本文提出 NARRATOR，一个面向云环境中可信执行环境（TEE）的状态连续性保护方案。TEE 如 Intel SGX 和 AMD SEV 能够保护运行时代码和数据的机密性与完整性，但缺乏对状态连续性的原生支持：当 TEE 实例崩溃、迁移或休眠后，其内部状态可能丢失或无法安全恢复。现有方案如远程证明和状态加密存在性能开销大或安全假设强的问题。NARRATOR 通过引入轻量级的、基于硬件的单调计数器与持久化加密存储，实现了高效且安全的状态输入输出（state I/O）机制。核心创新包括：(1) 设计了一种无需依赖外部可信第三方即可验证状态新鲜性的协议；(2) 利用 SGX 的密封（sealing）和单调计数器，保证了状态的持久性和单调递增；(3) 在状态恢复时仅需少量通信轮次，避免了全量重新计算。实验评估在 Intel SGX 平台上进行，测试了多种云应用（如键值存储、机器学习推理），结果显示 NARRATOR 在状态保存与恢复操作中引入的延迟在毫秒级，性能开销远低于现有方案（如基于远程证明的恢复）。该工作为构建弹性、可迁移的 TEE 应用提供了实用基础，尤其适用于需要长期运行或跨节点迁移的云原生工作负载。

控制流认证（CFA）允许远程验证者在目标设备上通过监控运行时控制流行为来验证程序执行。然而，控制流弯曲（CFB）攻击通过破坏分支标志、循环计数器等运行时数据，使攻击者能够沿着程序控制流图的合法边执行，此类攻击难以检测。现有解决方案存在显著缺陷：需要枚举大量测量空间、仅覆盖部分攻击子集或依赖底层硬件修改。本文提出KS-CFA，一种新型CFA方案，能够在不产生上述开销的情况下检测四种转移类型（间接调用、条件跳转、间接跳转和返回）的CFB攻击。该方法结合符号执行和基于输入源的控制流相关变量的选择性识别：这些变量是读取自外部输入的控制流相关状态的严格子集。证明设备在可信执行环境（TEE）内记录控制流轨迹以及决定相关运行时变量的外部输入。验证者然后通过单路径符号执行回放报告路径，预测每个转移并定位标识攻击的偏差。我们使用RISC-V Keystone TEE和Embench-IoT在QEMU和基于Rocket的FPGA平台（NiteFury II）上实现并评估了KS-CFA。证明方相对于未认证执行的开销在QEMU上为6.8-20.5倍，在FPGA上为6.7-32.2倍，且验证无需路径或值枚举。

该论文提出了一种名为UIEE（User-space Isolated Execution Environment）的安全高效的用户空间隔离执行环境，专为嵌入式TEE（Trusted Execution Environment）系统设计。当前嵌入式TEE系统（如基于ARM TrustZone的实现）面临两大挑战：一是可信应用（TA）开发复杂，开发者需处理底层硬件细节；二是资源受限，传统虚拟化或容器方案不适合。UIEE通过利用硬件安全扩展（如TrustZone）和轻量级隔离机制，在用户空间提供了一种安全的运行环境，使得非可信应用可以与可信应用高效隔离，同时保持低性能开销。具体地，UIEE采用两级隔离策略：第一级基于硬件安全域（如安全世界与普通世界），第二级在安全世界内通过软件机制（如内存保护、系统调用过滤）实现多个用户空间实例的隔离。实验在嵌入式设备（如树莓派）上实施，评估了多种场景下的性能，包括系统调用开销、上下文切换延迟、内存占用等。结果表明，UIEE相比现有方案（如基于OP-TEE的标准TEE）在启动时间、内存消耗和吞吐量上均有显著改进，同时保持了与原生TEE相当的安全级别。该工作的主要贡献在于设计了一种兼顾安全性和可用性的轻量级隔离架构，降低了可信应用开发门槛，并提升了嵌入式系统的整体安全性。

