Enhancing Privacy in Federated Learning via Dual Obfuscation of Gradients and Training Images
联邦学习允许多个客户端在不共享原始数据的情况下协同训练模型，但近年研究发现，恶意服务器或攻击者可以从客户端上传的模型梯度中重建训练图像，造成严重隐私泄露。针对这一威胁，本文提出一种双重混淆方法，通过对更新信息和训练图像同时进行混淆来增强对图
2026-08-22 归档
今日共收录 1353 条安全情报，包含 493 个 CVE，458 篇安全通告，以及 108 篇研究论文。
← 返回归档列表A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones
该论文提出了一种基于联邦学习（Federated Learning, FL）的隐私保护口腔癌筛查框架，旨在解决医疗领域数据获取困难与隐私合规约束下的AI模型训练问题。研究背景在于，高质量的AI模型依赖大量数据，但临床口腔影像数据因患者隐私和
Redactable blockchains and polynomial equations
本文提出了一种面向可编辑区块链（redactable blockchain）的新型认证数据结构构造工具，其安全基础建立在后量子（post-quantum）困难问题之上。传统区块链通常要求数据不可篡改，但在某些合规场景（如被遗忘权、错误信息更
Beyond the Transcript: Detecting Covert Co ordination in Latent Multi-Agent Communication
本文研究语言模型智能体之间通过连续隐藏状态（即潜在空间）进行的隐蔽协调问题。在公开的多智能体交互记录中，这种通信不可见，可能被用于有害的协同行为，如拍卖中操纵出价。作者提出可验证潜在对齐（VLA）框架，一种面向激活值的监测与引导系统，用于监
FedGuard-DC: Privacy-Preserving Federated Load Forecasting and Cyber-Attack Detection for Data-Center Loads in Transmission Systems
随着大型数据中心（DC）负荷的快速增长，电力系统的可见性、隐私保护和网络物理安全面临新的挑战。系统运营商需要这些快速变化负荷的短期精确信息，而数据中心运营商可能不愿意共享原始兆瓦级测量数据，因为这些数据会暴露敏感的工作负载和利用模式。本文提
ABEAT: Efficient and Anonymous Encryption for ABE-based Dynamic Group Communication
本文针对动态群组通信中对消息接收者匿名性的需求，提出一种基于属性基加密（ABE）的高效匿名动态群组通信系统 ABEAT。研究背景是，在涉及多对多安全通信的场景（如应急响应）中，既需要灵活的群组动态管理，又需要保护接收者身份不被泄露。传统 A
Toward Quantum Advantage in Learning Parities with Structured Noise via Lower Bound Optimization of the Condition Number
该论文研究《带结构噪声的奇偶校验学习》(Learning Parities with Structured Noise, LPSN) 问题在量子计算中的求解优化。LPSN 可归约为求解非线性布尔系统，传统量子方法通常将其转化为 Macaul
Who Can Make the Action Happen? An Authority-Decomposition Framework for High-Risk Automated Systems
本文提出一种面向高风险自动化系统的权限分解框架，旨在回答一个基础因果问题：在控制权分散于服务、凭据、受保护组件和生命周期机制的环境中，究竟哪些行动者组合能够实际促成一项受保护的关键操作发生？传统上使用的'已授权'、'已批准'、'特权'、'受
Decisive Margins in Differentially Private Voting
本文研究差分隐私投票机制中，为保护个人选票记录而注入随机噪声后，在选举结果接近时可能导致错误结果的问题。作者定义了“胜利余量”作为隐私机制精度的衡量标准，即隐私机制能以高概率返回与非隐私规则相同获胜者所需的最小胜票差距。研究对象包括常见的投
Geometric Data Perturbation with Noisy-Anchor Alignment for Privacy-Preserving Collaborative Learning
