该论文研究多租户（multi-tenant）量子云计算场景下的跨租户隐私泄漏问题。商业量子云厂商通常把同一台量子处理器上互不相交的比特扇区分别租给不同用户，并在设备数据表中报告平均门错误率（average gate error）作为质量指标。作者指出，这一被广泛采信的指标并不能决定一个租户能从相邻租户那里推断出多少信息。为此，论文提出了一种基于量子态可区分性（quantum state distinguishability）的信息论泄漏度量，用来量化跨越共租（co-tenancy）边界的信息泄漏量。作者在商用设备上进行了测量：IBM Kingston（156 比特）与 IQM Garnet（20 比特）。实验的核心发现是：即使两个租户边界在基准测试中报出完全相同的错误率，其实际信息泄漏量也可能存在显著差异。原因在于标准错误率指标对错误的“相干性（coherent）与随机性（stochastic）”本质是盲的——相干误差会系统性地保留可被邻租户利用的相关性，而平均错误率把两类误差混为一谈；论文提出的泄漏度量则能够区分二者。作为防御手段，作者采用在受害方整个寄存器上施加均匀 Pauli 随机化（uniform Pauli randomisation）的方法，理论上可将信息泄漏降至零且不带来保真度损失，但实验表明由于误差累积，实际会造成不可忽略的保真度下降，说明该防御在真实硬件上存在代价。论文最后向量子云计算提供商发出明确倡议：应在设备数据表中除标准错误率之外，额外报告信息泄漏指标，使租户在租用设备前就能评估隐私与安全风险。该工作把量子硬件的物理噪声特性与多租户云安全模型直接联系起来，适合量子计算、云安全与隐私工程方向的研究者与工程师阅读。

这篇论文研究的是把通用编码智能体（coding agent）直接接入云环境做安全调查时的能力边界问题。作者指出，云安全调查绝大多数属于"群体性任务"，例如：哪些身份可以读取某个数据存储、有多少资源未通过某项控制、哪些资产可从另一个账号访问。这类问题的答案必须基于完整清单来求解，而不能只针对某个具名对象作答——因此部分答案并不等于部分结果，而是完全不同的（错误的）结果。随着通用编码智能体可以被授予只读云凭证并直接执行调查，新的问题随之出现：一个专门构建的安全上下文层是否还有必要、还能带来什么增量价值。 为回答该问题，作者对 Sola Security Brain 进行了系统评测。该系统的设计特点是：其关系型底座（relational substrate）在离线阶段完成解析与构建，安全逻辑则在该底座上于查询时进行求值，而不是让模型在运行时逐次调用云 API 现算。对照组是 Claude Code，通过只读 CLI 操作同一套真实 AWS 环境。评测覆盖 28 个云安全调查任务。评分方式为盲评、按层级加权、带接地（grounding）门控的相对召回率，在联合声明池上进行计算，并取三次独立评分的平均值以降低噪声。 主要结果：Sola Security Brain 覆盖率达到 0.693，对照组为 0.387，绝对差距 0.306（三次评分波动 ±0.018），相对提升 79.2%；在 28 个任务中的 25 个上领先；每个任务的推理成本低 17.7 倍，单位覆盖率成本低 31.6 倍。 除量化指标外，论文还刻画了一种答案层面的失效模式，命名为 "sample-and-generalise"（抽样即泛化）：在轮次预算限制下，实时智能体会只枚举大规模群体中的一小部分，然后断言一个不加限定的全局否定结论，并且仅在答案元数据而非答案正文中披露样本量。论文给出的例子是：某任务中智能体只检查了 4 个 bucket 家族、在约 5000 个 bucket 中仅抽样了 40 个，就宣称"不存在 bucket policy"，而该账号实际上有 65 个 bucket 带有通配符主体的读取授权。

该论文聚焦一个长期被忽视的防护缺口：部署前的密钥扫描只作用于源代码仓库，而从不检查生产应用实际向浏览器下发的资源。作者在一次获得授权的评估中审计了某组织约 2,000 个企业级 Web 资产，发现其中 113 个（5.65%）在生产 JavaScript 打包文件中直接下发仍然有效的凭证，包括 Azure AD 客户端凭证与 API 管理（APIM）订阅密钥；这些凭证被证实可用于账户接管和大规模数据暴露，形成了完整的两条利用链。为量化“左移扫描”与真实运行态之间的差距，作者构建了独立的 Ground Truth 集合 GT-194，包含 194 条真实可用的密钥级凭证，构建流程为 Claude Opus 4.7 自动抽取加人工分析师复核，并由 GPT-5.5 对 247 条 LLM 抽取候选做独立校验（Brennan-Prediger kappa = 0.676）。核心发现具有结构性：GT-194 中有 13.9%（27/194）只能通过人工分析发现，所评估的九款生产级扫描器无一能够检出，属于与工具无关的系统性盲区；此外，采用 CryptoJS 加密的配置项可击败所有静态扫描器，因为凭证只有在与密钥同址存放并被运行时解密后才存在，只有具备运行时感知能力的检测才能触达。九款扫描器合计覆盖率仅停留在 86.1%，其中最佳静态扫描器召回 36.6%，最佳运行时感知扫描器为 77.8%（F1 = 0.818，McNemar p < 0.001）。研究还指出，在 86 个暴露密钥的应用中有 63 个（73.3%）其完整的 Azure AD 令牌签发链条与凭证同处一个打包文件，可从浏览器侧代码直接触达。作者归纳了凭证绕过检测进入生产环境的五条路径，并提出分层运行时检测方法论与修复框架。局限性在于召回率结论仅适用于单一组织的 Azure 重度依赖语料。

这是一篇面向云计算隔离边界的系统性综述。作者指出，云计算的核心特征是多租户共享同一物理硬件，用户之间的强隔离完全依赖虚拟机监控器（Hypervisor）与容器运行时这两层边界；一旦边界被突破，租户数据、凭证与相邻工作负载都会暴露。论文梳理并分析了 2008 至 2025 年间 120 余篇安全研究文献，围绕三个核心研究问题展开：云隔离层存在哪些攻击面、现有防御手段有效性如何、以及安全与性能之间的取舍。在威胁侧，论文覆盖了虚拟机逃逸（VM Escape）、虚拟机跳转/迁移劫持（VM Hopping）、CPU 缓存侧信道（如利用共享末级缓存推断相邻租户数据）、容器逃逸（Container Breakout）、带已知漏洞的容器镜像供应链问题，以及针对云基础设施的分布式拒绝服务（DDoS）攻击。在防御侧，论文提出一个名为 ADPO 的定量评分框架，从四个维度对防御方案打分：Accuracy（检测/防护准确度）、Deployment ease（部署便捷性）、Performance impact（性能影响）、Operational overhead（运维开销），每维取值 0 至 3 分，使不同技术路线的防御可以被横向比较。同时论文将各类攻击的影响按机密性、完整性、可用性（CIA）三要素映射到 1 至 5 的严重度刻度，形成可对比的风险画像。作者强调，几乎所有强隔离防御都会带来可观性能损耗或运维复杂度，二者难以兼得。最后论文列出若干开放挑战，包括构建真正低开销的入侵检测机制、以及缺乏贴近真实云环境的测试数据集与评测基准，呼吁社区在可复现实验与轻量化监控方向上继续推进。