本研究提出 Bifrost，一种融合可信执行环境（TEE）与全同态加密（FHE）的混合推理架构，旨在解决云端 Transformer 和大语言模型（LLM）推理中的用户隐私保护问题。当前云端推理存在直接机密性风险：用户提示可能包含敏感代码、业务数据、个人信息或受监管文件，但远程服务会将中间状态暴露给云端软件栈和加速器运行时。全同态加密（FHE）能在加速器端保持纯密文执行，但端到端 LLM 推理因线性层与非线性、缓存状态和刷新敏感算子交错而成本高昂。CPU 可信执行环境（TEE）可原生执行这些算子，但单独的 CPU TEE 无法定义不可信加速器如何参与。Bifrost 的核心思路是将秘密仅提供给经过认证的 CPU TEE，而加速器、设备内存、驱动/运行时栈和主机软件均不在可信计算基内。它利用 FHE 作为安全委托机制，在加速器支持的 CKKS 上执行投影和前馈线性层，同时非线性算子、注意力侧控制逻辑、KV 状态转换以及解密-再加密刷新均在 CPU TEE 内部执行。进一步地，Bifrost+ 应用了预填充/解码分离：提示侧 KV 状态在 CPU TEE 内构建，仅解码侧状态进入混合密文路径。在采用 Euston 方法论进行估计风格对比时，Bifrost 在 GPT-2（1.5B）上预测延迟降低 9.25 倍，在 LLaMA 3（8B）上降低 9.91 倍。在直接 CKKS/FHE 部署中，Bifrost+ 在 GPT-2（124M）上将首词延迟（TTFT）降低 14.6-45.8 倍，在 Qwen3（0.6B）上降低 15.3-53.4 倍。本工作的系统教训是选择性加密执行：仅在需要加速器纯密文委托时使用 FHE，而将非线性、刷新和提示侧工作保留在 CPU TEE 内。该研究适合关注隐私保护推理、TEE 与 FHE 混合方案的安全工程师和研究人员。

这篇论文首先对现有基于可信执行环境（TEE）的联盟链所面临的机密性攻击进行了分类，识别出两类主要攻击：执行推理攻击（利用TEE的长时间侧信道泄露交易执行信息）和执行重放攻击（利用TEE状态持续性特性，通过重放已执行交易推断隐私数据）。为了缓解这些攻击，作者提出了ODYSSEY系统，其核心创新包括：1）委托执行模型：客户端将交易执行委托给指定的受托节点，其他参与方仅同步执行结果，从而大幅减少攻击面，同时保持机密性和系统性能；2）两种提升效率和安全性的新技术：位置感知并发执行（利用网络拓扑优化并行度）和委托失败处理器（处理受托节点故障或恶意行为）。作者在联盟链平台FISCO BCOS上实现了ODYSSEY原型，并在广域网环境下（3节点）进行了实验评估，结果表明系统吞吐量可达约4000 TPS，延迟保持在0.4-0.5秒。该工作为在TEE场景下实现高性能机密区块链提供了新的方向。

可信执行环境（TEE）通过硬件隔离保护敏感数据和计算免受受损操作系统的攻击。然而，TEE应用不可避免地需要通过SDK接口与不可信的操作系统交互，不当的代码分区可能导致严重漏洞，如数据泄露和代码注入。先前工作提出了静态分析工具检测此类问题，但自动修复仍未被探索。本文提出了TEERepair框架，自动修复TEE应用中的不良分区问题。该框架引入领域特定语言（DSL）编码修复规则，表达常见TEE安全模式，并实例化为带有上下文特定变量占位符的补丁模板。然后利用大语言模型（LLM）推理代码语义并合成上下文感知的补丁，同时生成测试客户端验证修复。在TEE分区错误基准（PartitioningE-Bench）上评估，TEERepair的修复成功率达87.6%，显著高于基线。此外，应用于真实TEE项目，提交了5个修复PR，其中2个已被确认合并。这项工作为TEE安全开发提供了自动化的分区修复能力，有助于减少人工审计负担。