该论文研究隐私保护协作学习中的几何数据扰动（GDP）方法，重点关注分析者与参与者串谋场景下的数据泄露风险与隐私-效用权衡。GDP允许每个参与者对其私有数据施加保距变换（如旋转、反射等），仅上传变换后的表示给中央分析者，从而实现一次性协作学习
Denoising-Aware Inversion: Revealing Privacy Risks in Noise-Protected Text Embeddings
密集文本嵌入因其紧凑且语义丰富的表示，被广泛用于数据挖掘、检索和下游机器学习系统。然而，近期的嵌入反转攻击表明，攻击者可以从嵌入中重构出原始文本的实质性信息，造成严重的隐私泄露风险。一种常见的防御手段是对发布的嵌入添加高斯噪声进行扰动，这种
VQC-ZTI: Variational Quantum Control for Zero Trust Protection of the Tactile Internet
该论文提出了一种名为 VQC-ZTI 的零信任保护框架，专门面向触觉互联网（Tactile Internet）服务。触觉互联网将网络事件直接耦合到物理执行，因此安全决策必须在提升风险判别能力的同时不干扰控制路径。VQC-ZTI 采用分离平面
Beyond Distortion Robustness: Rethinking Severe Cropping as Erasure-Resilient Message Embedding
本文针对图像鲁棒消息嵌入（robust message embedding）任务中一个被长期忽视的挑战——严重裁剪（severe cropping）——进行了重新审视。传统鲁棒嵌入研究遵循“失真鲁棒”范式，假设嵌入信号在空间上仍然存在，只是
AoNT Trap: Borromean-Entangled Mutable Chameleon Trapdoor Hash All-or-Nothing Stream Cipher
本文提出了一种名为 BEC-Trap 的新型密码构造，全称 Borromean-Entangled Chameleon Trapdoor Hash All-or-Nothing Stream Cipher。该构造将 Borromean 环相
0xPass: A Secure Protocol for Universal Cross-Chain Accounts
本文提出 0xPass，一个面向通用跨链账户的模块化协议架构，旨在解决用户在不同区块链生态系统中通过单一接口管理资产时所面临的安全与信任问题。传统跨链账户方案在认证、授权、交易签名、密钥托管、恢复机制和去中心化程度上存在显著挑战。0xPas
Task-Conditioned Least-Privilege Learning for Executable Terminal and MCP Agents
本文研究面向可执行终端与模型上下文协议（MCP）环境中工具使用型大语言模型（LLM）代理的最小权限学习问题。LLM 代理在执行任务时，可能行使超出用户授予或任务所需的权限，导致“过度授权”错误。传统的权限门控系统在验证代理环境时存在不足，因
XNET: Intelligent Dynamic Sampling for High-Speed Network Security Monitoring
随着现代企业网络普遍迈入100GbE线速时代，网络监控与安全应用面临严峻的可扩展性挑战。传统做法往往依赖昂贵硬件、过度采样或复杂分布式部署，而随机丢包导致的随机性数据采样常使流量质量下降，尤其会漏掉隐藏在低速率流量中的关键安全事件（如APT
Model Card for OpenAI Privacy Filter
本文介绍了 OpenAI 发布的 Privacy Filter 模型卡。该模型是一个紧凑的双向 token 分类模型，用于在非结构化文本中检测和脱敏个人身份信息（PII）与密钥。它基于自回归预训练检查点，通过转换为双向带状注意力分类器，能够
Multivalued Consensus: General Adversaries Require More Communication
本文研究多参与方容错共识问题，特别关注一般性（非阈值）对手模型下的通信复杂度下界。作者基于有限射影几何构造了一个无限族 Z_proj^{n,d} 的对手结构，该结构满足 Q^d 条件（即任意 d 个对手集合的并集不覆盖全部参与者）。对于这类
Diff-DDoS: Realistic Cyber-Physical Attack Synthesis and Robust Detection for 5G-Enabled CPS Using Tabular Diffusion Models
本文针对5G赋能的网络物理系统（CPS）中基于深度学习的DDoS检测器所面临的两大挑战：标注攻击数据稀缺，以及现有合成攻击样本不真实。传统检测器在手工构造、使用固定缩放因子的攻击样本上训练，一旦遭遇符合真实分布的攻击流量，性能会急剧下降（F