该论文系统性研究了可信执行环境（TEE）构建过程的可复现性（reproducibility）问题，选题紧扣云上机密计算信任链的根基。研究背景是：TEE（如 Intel SGX、Intel TDX、AMD SEV）已成为现代云计算的关键基础设施，为代码与数据提供强机密性与完整性保障；而支撑这一信任模型的核心机制是远程证明（remote attestation）——外部验证方通过密码学度量值（measurement）来确认 TEE 内运行的代码是否可信。然而，远程证明的有效性有一个常被忽视的前提：验证方必须能够把收到的度量值一路追溯到原始源代码，而这一属性只能通过可复现构建来保证；若构建不可复现，度量值就无法与公开源码建立可信对应关系，远程证明在实践中的意义将被大幅削弱。 核心方法上，作者对 115 个真实世界 TEE 部署进行了技术分析，覆盖 Intel SGX、Intel TDX、AMD SEV 等主流方案，逐项核查是否同时提供了源代码与参考构建（reference build）这两个可复现性的必要条件，并尝试验证构建结果是否与度量值一致。为探究不可复现的根本原因，作者联系了 50 个 SGX 项目的维护者，并成功招募 12 位来自工业界与学术界的开发者进行访谈。 主要发现具有较强冲击力：91% 的被调查部署不可复现，其中 80% 连源代码和参考构建这两项基本前提都未能同时提供。访谈结果与量化结论相互印证——12 位受访者中仅 1 人表示可复现性在开发过程中属于优先事项。作者进一步区分了两类障碍：一类是技术上可较快解决的因素（例如构建产物中混入时间戳等非确定性内容），另一类是更棘手的生态级挑战，例如涉及多方利益相关者的项目中，单个开发者无法控制构建环境。基于此，作者主张 TEE 的可复现性需要超越个体开发者的整体性开发流程与更强的组织/生态承诺，而不应把 TEE 当作一个可以贴上就完事的“安全徽章”。 该工作适合云安全、机密计算、供应链安全、可信证明与软件工程（构建可复现性）方向的研究者与工程实践者阅读。

该论文针对云存储桶（如 AWS S3、Google Cloud Storage、Azure Blob Storage）中因配置错误导致敏感文件泄露的问题进行了实证研究。研究背景是云服务日益普及，许多开发中的配置文件包含 API 密钥、凭据等机密信息，一旦云桶被错误配置为公开可访问，这些机密便可能暴露，进而导致未授权访问和安全事件。作者系统性地扫描了大量公开可访问的云桶，重点分析开发中常用的多种文件格式，并聚焦于具有不同类型影响、且可进行非侵入式验证的机密信息。研究发现 215 个敏感凭据泄露实例，涉及数据库、云基础设施和第三方 API 等服务的未授权访问。在发现泄露后，作者遵循负责任披露流程，向相关组织和云服务提供商报告，并测量了披露结果。最终，共有 95 个问题得到修复，其中 20 个组织直接回应并迅速处理，其余修复则在未向披露者直接反馈的情况下完成。研究揭示了云存储中机密泄露的全球普遍性，以及组织在缓解此类风险时的响应差异。该工作为云安全、配置审计和漏洞披露流程提供了实证数据，适合安全研究员、云服务商及企业安全团队参考。

本文由 Muhammad Shaheer Bin Junaid 提出，针对中小企业（SME）在云存储场景中面临的后量子密码迁移困境。核心威胁是“先收割后解密”（harvest-now-decrypt-later）：攻击者现在即可收集云存储中的密文，待未来量子计算机成熟后再破解，导致长期机密数据（如商业秘密、医疗记录）面临不可逆的泄露风险。中小企业既无法自建基础设施，也缺少密码学专家，现有方案如定制化迁移成本过高，而托管密钥服务只是将信任转移给第三方，并未消除信任。为此，论文提出了 Quantum Cloud Guard（QCG），一个纯软件的三层架构，首次同时结合了三个要素：客户端混合后量子加密、自托管密钥保管（使用客户端可验证的 ML-DSA-87 签名）、以及应用层滥用防护网关。具体而言，文件在客户端使用 AES-256-GCM 加密，对称密钥由企业密钥服务中的 ML-KEM-1024 公钥进行封装，文件本身永不离开客户端；密钥由企业独立管理，并附带 ML-DSA-87 签名，客户端固定公钥后可检测到密钥被替换。通过将密钥托管与数据托管分离，避免云服务商同时持有两把钥匙而能够读取数据。实验在 24 MHz STM32F407 上测得 ML-KEM-1024 密钥生成耗时 40.8 毫秒、解封装 44.0 毫秒；服务器端所有后量子操作保持在亚毫秒级，每次请求签名仅增加 0.24 毫秒。服务可运行在 4.49 欧元/月的虚拟服务器上。在持续洪水攻击下，内置网关 Sentinel Gate 拒绝了 98.8% 的攻击流量，合法客户端的中位延迟仅从 621 毫秒升至 625 毫秒。作者承认该测试为单源验证，主要证明过滤有效而非整体 DDoS 防御能力。该研究提供了面向中小企业可行的后量子迁移路径，兼顾了性能、成本与信任控制。

这篇论文重新审视了工业级 Rowhammer 缓解方案的安全性与复杂度，重点聚焦内存控制器（MC）层面的防护设计。Rowhammer 攻击利用 DRAM 单元的高密度电容耦合，通过频繁访问同一行导致相邻行数据翻转，是近年来内存安全的核心威胁之一。缓解方案需要在追踪存储开销与减缓命中率之间取得平衡：精确追踪器（如 Misra-Gries）能避免不必要的减缓，但需要大容量 CAM 结构；而采样类方案（如 PARA）无需额外存储，却在无攻击时也频繁触发减缓。微软在其 Azure Cobalt 200 SoC 中部署了 Sigries，该方案将欠配置的 Misra-Gries 追踪器与行采样回退机制结合。微软认为追踪器向采样模式切换可能不安全，但声称反向切换（采样到追踪）总是安全的。然而作者分析表明，该反向切换同样存在漏洞，并提出跨子库的轮询（Round-Robin）攻击，可使 Sigries 的平均失效时间（MTTF）降至约 1 秒，比 PARA 的 13 年低 8 个数量级。此外，Sigries 还受困于 CAM 复杂性和高存储开销。为此，论文提出 FiRM（Filtered Rowhammer Mitigation），其核心洞察是：安全设计不应独立配置追踪模式和采样模式，而应协同设计，确保系统在两种模式以及模式转换期间均保持安全。FiRM 对良性负载无性能损失，因为未超过过滤阈值；同时用简单 SRAM 过滤器替代复杂 CAM 追踪器。针对高强度压力模式，作者提出 FiRM-P（概率型）和 FiRM-D（确定型）两个变体：FiRM-P 在转换和稳态阶段使用不同概率，同时保障安全与低性能开销；FiRM-D 通过调节减缓速率提供确定性安全保证。两种变体的存储开销均低于 Sigries。论文表明，采用原则性方法可以同时规避 Sigries 的不安全性和复杂度。该研究对硬件安全、内存控制器设计、云数据中心防护具有重要参考价值。

本文是一篇针对私有云托管现状与管理员特性的代表性调查研究，旨在探讨私有云环境中的隐私与安全问题。研究背景在于，随着云计算的普及，私有云被许多组织视为比公共云更安全、更可控的选项，但实际上私有云的安全状况在很大程度上依赖于管理员的配置和操作。论文通过系统性的调查方法，收集了私有云托管服务的公开数据，分析了私有云的实际部署规模、托管服务商的分布、以及管理员的典型特征（如技术水平、安全实践、配置习惯等）。研究者采用代表性抽样和统计分析方法，揭示了私有云环境中普遍存在的安全隐患，包括但不限于默认配置未更改、暴露面过大、缺少必要的安全补丁、以及管理员安全意识不足等问题。文章的核心贡献在于：第一，提供了关于私有云托管现状的量化数据，填补了该领域实证研究的空白；第二，识别了私有云管理员在安全实践中的常见误区，为后续的安全培训和工具设计提供了依据；第三，讨论了私有云与公共云在安全责任模型上的差异，强调了管理员角色在私有云安全中的关键地位。适合云安全研究人员、私有云部署者、以及企业安全决策者阅读，以了解私有云的真实风险状况并改进自身部署策略。由于本文仅基于摘要信息，具体实验细节和统计结果需查阅全文。

