入群组投票功能，用户自然期
Granite: A Modular Methodology for Foundational Verification of Hardware-Software Leakage Contracts
本文提出 Granite，一种用于对 RTL 级处理器设计进行模块化形式验证的方法论，旨在同时验证功能正确性和非泄漏性（nonleakage）。基于 ISA 泄漏契约，Granite 证明了带有推测执行、精确中断和 I/O 的流水线 RIS
Implementing Homomorphic Encryption-Based Logic Locking in System-on-Chip Designs
本文提出一种基于二进制环学习错误（Ring Learning With Errors, RLWE）算法的逻辑锁定方案，并将其实现在RISC-V系统级芯片（SoC）设计中。与传统的逻辑锁定方法需要向用户提供原始锁定参数不同，本方案通过同态加密
Encryption-Compatible Clustered Federated Learning via Distributed Expectation-Maximization over Metadata
本文研究联邦学习中的聚类联邦学习（CFL）问题。在联邦学习场景下，不同客户端的数据分布往往存在高度异质性，直接训练单一全局模型会导致性能下降。聚类联邦学习通过将数据分布相似的客户端分组，为每个组训练定制化模型，从而有效应对数据异构。然而，现
Demystifying DRAM Read Disturbance: Bridging the Gap Between Experimental Characterization and Device-Level Modeling of RowHammer and RowPress Phenomena
该论文聚焦于 DRAM 读取干扰（Read Disturbance）现象，特别是 RowHammer 和 RowPress 两类问题。读取干扰是指对 DRAM 中某一行（aggressor row）的反复或长时间访问，会导致相邻未访问行（v
Security of World-Model-Based Embodied AI: A Lifecycle of Threats, Defenses, and Evaluation
该论文是一篇关于具身智能（Embodied AI）中世界模型（World Model）安全的系统性综述。世界模型为具身智能提供预测核心：将观测压缩为状态、模拟基于动作的未来、并支持超越反应式控制的规划。然而，这种预测层引入了新的安全边界——
Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
该论文针对临床脑电图（EEG）数据在联邦学习场景中的隐私泄露问题，提出了一种基于掩码安全聚合（masking-based secure aggregation）的隐私保护联邦学习框架。传统联邦学习虽然允许医疗机构在不共享原始EEG数据的情况
Checking Information Flow in Cloud-based IoT Access Control Policies (Extended Version)
本论文针对云平台 IoT 访问控制策略中的信息流安全问题展开研究。在物联网环境中，设备可能具有不同的信任级别或被划分到不同子系统，仅孤立地验证单项权限是否允许不足以发现跨设备间的非预期信息流动。作者以 AWS IoT Core 为具体对象，
Benign on Label, Malicious by Design: Clean-Label Dormant-to-Activated Backdoor via Machine Unlearning with Removable Camouflage
本文提出了一种新颖的干净标签后门攻击框架，其核心特点是后门在训练后保持休眠状态，仅在用户请求删除（机器遗忘）特定训练样本后才被激活，从而有效规避训练后、部署前的行为审查。现有后门攻击通常在植入后立即生效，容易被安全检查发现；而针对休眠后门的
Strategy Phasing of Cyber Attacks on Digital Substations
该论文针对IEC 61850标准下数字变电站面临的网络攻击策略阶段识别问题展开研究。现代数字变电站虽提升了电力系统运行效率，但其通信协议存在被攻击者利用的安全隐患，攻击者可通过操纵断路器操作引发严重后果。此类网络攻击通常遵循多阶段策略，而现
AnchorMark: Robust Diffusion Watermarking via Latent-Space Rotation Synchrony
本文提出了一种名为 AnchorMark 的鲁棒扩散模型水印方法，针对基于反转（inversion-based）的水印嵌入框架在复合有损后处理（尤其是旋转攻击）下鲁棒性不足的问题。现有基于反转的水印方法将水印有效载荷直接嵌入生成过程，避免了
Low-Latency Bootstrapping for CKKS using Roots of Unity
本文提出了一种名为 Sparse Roots of Unity (SPRU) 的新型引导（bootstrapping）算法，用于 CKKS 全同态加密方案。CKKS 是一种支持近似算术的同态加密方案，广泛应用于隐私计算和密文机器学习。在 C
From Backlog Items to Security Guidance: Towards Continuous Security Compliance
本文针对受监管领域的持续软件工程中安全需求难以显式化的问题。在敏捷开发中，产品待办项（backlog items）通常以简短自由文本描述，工程师难以从中推断安全相关性，也缺乏及时的安全需求指引。为此，作者提出一种基于NLP的待办项富集系统，
Function Privatization in the Local Model
本研究关注在本地模型（Local Model）下私有化释放函数（特别是曲线）的问题。曲线是连续函数在有限区间上的像，真实世界中许多数据天然以曲线形式存在，例如轨迹数据、一维密度曲线等。在本地模型中，每个个体的数据是一个函数，而隐私保护的目标
What Does It Take to Detect an AI Agent? Minimal Feature Sets for Behavioral Detection under Browser Automation
该论文针对大规模部署的机器人检测器将流量视为二元分类（人类或机器人）的假设提出了质疑。随着AI代理通过浏览器自动化工具（如Playwright）浏览网页，这类流量既不属于人类也不属于传统机器人，二元分类器在结构上无法表达这种第三类流量。论文
Verifiable Random Sampling
该论文提出并形式化了“可验证随机采样”（Verifiable Random Sampling, VRS）这一新概念，旨在解决传统可验证随机函数（VRF）在公共密钥发布后其输出变为确定性函数所带来的安全问题。VRF虽然广泛用于需要公开可验证伪
FARI: Robust One-Step Inversion for Watermarking in Diffusion Models
本文提出了一种名为 FARI（Fast Asymmetric Robust Inversion）的一步反演框架，用于扩散模型图像水印的鲁棒提取。传统基于反演的水印方法在验证扩散生成图像时，反演过程既慢又容易出错。现有方法过度优化内部截断误差
Graph Is the Verifier: Agentic Reinforcement Learning for Interprocedural Vulnerability Detection
本文提出 VulAgentRL，一个面向跨函数（过程间）漏洞检测的智能体强化学习框架。现实中的漏洞往往涉及多个函数，但现有基于学习的检测器大多孤立地分析每个函数。作者在真实 CVE 样本上统计发现，71.7% 的脆弱函数需要依赖函数外部的证