瞬态执行攻击（如 Meltdown 和 Spectre）自发现以来持续对 CPU 安全构成严重威胁。尽管业界认知和研究不断增加，但大多数攻击仍依赖人工发现，现有自动化方案要么只关注已知攻击的变体，要么强依赖 CPU RTL 代码、预定义的泄漏模型或 ISA 模拟器等严格假设，导致在后硅（post-silicon）环境下难以实现通用且有效的检测。针对这一空白，论文提出 TREVEX，一个面向数据流瞬态执行漏洞的自动化黑盒检测框架。TREVEX 不需要 RTL 访问权限，也不依赖 ISA 语义，而是基于对以往瞬态执行攻击规律的深入分析，通过注入探测并观测跨执行上下文之间是否存在非预期的数据流动来判定漏洞。研究团队在来自 Intel、AMD 和兆芯的 20 种微架构上进行了系统评估。利用 TREVEX，他们发现了一种新的瞬态执行攻击：浮点除法器状态采样（FP-DSS），该攻击影响 AMD CPU。研究表明，FP-DSS 允许无特权的本地攻击者，甚至一个恶意网站，突破不同安全域（包括操作系统内核）之间的隔离，泄漏敏感数据。此外，TREVEX 还发现了 AMD CPU 上 FPVI 攻击的一个新变体，并确认兆芯 CPU 也受 FPVI 影响。实验证明，TREVEX 能够在受影响机器上可靠地复现已知漏洞，同时补充了现有厂商文档中缺失的信息。这项工作凸显了开发更多元化自动化工具的必要性，TREVEX 填补了当前 CPU 漏洞研究中检测工具匮乏的关键缺口。对于 CPU 安全研究者、处理器设计验证团队以及关注侧信道攻击防护的安全工程师而言，本文提供了后硅黑盒检测的全新思路和可行工具。

本文针对TinyML模型在边缘设备部署中面临的对抗样本（AE）攻击威胁，提出一种名为AdvScan的黑盒运行时检测方法。TinyML模型广泛应用于安全关键型应用，但现有AE检测方案要么需要白盒模型访问（在许可部署中不可行），要么依赖输入预处理阶段，增加不可忽视的延迟和资源开销。AdvScan基于一个关键观察：对抗样本会导致异常的神经元激活，从而产生独特的功耗特征签名。该方法首先通过已知良性输入构建功耗签名的基线分布；在运行时，采用单样本t检验判断待测输入的功耗签名是否显著偏离基线，从而检测对抗样本。作者在三个MLPerf Tiny基准模型上使用FGSM、PGD和C&W三种对抗生成算法，并在STM32F303RC和STM32L562RE两款微控制器上进行评估。在总计318,400个测试输入中，AdvScan检测出99.984%的对抗样本，仅出现40个假阴性和零假阳性。实验表明，基于功耗分析的AE检测方法在保证准确性的同时，适用于黑盒场景下的TinyML部署，且不引入额外推理延迟。