该论文针对AWS云环境中存在的一个结构性安全缺陷：一旦凭证通过认证，其会话在整个生命周期内通常被无条件信任，这导致凭证一旦泄露，攻击者即可持久利用。为此，作者提出了一种可解释的适应性零信任框架（EAZTF），作为云原生安全层，在整个会话过程中持续重新评估每次API操作的合法性。EAZTF结合了隔离森林（Isolation Forest）和XGBoost两种机器学习模型，实时分析从CloudTrail和IAM中提取的8个行为特征，计算信任风险评分（TRS），并据此决定会话是继续、需要升级MFA还是被限制。每个决策均辅以SHAP或LIME解释，生成人类可读的审计记录，满足安全分析与合规要求。框架评估涵盖四种对抗性逃避策略：凭证窃取、行为模仿、API速率逃避和权限提升。在包含8500条记录的合成CloudTrail数据集上，隔离森林达到了94.4%的精确率、91.2%的召回率和0.928的F1分数。在四个对抗场景中，平均检测率为91.0%，其中行为模仿最难检测，检测率为83.9%。SHAP分析显示，IP信誉、登录时间偏差和API调用速度是三个最主要的决策特征。基于NIST SP 800-207的结构化自评估中，EAZTF获得93%的平均合规分数，而传统边界基线仅为38%。平均检测时间从数小时缩短至不到一分钟。由于实验使用合成数据，结果应被视为指示性而非经过验证的生产性能。该研究为云原生零信任架构提供了可解释、可审计的机器学习实现思路，适合关注云安全、零信任和对抗性机器学习的研究人员与安全架构师阅读。

该论文研究了多云环境中跨租户通知工作流的安全设计缺陷。云应用经常通过提供商运营的邮件身份发送通知，这提高了投递率，但使通知参数的提供者与服务主体权限分离。论文通过三个负责任披露的案例，展示了一种被称为'信任工作流中继'的攻击模式：经过身份验证的行为者可以控制一份由受信任提供商服务发送的消息，涵盖跨租户收件人，并可能控制HTML内容。三个案例分别涉及绕过UI长度限制、缺少收件人租户验证、批准应用中的弱访问控制和令牌验证缺陷。作者将此类比为传统SMTP开放中继，但失败点已上升到应用层：行为者已认证，提供商是合法发件人，但应用层授权未能约束谁能触发发送。论文定义了'信任工作流中继'的形式化条件，提供了测试矩阵，映射到MITRE ATT&CK的免附件钓鱼技术，并关联到设备代码钓鱼（RFC 8628）。最后提出了租户绑定、类型化模板、对象级授权、令牌受众验证和身份遥测等防御措施。

该论文研究了云边缘计算平台中多租户隔离面临的安全挑战，以 Cloudflare Workers 为例。Cloudflare Workers 为降低冷启动延迟，去除了传统的进程级隔离边界，采用语言级隔离（如 V8 引擎）来承载不同租户的代码。这种架构虽然在性能上具有优势，但被广泛认为会引入 Spectre 等微架构侧信道攻击风险。为此，Cloudflare 此前曾实施一系列防御措施，包括限制高精度计时器、禁止共享内存、禁止多线程，并引入动态进程隔离（DyPrIs）机制来检测可疑行为并对脚本进行进程级隔离。然而，论文作者通过实证分析发现，生产环境中的 DyPrIs 防护并不充分。他们采用微架构放大技术，在 Cloudflare Workers 的生产环境中找到了多种远程计时方法，成功绕过了计时器冻结或粗化策略。基于这些远程计时器，作者端到端地演示了一次远程 Spectre 攻击，能够从同一主机上共存的其他 Worker 中泄漏 JWT 令牌。攻击速率从原先的约 2 比特/分钟大幅提升至最高 12 比特/秒，且准确率达到 99.16%，对客户数据构成直接、实质性的安全威胁。在披露该问题后，Cloudflare 协同实施了多项修复措施：集成 V8 Sandbox 以限制瞬态访问仅能使用 64 位指针；增强 DyPrIs 的检测能力；并部署基于硬件内存保护密钥（MPK）的进程内隔离，为每个租户堆分配独立的内存保护密钥，从而进一步隔离租户数据。该研究揭示了仅依赖语言级隔离与软件计时器限制不足以防御微架构侧信道攻击，凸显了硬件支持的内存隔离机制在边缘计算安全中的必要性。适合云安全研究人员、边缘计算平台开发者和安全防御者阅读。

本文提出了一种基于强化学习的自适应云安全防御框架，旨在应对云环境中日益复杂的网络攻击。该框架采用深度Q网络（DQN）作为核心算法，通过训练智能体学习动态防御策略，实现实时入侵检测与自动威胁缓解。研究使用了CICIDS2017数据集进行模型训练，并在UNSW-NB15数据集上进行了外部验证，流程包括数据预处理、特征工程和自适应策略学习。作者将DQN与传统机器学习模型（决策树、支持向量机、随机森林、XGBoost、多层感知机）进行对比，实验结果显示DQN在准确率（99.72%）、精确率（99.68%）、召回率（99.65%）、F1分数（99.66%）和ROC-AUC（0.999）方面均表现优异，同时误报率仅为0.31%、漏报率0.35%、检测延迟为15毫秒。此外，该框架实现了99.54%的攻击缓解率，展示了在真实云环境中进行实时自适应防御的潜力。论文的核心贡献在于将强化学习应用于云安全防御，证明了其作为自主网络安全解决方案的可扩展性和有效性。适合云安全架构师、安全运维工程师以及人工智能安全领域的研究人员阅读，以了解强化学习在入侵检测和自动响应方面的最新进展。

随着云计算成为海量数据的主要存储和处理设施，云管理员使用调度器将任务分配到不同物理节点，并允许多个用户的应用共享同一物理节点以提高资源利用率。然而，这种资源共享也带来了微架构攻击的风险，如侧信道攻击、瞬态执行攻击和Rowhammer攻击，这些攻击利用共享资源破坏共置受害者应用的机密性或完整性。以往研究大多假设攻击者已经与受害者共置，但很少探讨攻击者如何主动实现共置。本文提出名为Replication Attack (REPTTACK)的新型攻击，攻击者通过精心选择提交给云调度器的应用需求，影响调度决策，从而将自己的应用与目标受害者的应用调度到同一物理节点。作者在模拟集群和真实集群中进行了实验验证，结果表明单个攻击实例可实现高达50%的共置率，而仅需5个实例即可在异构云中将共置率提升至80%。此外，作者还提出并评估了一种防御策略，该策略强调调度器在设计时需考虑安全性，并应尽量减少调度决策过程中对用户自定义信息的依赖。该研究揭示了多云用户环境中调度器面临的潜在安全威胁，为云安全研究提供了新视角。

本文提出一种面向云防病毒环境的勒索软件检测增强方案。传统基于主机的恶意软件检测存在资源消耗大等问题，云防病毒（Cloud Antivirus）虽能缓解此问题，但对复杂的多态恶意软件和特权恶意软件仍力不从心，且难以应对破坏性勒索软件攻击。作者提出在现有云防病毒解决方案中引入基于深度学习的块快照（Block Snapshot）分析机制，在虚拟化环境中识别具备逃避能力和高权限的勒索软件，且无需依赖特殊硬件支持。该方法利用复制卷的快照数据，通过神经网络模型分析文件系统层的变更模式，从而检测勒索软件特有的加密行为。初步实验验证了该方法的可行性和有效性。该研究的核心贡献在于：一是将勒索软件检测置于云侧，利用虚拟化快照的天然优势；二是通过深度学习自动提取特征，减少对已知签名的依赖；三是对抗特权级恶意软件，因为快照分析独立于客户端操作系统，恶意软件难以干扰。本文适合云安全、恶意软件检测和深度学习应用方向的研究人员及安全工程师阅读，可作为设计下一代云防病毒系统或勒索软件防护机制的参考。

