GAUGE: A Formal Framework for Measuring Cryptographic Security under Heterogeneous Adversary Cost Models
标准机构通常以单一比特数（如「AES-128 提供 128 位安全」）来报告密码方案的安全强度，但该数值实际上依赖所采用的对手成本模型——即如何为时间、内存和量子资源定价。换用不同约定（例如内存成本权重不同），同一批方案的强度排序就可能发生
2026-09-18 归档
今日共收录 2436 条安全情报，包含 1258 个 CVE，779 篇安全通告，以及 100 篇研究论文。
← 返回归档列表What Breaks Local Watermarks? A Robustness Benchmark for Local Invisible Image Watermarking
该论文针对「局部（local）不可见图像水印」缺乏统一评测标准的问题，构建了首个系统性鲁棒性基准。传统全图水印将信号铺满整幅图像，而局部水印只把不可见信号嵌入到选定图像区域（如某个物体或局部区域），从而支持在特定对象/区域上恢复载荷（pay
Weather Data Spoofing Attacks on Rain-Adaptive Millimeter-Wave Frequency Selection in V2X Communication Networks
该论文研究车联网（V2X）中一个此前较少被关注的安全面：天气感知的毫米波频段选择机制。背景是，联网车辆为满足协同驾驶所需的高数据率，普遍采用毫米波（mmWave）侧链路，而新兴设计会根据本地感知到的降雨强度动态选择载波频段——降雨越强越倾向
Competition, Collusion, and Corruption: The Spectrum of MEV Attacks on DAG-Based BFT Consensus Protocols
本文聚焦拜占庭容错（BFT）共识协议中一个长期被安全与共识研究相对分离对待的问题：交易排序的可操纵性。BFT 协议只保证安全性（safety）与活性（liveness），即在部分节点恶意失效的情况下系统仍不出错、不停滞，但它并不约束提议者对
Normal Alignment: Improved Cryptanalytic Sign Recovery on Hard-Label Networks
本文关注硬标签（hard-label，论文中称为 S1 场景）深度神经网络的密码学式参数提取问题，即在只允许查询模型、只能拿到最终预测类别（无置信度、无梯度、无 logits）的最严苛前提下，能否在多项式时间内恢复网络内部的神经元符号（si
A Global Readiness and Sovereignty Capability Model for Post-Quantum Cryptography Migration
本文针对后量子密码（PQC）迁移这一议题，提出了「准备度—主权能力模型」（Readiness-Sovereignty Capability Model, RSCM），试图把国家安全视角下的密码学准备度与「密码主权」两个此前分离的概念统一到一
QuanText: Protecting Dataset-Level Secrets in Textual Data Sharing
自然语言数据集广泛用于下游应用与研究，但文本公开可能泄露数据源的全局统计属性（dataset-level secrets），例如某个性别、诊断或政治立场记录所占的比例——这类泄露不涉及单条记录，却暴露了整个群体的构成。现有研究多聚焦于属性推
You Shall Not Pass into Ring-0! A User Privacy-Friendly Anti-Cheat Architecture for Personal Computers
该论文关注竞技游戏中的内核级反作弊机制（运行在 x86 ring-0 的特权组件）带来的用户隐私与信任问题。此类反作弊虽然能有效识别恶意玩家行为，但要求玩家在自己机器上安装无法验证的、具备最高权限的软件组件。现有研究多聚焦于提升反作弊有效性
When AI Agents Meet MEV: Cross-Chain Arbitrage in the Agentic Economy
该论文研究的是当搜索者（searcher）由自主 AI 代理而非人类或传统机器人担当时，跨链套利市场的结构性变化。作者将 AI 代理同时建模为两类角色：一是套利价值的提取者，二是最大可提取价值（MEV）的受害者/目标，从而把过去分离的“套利
Worst-Case Hidden-Vehicle Trajectory Search in Spatiotemporal Occlusion Regions