本论文提出 JANUS，一个面向高速 RDMA 云环境的 ACL（访问控制列表）系统。RDMA（远程直接内存访问）云正日益普及，ACL 对于管控 RDMA 应用、服务和租户的未授权网络访问至关重要。然而，RDMA 独特的队列对（QP）语义和高速传输特性，使得现有 ACL 表达和强制机制无法以用户友好的方式全面高效地治理 RDMA 流量。传统 ACL 表达式通常基于五元组（如 IP、端口）格式，但 RDMA 与 TCP/IP 语义根本不同，涉及基于 QP 的更精细通信类型和复杂状态管理（如 QP 创建/销毁、远程内存区域操作），且流量被分离为控制面（QP 生命周期维护）和数据面（应用数据交换），每条路径需要独立控制不同的包元数据和 QP 行为。现有端主机 ACL（如 iptables、Open vSwitch）在内核中强制执行，但 RDMA 数据面流量绕过内核，无法被捕获；微内核方案（如 Snap、FreeFlow）在软件垫片层治理但引入显著 CPU 开销；网内硬件方案（如 Bedrock）需将主机内流量重定向到网内设备，增加额外延迟。JANUS 设计了专用 ACL 表达式，利用 QP 语义识别 RDMA 连接，并提供高层策略语言来表达复杂的 ACL 意图，以便治理 RDMA 流量。JANUS 进一步利用 DPU（数据处理单元）结合流量感知和架构特定优化来强制 ACL 策略，实现线速 RDMA 检查和稳健的策略更新。作者基于 NVIDIA BlueField-3 DPU 实现了开源原型。实验表明，JANUS 在 200Gbps 真实 RDMA 测试平台上实现了线速吞吐，且延迟小于 5 秒（原文如此，可能为微秒级笔误），并提供足够的表达能力来治理未授权的 RDMA 访问。该研究为 RDMA 云环境中的访问控制提供了新的解决思路，适合云网络研究人员、RDMA 系统开发者和安全工程师阅读。

该论文针对 app-in-app 生态（即超级应用内嵌的小程序生态）中云资源管理的安全问题进行了首次系统性研究。在 app-in-app 架构下，超级应用为小程序开发者提供云服务，使其能够通过定义良好的云 API 管理敏感数据。然而，这些云服务的资源管理机制可能存在配置不当或逻辑缺陷，导致严重的安全风险。研究者将这些风险称为 ICREM（Insecure Cloud Resource Management，不安全的云资源管理）。为了自动发现此类风险，论文提出了一种名为 ICREMINER 的新方法，结合静态分析与动态探测技术。静态分析用于解析小程序的代码结构和云 API 调用关系，动态探测则用于验证潜在的资源管理漏洞是否真实可利用。研究者基于真实世界的小程序进行了大规模实证分析，最终识别出 2,815 个小程序受到该漏洞影响，表明这一安全问题在生态中具有广泛的波及面。此外，研究团队遵循负责任披露流程，向相关方报告了漏洞，并针对性地提出了缓解策略，包括改进云平台的资源管理校验机制、加强开发者的安全配置指南等。该研究填补了 app-in-app 云服务安全研究的空白，为平台运营方、小程序开发者以及安全研究者提供了重要的参考，同时揭示了云资源管理作为新兴攻击面的现实威胁。

该论文研究了大型语言模型（LLM）和小型语言模型（SLM）在生成基础设施即代码（IaC）时的安全性问题，特别是针对AWS Terraform配置。云配置错误是安全事件的主要根源，但业界对LLM/SLM能否生成符合安全规范的IaC缺乏系统性评估。作者选取了七个模型进行基准测试：三个闭源LLM（Claude Opus 4、GPT-5.4、Gemini 2.5 Pro）和四个开源SLM（Qwen2.5-Coder-14B、WizardCoder-33B、CodeLlama-13B、Magicoder-S-CL-7B），覆盖17个场景。研究将Checkov和Trivy扫描器集成到GitLab CI/CD流水线中，评估两种提示策略，并以pass@5作为安全合规性的度量。关键发现是：语法有效性和安全合规性在LLM生成的IaC中基本正交——能生成格式正确的Terraform并不意味着安全。例如，WizardCoder-33B的语法验证通过率高达77.8%，但Checkov合规率为0%；而Claude Opus 4在详细安全提示下Checkov通过率仅23.1%，但Trivy通过率达92.5%。因此，仅靠提示工程不足以确保安全，自动化多工具扫描仍是LLM辅助IaC生成的必要补充，无论模型家族或提示策略如何。所有实验工件均已公开。该研究为安全工程师和DevOps团队提供了重要的实证依据，表明在采用AI生成IaC时必须内置安全扫描环节。

该论文提出了一种基于硬件（Trusted Execution Environment, TEE）的可撤销属性基加密（HR-ABE）方案，旨在解决传统可撤销 ABE 中密文委托带来的高计算开销问题。在传统方案中，用户撤销需要通过时间戳机制实现，且为防止被撤销用户解密旧密文，存储服务器必须周期性执行密文委托操作，即对所有密文更新时间戳。当密文数量庞大时，这一过程会带来巨大的计算负担。论文利用商用 TEE 技术，首次系统地研究了硬件支持的可撤销 ABE，以消除不可扩展的密文委托，并同时防止不可信存储服务器与被撤销用户之间的合谋攻击。作者形式化了 HR-ABE 的安全模型，并给出了一种高效构造，该构造还支持外包解密，适用于资源受限的数据用户。此外，方案特别考虑了 TEE 可能面临的安全泄露问题（如侧信道攻击），确保即使 TEE 内部秘密泄露，也不会导致用户数据泄露。安全性证明基于正式的安全模型，并通过实验评估了性能。该研究为云端细粒度访问控制中的用户撤销提供了一种新的硬件辅助解决思路，适合从事密码学、云安全、访问控制研究的学者和工程师阅读。

该论文提出了一种名为 Cloud Decoy AI Agent 的欺骗驱动框架，旨在解决云环境入侵调查中日志量庞大、攻击者操作与正常管理难以区分的问题。框架将高保真云蜜罐（Decoy）与自主语言模型代理（Agent）相结合，能够自动将可疑活动压缩为分析师可直接使用的调查报告。论文指出，将蜜罐连接到代理并非简单的连接任务，而是在高维身份层、会话取证边界和对抗性日志注入通道上需要精心设计。作者针对三个核心挑战提出了解决方案：1）通过基于云提供商派生字段的会话聚合算子解决身份分层导致的会话密钥混淆问题；2）采用两阶段动态提示生成（Dynamic Prompt Generation），保证仅使用代理观察到的字段进行上下文构建，从而实现基础不变性约束；3）识别了云日志中攻击者控制字段（如对象键、用户代理字符串）可能被用于间接提示注入（Indirect Prompt Injection）的风险，并指出蜜罐会扩大此攻击面，但当前原型未实现缓解措施。在10个受控的AWS S3入侵场景中，框架成功重构了9个场景的全部攻击路径，所有报告中的断言均可追溯到观测到的痕迹，平均响应时间为4-5分钟。论文最后谦逊地指出了评估的局限性，并提出了需要进一步对比研究的方向。该工作适合安全运营团队、AI安全研究员及云安全防御系统设计者阅读。

本论文针对数据加密标准（DES）中56位密钥的穷举搜索问题，在当代云基础设施上进行了成本与时间的可重复实验与测量。作者在亚马逊AWS EC2上构建了一个基于C/OpenMP的分布式暴力破解系统，使用37个c6i.2xlarge实例，将2^56个密钥空间分区。实测单实例吞吐量达2.91 M keys/s，聚合吞吐量约108×10^6 keys/s。通过15次独立试验，覆盖从10^6到1.5×10^10的密钥偏移量，测量了墙钟时间和货币成本。小偏移量（≤10^8）时，AWS实例启动延迟（约90秒）主导总时间，平均每次攻击耗时116.8±20.1秒，成本0.41美元。较大偏移量时搜索时间线性增长：1.5×10^10偏移量需约87分钟和18美元。以当前37实例聚合吞吐量，穷举整个2^56密钥空间需约21年。但得益于任务高度并行与云弹性，可用资金换时间：按测量成本外推，完全穷举约需120万美元，足够大的实例池可在一天内完成。因此，该系统对有限子空间攻击成本极低；完整DES穷举虽昂贵，但资金充足的攻击者仅凭普通云资源即可实现。

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。

该论文针对 AWS Cognito 服务中跨服务缺陷的识别与形式化验证问题展开研究。AWS Cognito 作为一项用户身份与访问管理服务，常与 API Gateway、Lambda 等其他 AWS 服务集成，这种跨服务组合可能引入安全漏洞。作者提出了一种名为 C-Verifier 的形式化验证框架，能够自动建模 AWS Cognito 的配置及其与其他服务的交互行为，通过符号模型检测技术发现潜在的跨服务逻辑缺陷，例如权限提升、未授权访问等。该方法首先将 AWS 资源配置抽象为形式化模型，然后利用 SMT 求解器对安全属性进行验证。实验结果表明，C-Verifier 在多个真实世界的 AWS 架构中成功识别出未知的跨服务漏洞，并提供了形式化证明。该工作的主要贡献在于：首次将形式化验证系统性地应用于 AWS Cognito 的跨服务场景，提出了可扩展的建模方法，并实际发现了若干高危缺陷。适合云安全研究人员、AWS 服务开发者以及安全工程师阅读。

本文是2022年云计算安全研讨会（CCSW '22）的会议介绍。该研讨会旨在汇集云计算安全领域的最新研究成果，涵盖数据保护、身份与访问管理、可信执行环境、密文计算、云网络安全、合规性与治理等多个方向。受录用的论文包括但不限于：针对云中敏感数据的新型加密协议、基于硬件辅助的隔离技术、以及面向多云环境的信任模型。每篇论文均经过同行评审，代表该年度云安全研究的前沿动态。

该论文展示了一种名为Rain的攻击方法，利用已公布的旧漏洞（L1TF，2018年发现）与推测性越界加载组合，在公共云平台上实现跨虚拟机数据泄露。作者指出，云服务商通常采用孤立补丁方式缓解漏洞，而未消除根本原因，导致组合攻击仍可能奏效。实验在商业云环境中进行，攻击者无需了解主机或客户机的具体信息，在噪声条件下平均15小时即可泄露Nginx服务器的TLS密钥。该研究证实了即使在大型公共云中，基于瞬态执行的攻击仍具有现实可行性。

该论文研究了云计算环境中分支预测器（Branch Predictor）隔离不完整所带来的安全风险。分支预测器是现代处理器中用于提高指令流水线效率的关键微架构组件，但在多租户云环境下，不同虚拟机（VM）可能共享物理CPU核心上的分支预测器硬件，导致隔离机制不完善。论文提出了一种名为VMSCAPE的新型侧信道攻击方法，利用分支预测器状态的残留信息跨虚拟机边界泄露敏感数据。攻击者通过精心构造的分支序列，能够探测并推断目标虚拟机内运行的应用程序的控制流，进而提取密钥等机密信息。实验在真实云平台上实施，证明该攻击可以成功突破当前基于Intel和AMD处理器的隔离保护，具有较高的精确率和较低的检测率。论文同时分析了多种现有防御机制的局限性，并讨论了硬件级和软件级缓解方案，如动态分区、随机化或禁用共享预测器等。该研究揭示了云环境下一个尚未被充分重视的微架构攻击面，对云服务提供商和安全研究人员具有重要参考价值。

该论文研究了ECS（Elastic Container Service）的快速增长趋势及其伴随的安全考量。作者通过分析大规模数据，揭示了ECS使用量的激增模式，并识别了常见的配置错误、访问控制漏洞以及镜像安全问题。论文提出了一套评估框架，用于量化ECS环境中的暴露面，并通过实证数据证明了当前实践中的安全风险。主要贡献包括：对ECS增长趋势的纵向分析、常见安全问题的分类以及可操作的缓解建议。适合云安全工程师、DevSecOps团队及云服务提供商参考。

网络功能虚拟化（NFV）使得以低成本将多种网络功能作为云服务提供成为可能，其中网络测量任务（如重流检测和流量分布估计）是许多核心网络功能的基础，能够提升企业网络的性能与安全性。然而，将网络测量服务部署在第三方多租户云服务提供商中引发了严重的隐私与安全问题。最近研究表明，泄露和滥用流统计信息可能导致严重的网络攻击，如分布式拒绝服务（DDoS）、网络拓扑操纵和投毒等。为此，本文提出 OblivSketch，一种作为云服务的 oblivious 网络测量框架。OblivSketch 利用不经意随机访问机（ORAM）和安全飞地（如 Intel SGX）来保护流统计信息的隐私，确保云服务提供商无法窥探或篡改测量数据。该框架支持多种测量任务，包括重流检测、流量分布估计和熵估计等，并能在保持隐私的同时提供可接受的性能开销。实验结果表明，OblivSketch 在真实网络流量数据集上能够高效运行，与现有非隐私保护方法相比，性能损失在可接受范围内。主要贡献包括：设计了第一个支持多种 oblivious 网络测量任务的原型系统；提出了针对重流检测和分布估计的 oblivious 算法；实验验证了隐私保护下的实用性能。本文适合云安全研究人员、网络管理员以及对隐私计算感兴趣的读者。

移动目标防御（MTD）是一种主动防御策略，通过动态改变系统配置来增加攻击者不确定性。然而，现有MTD设计通常默认其候选配置池是安全的，即攻击者无法通过观察延迟等可测量指标来识别当前活动配置，但这一假设从未在池级别得到量化验证。本文形式化了这一“池安全”问题：给定一组组件实现选项，其笛卡尔积构成配置空间，目标是在可加性效用模型下找出最大的 ε-不可区分子集，使得任意两个配置的效用差异不超过 ε。作者将问题归约为在求和集上寻找最密集窗口的查询，并提出了四种覆盖不同规模配置空间的算法：完全枚举、中间相遇、基于快速傅里叶变换（FFT）的卷积以及蒙特卡洛采样，能够处理从数十种到 10^38 种配置的场景。在两类生产云案例上进行了端到端评估：其一是基于四个运行时（如 Python、Node.js 等）的无服务器旋转，在无其他掩蔽因素时，面对 VPC 邻接攻击者，匿名性从四路降至三路；其二是具有 27 种配置的三层 Web 应用栈，其中相同的解释器差异被共享的 8 毫秒数据库往返延迟吸收，最终实现了九路有效匿名。本文贡献包括：形式化 MTD 池安全模型，提出可扩展的不可区分性评估算法，并通过案例揭示了 MTD 设计的关键诊断准则——组件旋转仅在变体间延迟差异不足以被攻击者识别时才能增加匿名性。

全同态加密（FHE）允许云计算服务商直接在用户提供的密文上执行计算，而无需解密，这对于医疗、金融等隐私敏感领域的数据外包处理至关重要。然而，在该模式下，客户端普遍担心恶意服务器或服务器端漏洞可能导致数据、计算过程或结果被篡改，从而破坏结果的完整性和准确性。确保计算的可验证性且保持低开销仍是一个开放性问题。为了解决这一挑战，本文提出 DataSeal，一种将算法级容错（ABFT）技术与 FHE 机密性相结合的方案。ABFT 原本用于检测和容忍计算中的硬件故障，DataSeal 将其改造为可验证 FHE 计算完整性的轻量级机制。通过在多种应用场景下的实验评估，作者证明 DataSeal 在提供 FHE 计算可验证性方面，其空间与计算开销远低于传统方法（如消息认证码 MAC、零知识证明 ZKP、可信执行环境 TEE），并且随着问题规模增大，额外开销几乎可以忽略不计。该方案无需修改 FHE 底层密码原语，具有较好的实用性和可扩展性。DataSeal 的核心贡献在于将 ABFT 的校验思想推广到加密域，实现了低开销、高置信度的结果验证，为 FHE 在真实云环境中的可信部署提供了新的技术路径。