该论文研究自动驾驶中由遮挡引发的根本性不确定性。作者指出，现有方法通常沿时间维逐帧传播隐藏智能体的假设，或在给定隐藏智能体预测的前提下优化自车行为，都没有去探索“与历史观测一致的最坏交互”——即那些既符合多帧可见性证据、又会对自车造成最大损
A Scalable Trust Discovery Architecture for the Internet of Agents
背景：智能体互联网(Internet of Agents)预期让大量自主智能体跨异构平台互相发现、验证身份并协作。但现有智能体协议主要解决工具调用与智能体间通信，对可扩展的智能体注册、可信身份识别和面向能力的发现这三块基本没有答案，导致规模
Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
该论文提出名为 Delphi Scanner 的 Windows PE 文件静态恶意软件检测系统，核心目标是同时兼顾三方面诉求：检测有效性、计算效率与可解释性。作者指出，传统静态检测方案往往在模型体积、推理开销与结果可解释性之间难以平衡，尤
Differential Trust: Dynamic Multi-Authority Anonymous Credentials with Epoch-Weighted Updates
匿名凭证(Anonymous Credentials, AC)是隐私保护认证的基础技术,允许用户在不泄露真实身份的前提下证明自己持有某些属性。当前最先进的一批方案把凭证签发能力分散到多个权威机构(多权威 AC, MA-AC),通常借助 Sh
SCHERI: Provably Secure Speculation Under the Constant-Time Policy for CHERI (Extended Version)
该论文关注基于 capability 的处理器架构（以 CHERI 为代表）在微架构层面上的机密性保障问题。CHERI 通过 capability 机制实现了较强的架构级软件组件隔离，但如果要把隔离延伸到微架构层面、抵御诸如 Spectre
Echo: Learning-based Matching Decompilation using Trusted Back Translation
神经反编译器能从二进制中恢复可读、可重新编译的源代码, 但其输出是否正确难以验证, 这限制了它在逆向工程与恶意代码分析中的可信使用。匹配反编译(matching decompilation)试图解决这一信任问题: 它不满足于"看起来像"的伪
A GAN-Based Framework for Robust DDoS Attack Detection
该论文关注的背景是：分布式拒绝服务（DDoS）攻击持续演进，攻击者采用更复杂的策略以规避传统网络安全设备；虽然机器学习模型在 DDoS 流量检测上表现良好，但针对性对抗攻击可以显著降低其分类准确率，使检测能力在关键时刻失效。为此，作者提出一
Witness Encryption via Prime-Order Generic Groups
本文研究见证加密（witness encryption, WE）的无条件构造问题。见证加密是一种极具理论意义的原语：对某个 NP 语句加密后，任何持有合法见证的人都能解密，而不知道见证的人即便知道该语句为假（或不知道其真假）也无法区分密文语
Hopper: Bounded-Memory Collaborative Debiasing for Byzantine-Tolerant Peer Sampling
拜占庭容错的 peer sampling 依赖持续刷新的视图，但攻击者可以污染用于构建视图的标识符流。频率感知去偏通过降低过度表示标识符的权重来缓解该问题，但现有设计依赖每个标识符的累积计数。本文指出，即使使用精确、无界的计数器，在“延迟均
s-MDM: Generative Virtualization of Multi-Device Hardware Variations for Portable DL-SCA
该论文（以海报形式呈现）聚焦深度学习侧信道分析（DL-SCA）在多设备迁移场景下的性能崩溃问题。研究背景在于：训练好的深度侧信道模型在遇到未见过的新硬件时，往往因印刷电路板（PCB）布线差异、硅工艺漂移以及测量噪声分布变化而导致密钥恢复能力
A Security Risk Assessment Framework for AI-Powered Development Tools
随着 AI 驱动的开发工具（代码补全、代码生成助手等）在软件开发流程中大规模普及，开发者越来越依赖它们生成代码、完成常规编程任务。既有研究已经证实 AI 生成代码中存在安全漏洞，但相关安全工作大多聚焦于「漏洞检测」——即判定某段代码是否含缺