在云计算环境中，公共云服务提供商（CSP）通常将云存储作为主要服务，同时利用客户存储在云上的数据提供额外的机器学习（ML）服务。这种商业模式扩展了云计算的边界，但也带来了严重的安全隐患：公共云并非完全可信，可能将客户的敏感数据出售给第三方。为应对这一威胁，直观的解决方案是要求客户在上传数据前对数据集进行加密。然而，一旦数据库被加密，其中仅包含伪随机数，传统的ML技术将无法直接对加密数据执行查询或训练。本文提出MLQENABLER方案，旨在解决加密数据库上的安全ML查询问题。该方案采用索引辅助方法（index-aid approach），通过预先构建索引结构，在保证数据机密性的前提下，支持常见的ML查询操作（如分类、回归等）。具体地，MLQENABLER不直接对密文进行ML算法，而是利用加密索引与明文ML模型之间的映射关系，在解密索引后进行查询，从而避免对整个数据库解密。初步实验表明，该方法能够在达到可接受安全级别的同时，仅引入轻微的ML性能下降（如准确率损失较小）。尽管该方案尚处于早期阶段，但它为在不可信云环境中实现隐私保护的ML查询提供了新的思路。

本文针对云安全中安全控制项到技术指标的手动映射效率低下的问题，提出了一种基于领域自适应Sentence Transformer模型的自动化方法。研究首先从五个欧洲安全标准（如ISO 27001、CSA CCM等）和技术指标集合中构建了一个包含3,499个语义对的训练语料库，并通过回译和基于大语言模型的释义技术将语料扩展至四个场景下的13,996个样本。作者微调了五种Sentence Transformer架构（如multi-qa-mpnet-dot-v1等），并在两个独立任务上评估性能：控制项到指标映射和跨标准控制项关联。实验结果表明，所有微调模型均显著优于零样本基线。在控制项到指标任务上，最佳模型在nDCG@10指标上提升高达23个百分点；在跨标准控制关联任务上，使用回译数据的multi-qa-mpnet-dot-v1模型达到0.870 nDCG@10。研究证实，领域内训练数据是提升此类任务性能的主要驱动力。该工作为云安全合规自动化提供了可行的技术路径。

本文提出了一种名为 Heterogeneous Mutual Attestation (Hema) 的协议，用于解决云计算中跨异构可信执行环境 (TEE) 的相互认证问题。在云服务中，多个分布式组件和实例之间需要通信，包括在传统执行环境和可信应用 (TAs) 中运行的服务。TA 实例在交换信息前需要进行认证以确保所有参与方满足预期的安全条件。当两个 TA 实例运行在同类型 TEE 上时，通常使用双向远程认证机制。然而，当涉及不同类型 TEE（如 Intel SGX 和 ARM TrustZone）时，若仍采用双向远程认证，每种 TEE 都需要支持所有其他类型 TEE 的认证软件栈，导致效率和安全性问题。Hema 协议专门为跨 TEE 相互认证设计，经过形式化验证，能够在同类型或不同类型 TEE 上运行的 TA 实例之间实现安全高效的相互认证。文章主要贡献包括：提出了一个通用跨 TEE 认证框架，减少了认证开销，并通过形式化方法验证了协议的正确性。适合云安全架构师、TEE 开发者及安全协议研究人员阅读。

本文针对大语言模型（LLM）在云环境部署中面临的敏感数据泄露和完整性风险，系统研究了利用CPU与GPU可信执行环境（TEE）实现端到端机密AI工作流的可行性与性能开销。当前主流云服务（Azure、GCP、AWS）依赖集中式基础设施，用户必须共享训练代码和敏感数据，而传统TEE（如Intel SGX/TDX、AMD SEV-SNP）主要保护CPU侧，NVIDIA H100/H200 GPU TEE虽已推出，但缺乏对端到端工作流（CPU+GPU组合）的全面评估。论文提出了一个集成CPU TEE（Intel TDX和AMD SEV-SNP）与GPU TEE（NVIDIA H200）的参考架构，在虚拟机级和应用级分别设计机密性与完整性保护机制。特别指出了Kubernetes管理员可能利用特权访问机密虚拟机内容的潜在攻击面。实验采用行业基准（如MLPerf）评估性能开销，重点分析了TDX+H200配置下的推理与训练延迟。主要贡献包括：1）首次公开评估CPU+GPU TEE端到端工作流的性能与安全性；2）识别出Kubernetes管理员层面的信任边界漏洞；3）提出应用级完整性保护方案以防止VM级旁路。该工作为云环境中机密LLM部署提供了设计参考，但尚未解决GPU TEE的远程证明标准化问题。

该论文首次提出了一种针对现代超标量CPU中调度队列（Scheduler Queue）的侧信道攻击——SQUIP攻击。调度队列负责决定指令按何种顺序分配到各个执行单元，以往未被作为侧信道研究，因为Intel CPU仅有一个调度队列，其竞争现象与重排序缓冲区的竞争几乎相同。然而，Apple M1、AMD Zen 2和Zen 3微架构为每个执行单元配备了独立的调度队列，使得攻击者可以通过探测特定调度队列的占用水平来泄露信息。研究者首先逆向工程了这些CPU上调度队列的行为，证明了可以被初始化和探测。SQUIP攻击能够从同一硬件核心内部以及跨SMT线程观察占用水平。在隐蔽信道测试中，攻击在虚拟机之间实现了0.89 Mbit/s的泄露速率（错误率低于0.8%），在进程之间实现了2.70 Mbit/s（错误率低于0.8%）。进一步，在协同定位进程和虚拟机上针对mbedTLS RSA签名过程发起侧信道攻击，仅用50,500次迹（traces）平均即可恢复完整的RSA-4096密钥，平均错误比特数少于5至18比特。论文讨论了必要的缓解措施，尤其是针对Zen 2和Zen 3系统。该攻击揭示了调度队列这一新的侧信道泄露源，对机密计算和云环境中的密钥保护构成威胁。安全研究人员和CPU微架构设计者应重点关注。

云服务提供商在软件中部署遥测工具以进行端主机网络分析。近期研究表明，sketch（一种近似数据结构）因其低资源占用下对多种统计指标的高保真度，成为基于软件的遥测的有前途的基础。然而，攻击者可能利用软件漏洞破坏基于sketch的遥测结果，从而使遥测失效（例如，逃避攻击检测或引发计费差异）。本文正式定义了可信赖的基于sketch的遥测需求，并指出现有工作由于sketch的概率特性和性能要求无法满足这些需求。作者提出了TrustSketch，一个通用的可信sketch遥测框架，支持多种sketch算法。TrustSketch能够及时检测针对基于sketch的遥测的广泛攻击，同时仅引入极小的开销。实验证明其有效性。该研究为云环境中的安全遥测提供了重要的理论保障和实用方案。

该论文系统性地挑战了现代AI与云基础设施中普遍存在的隔离假设。作者通过构建一个从物理内存共置到远程服务接口的交互级别分类法，来解构AI安全假设。尽管已有大量研究关注孤立的攻击面，但安全社区缺乏一个统一的框架来理解物理、架构和算法漏洞如何在整个AI堆栈中显现。本文填补了这一空白，通过演示利用每一抽象层假设的实际攻击，展示了跨层攻击的可行性。论文涵盖了从GPU内存侧信道攻击到LLM提示注入等多种攻击场景，并提出了一个统一的分析框架，以帮助研究人员和从业者系统性地评估AI系统的安全性。该工作对于理解现代AI基础设施的复合风险具有重要意义，适合云安全、AI安全领域的研究人员和工程师阅读。

现代组织越来越多地采用分布式、云优先和去中心化的架构，这打破了传统威胁建模方法（如STRIDE、PASTA、Trike、OCTAVE、LINDDUN、攻击树和MITRE ATT&CK）所依赖的三个基本假设：明确的安全边界、单一的所有者组织以及技术与操作风险的清晰分离。在这些新场景中，主要的安全威胁不再是外部攻击者，而是授权但恶意的内部人员、名义上独立方之间的合谋、控制平面和CI/CD的入侵，以及高价值操作的误操作。现有的威胁建模方法很大程度上忽略了这些威胁。本文提出了TRACE（Threat modelling for distRibuted, cloud-first, And dECEntralised organisations）方法，将威胁行为者、角色、资产、关键不变量以及信任/权威边作为一等公民，并通过证据关联，跨越协议、系统和组织三个层次进行建模。TRACE包含核心模型、三个应用支柱、一个顺序化的门控工作流，以及一个支持人机协作的证据与可追溯性规范，其中语言模型加速覆盖，而高级审查者保留对不变量、严重性和合谋的判断。TRACE方法源于Web3安全实践，但与具体技术栈无关。本文还讨论了它与零信任架构和可问责拜占庭共识的关系、局限性以及实证验证的开放问题。该论文对安全从业者理解现代分布式系统的威胁建模有重要参考价值。

该论文针对基于云的物联网（IoT）访问策略中存在的安全风险展开研究。随着IoT设备广泛接入云平台，访问策略的配置复杂性显著增加，不当的权限设置可能导致未授权访问、数据泄露或设备劫持等严重安全问题。现有策略验证工具多针对单一云平台或通用网络策略，缺乏对跨云、多设备场景下IoT特有语义（如设备状态、事件触发）的考虑。为此，作者提出了P-Verifier系统，一种自动化的访问策略验证与缓解框架。P-Verifier的核心创新在于：（1）设计了一种领域特定语言（DSL）来形式化描述云IoT访问策略，捕获策略中的条件、动作及设备属性；（2）开发了基于符号执行的策略分析引擎，能够检测策略冲突、权限过度分组以及违反最小权限原则的规则；（3）实现了一个策略修复建议模块，在识别风险后自动生成修正配置。实验部分，作者在AWS IoT、Azure IoT和Google Cloud IoT三大主流云平台上收集了真实策略样本（涵盖智能家居、工业监控等场景），并与现有工具（如AWS IAM Access Analyzer、Z3策略分析器）进行对比。结果表明，P-Verifier在策略漏洞检测率上平均提升37%，误报率降低至5%以下，修复建议的采纳率超过80%。论文还展示了P-Verifier在检测因设备动态属性（如固件版本、位置变化）导致的瞬时策略违规方面的独特能力。该工作为云安全研究人员、IoT平台开发者以及安全运维人员提供了实用的分析工具和设计思路，有助于从根源上减少由访问策略缺陷引发的IoT安全事件。

本文提出并描述了 SNAS (Secure Network Access in Snowpark) 架构，该架构是 Snowflake 面向 Snowpark 沙箱化工作负载的安全出口解决方案。Snowpark 允许用户在安全沙箱中执行用户自定义函数，用于数据工程和 AI/ML 工作负载。这些工作负载通常需要外部网络连接（如访问云 API、外部数据库或特征存储），从而带来了挑战：如何在保持严格多租户隔离和资源公平性的同时提供透明的网络访问。SNAS 结合了三种核心技术：1) 基于 eBPF 的包过滤和带宽限制器（使用最早出发时间 EDT 算法）；2) GENEVE 覆盖网络用于封装和隔离；3) 分布式出口代理用于策略驱动的出口控制。架构还包括双层策略执行、连接限制和端口耗尽防护机制。SNAS 已部署在所有 Snowflake 区域，支持大规模生产工作负载，包括 PB 级数据传输和延迟敏感的外部集成。实验数据表明其性能开销低，能有效实现安全出口访问。本文贡献在于提供了一个可投入生产的、多层纵深防御的沙箱出口安全架构设计方案和实际部署经验。

该论文提出了一种名为CIPHERLEAKS的新型侧信道攻击，针对AMD SEV（安全加密虚拟化）环境中运行的常数时间密码实现。传统上，常数时间密码算法被认为能有效防御基于执行时间的侧信道攻击，但CIPHERLEAKS通过分析加密输出的密文本身来泄露密钥信息。攻击者以恶意虚拟机身份运行在同一物理主机上，通过监控目标虚拟机加密操作产生的密文，利用密文中的微小统计差异（如比特分布、模式等）来逐步恢复密钥。论文在真实的AMD SEV平台上实施了攻击，成功破解了多种常数时间密码实现（如AES、RSA等），验证了攻击的可行性和效率。研究还分析了攻击的多种变体，包括不同密文长度和加密模式下的影响。实验表明，该攻击能够在合理时间内恢复完整密钥，且对系统性能影响较小。论文最后讨论了潜在防御措施，如引入随机化填充、限制密文可观察性等，但指出在现有SEV架构下完全防御仍有挑战。该研究首次揭示了通过密文侧信道攻击虚拟化环境中常数时间密码的新路径，对云计算安全具有重要警示意义。

该论文针对云推理服务（CIS）中用户请求包含大量个人敏感或企业机密信息，而现有保护方案（如苹果的PCC、谷歌的Private AI Compute）依赖专有硬件和封闭生态系统，难以被其他厂商采纳的问题，提出了OpenPCC：一个基于商用可信执行环境（TEE）的开放且机密的LLM服务框架。论文首先分析了构建安全、开放CIS的基本需求，然后设计了OpenPCC架构，该架构利用商用的Intel SGX或AMD SEV等TEE硬件，在不依赖专有硬件的前提下实现机密性保护。作者实现了开源原型，并在Llama-3 8B vLLM负载上进行了端到端评估，分离了OpenPCC自身开销与底层TEE硬件开销。分析和评估证明了系统的可行性和安全性。论文适合云安全研究人员、LLM服务提供商和隐私工程师阅读。

本文研究云存储中通行密钥（passkey）的安全性，重点关注如何检测通行密钥存储是否被入侵。通行密钥作为密码的替代方案，其私钥通常存储在云端（如iCloud、Google账户），一旦被攻击者获取，将导致用户身份被冒充。论文提出一种基于异常检测的方法，通过分析访问模式、密钥使用日志和存储元数据，识别潜在的入侵行为。该方法包括三个模块：1）行为基线建立，使用无监督学习学习正常用户访问特征；2）异常评分，结合统计检验和机器学习模型对实时事件打分；3）归因分析，确定入侵来源（如内部泄露、外部攻击）。实验使用合成数据集和真实云存储日志进行验证，结果表明该方法在保持低误报率的同时，能有效检测多种入侵场景，包括会话劫持、存储后端泄露、恶意同步等。本文的主要贡献在于首次系统性地针对passkey云端存储构建检测框架，并提供了经验性评估。适合云安全工程师、身份认证研究人员阅读。

该论文提出了一种需求驱动的云安全态势管理（CSPM）漏洞检测架构，旨在减少从漏洞披露到客户系统具备检测能力之间的关键路径延迟。传统CSPM依赖供应商集中维护和分发规则集，更新节奏受限于发布周期（数小时至数天），且针对包含配置谓词的丰富检测规则需要额外的人工编写时间。论文提出的架构不再由供应商分发规则集，而是在客户租户内持续从公共源（如CVE目录）与实时资产图的交集动态衍生规则：当目录条目与适用资产同时存在时规则产生，当任一输入不再支持时规则消失。这种双向推导既响应新目录条目也响应新资产，利用了目录条目的完整结构化字段（不仅限于受影响软件字符串）。实时规则集的规模受限于环境多样性而非目录广度。论文详细阐述了威胁模型、架构设计、形式化语义及等价定理、复杂度分析、工作示例和评估方法。主要贡献在于架构性转变及其带来的延迟和资源影响，规则正确性和告警优先级排序不在讨论范围内。该研究适合云安全架构师、CSPM产品设计者和安全运维研究人员阅读，以理解一种消除人工规则编写环节的自动化检测思路。

该论文针对云环境中异构性带来的安全威胁进行了首次量化研究。背景：传统同构云中所有机器配置相同，而近年异构云（集成多种硬件/软件配置）因能提升应用性能与能效而广泛采用。然而，微架构攻击（如 Repttack、Cloak & Co-locate）的前提——攻击者与受害者的实例共位——在异构云中更容易实现，且随着异构程度增加，攻击难度降低。当前缺乏统一指标来定义、量化或比较不同云环境的异构性。核心贡献：提出一种新颖指标 Heterogeneity Score (HeteroScore)，用于定量评估集群的异构程度。作者通过实验证明 HeteroScore 与共位攻击的安全性紧密相关：异构性越高，共位攻击成功率越高。进一步提出若干缓解技术（如限制特定硬件组合），在提供异构性收益的同时降低安全风险。这是首个将云异构性与基础设施安全关联起来的定量研究，填补了该领域的空白。实验基于真实云平台模拟，验证了指标的有效性。适合云安全研究人员、云服务提供商及安全运维人员阅读。

论文提出 GDPRuler，一种用于不可信云环境中的键值存储（KVS）的可验证 GDPR 合规中间件系统。背景：GDPR等隐私法规对个人数据的存储、处理和审计提出严格要求，而KVS简单数据模型和不可信云部署使合规极具挑战。现有方案需侵入式代码修改、性能开销高或忽略合规机制本身的完整性。核心方法：GDPRuler 在机密虚拟机（CVM）内运行可信 GDPR 监视器，无需修改KVS代码。监视器强制执行GDPR策略、管理合规元数据、维护防篡改审计日志。声明式策略语言将核心GDPR义务转化为可执行的运行时规则。为提升效率，GDPRuler 将元数据紧凑编码到KV记录中，为GDPR特定查询建立专用元数据索引，仅以空间高效格式记录合规相关事件。实现：作为透明代理支持未修改的Redis和RocksDB。评估：使用YCSB和GDPR启发的工作负载，GDPRuler 开销低：吞吐量约为原生KVS的61%，其中CVM环境贡献28%-32%；元数据存储开销低于20%；GDPR查询通过元数据索引获得13-182倍加速。贡献：通过将可验证策略嵌入可信中间件层，为不可信云基础设施上的KVS提供了实现GDPR合规的实用路径。

本文提出Cloak，一种新型的 oblivious 存储系统，旨在解决传统 ORAM（Oblivious Random Access Machine）在真实场景中部署效率低下的问题。ORAM 通过隐藏用户对云端数据的访问模式来防止侧信道攻击，但其高昂的通信开销（通常比非保护基线高数十倍）阻碍了实际应用。Cloak的核心创新在于利用真实工作负载中普遍存在的时间局部性——即最近被访问的数据更可能被再次访问——来显著提升性能。具体而言，Cloak 让服务器流量遵循一种固定的“近期偏置”模式，即访问概率随数据被访问的时间衰减，然后将真实查询尽量填充进这种预定义的流量模式中。当工作负载表现出时间局部性时，真实查询与流量模式高度匹配，从而大幅降低额外开销。实验表明，对于 Netflix 点击流和以太坊交易轨迹这两种具有强时间局部性的数据集，在单台机器上 Cloak 分别实现了每秒 165,000 次和 157,000 次操作，开销仅约为非 oblivious 未加密基线的 1.1 倍。重要的是，这种启发式优化仅影响性能，不影响安全性——Cloak 的 oblivious 性质依赖于其所遵循的固定流量模式，而非查询的真实分布。因此，即使攻击者观察到模式化的流量，也无法从中推断出实际访问模式。本文的主要贡献在于：1) 识别并利用了时间局部性这一真实工作负载的简单属性来优化 ORAM；2) 证明了在特定条件下，启发式 oblivious 方案可以接近非 oblivious 系统的性能；3) 通过在大规模真实轨迹上的实验验证了 Cloak 的高吞吐量和低开销。本文对于研究安全存储和隐私保护的学者、以及寻求在云环境中部署高安全存储系统的工程师具有重要参考价值。

该论文针对云计算环境中入侵检测系统（IDS）面临的挑战——分层动态架构、未知攻击/零日攻击，以及机器学习模型在实验环境表现良好但在实际云部署中性能下降的问题，提出了一种基于强化学习的多层级、置信度感知的入侵检测框架。系统覆盖网络层、主机层和虚拟机监控器层三层。每层使用机器学习模型检测已知攻击，同时生成预测置信度。在多层流程中，低置信度事件先后经过两个门控：学习阈值置信门（Gate-1）和Chroma记忆匹配门（Gate-2），未解决的事件被转发到大语言模型（LLM）进行语义分析和解释。最终的攻击判定在Gate-3使用校准后的LLM置信度或加权融合回退，不确定事件被保留在评审桶中避免强制分类。生成的解释和确认的知识存储在ChromaDB中支持未来分析和重训练。实验首先使用静态阈值建立基线，结果显示所提系统学会了自适应阈值，并将LLM升级率降低了58.78%，同时保持了强性能（准确率88.68%，精确率85.29%，召回率84.72%，F1分数85.00%）。网络层和虚拟机监控器层分别达到98.02%和97.08%的准确率，展示了平衡且高效的检测系统。

本文提出了一种基于线性代数的理论框架和实用算法，用于在云计算环境中实现全面的内存着色（memory coloring）方案。内存着色是一种通过软件方法确保不同信任域（如虚拟机、容器）之间微架构隔离的技术。传统的着色方案仅针对单个微架构组件（如 L1 缓存、TLB 等）进行隔离，导致覆盖不全，遗留潜在的侧信道攻击面。本文的关键贡献在于：首先，形式化定义了内存着色问题，将其转化为线性代数中的高斯消元问题，通过建立内存访问模式与微架构冲突之间的线性关系，从而推导出确保全系统隔离的着色规则。其次，提出了一种自动化的算法，能够根据给定的微架构组件列表（如缓存层次、分支预测器等）生成最小够用的着色方案，减少性能开销。最后，通过在现代云 CPU（如 Intel 和 AMD 的典型服务器处理器）上进行实验，验证了该方案在隔离有效性（消除共享微架构组件导致的时序干扰）和性能开销之间的平衡。实验结果表明，所提出的方法能够以平均约 5% 的性能损失实现全面的微架构隔离，显著优于现有部分隔离方案。该研究为云服务商提供了一种可落地的、系统级的侧信道防御手段，尤其适用于多租户场景下敏感工作负载的安全强化。

《CLOUDBURST: 基于信标的云层实时监控与威胁溯源》论文针对云原生环境中的外泄威胁面，指出现有蜜标和信标框架无法应对S3预签名URL、容器镜像、Kubernetes密钥、Terraform状态模块和IAM角色令牌等新型工件。作者提出了CLOUDBURST框架，这是首个针对云原生被动信标的正式分类与测量体系，覆盖AWS、GCP、Azure和OCI四大云厂商的六种向量类别。同时引入云归属分数(CAS)，一个包含临时基础设施惩罚(E_p)、IAM覆盖深度(I_c)和多云关联奖励(M_b)的四分量指标，弥补了以往溯源质量评估维度的缺失。通过在21个部署信标、205次模拟回调及三种攻击者技能水平下的实验，得出四个主要发现：第一，IAM Canary角色获得最高平均CAS(0.450)和检测抵抗性(DR=0.873)，是最易部署的向量；第二，S3预签名URL获得最高检测抵抗性(DR=0.890)，可绕过AWS Macie、Checkov/tfsec和Prisma Cloud/Wiz三种云原生扫描器；第三，临时基础设施消失使所有向量的CAS在48小时内从约0.79下降至约0.18–0.22(p<0.001)，首次量化了容器化环境中的溯源衰减模型；第四，无服务器函数触发器因显式出站HTTP回调模式而检测抵抗性最差(DR=0.611)，需设计隐蔽回调通道。各云厂商之间CAS无显著差异(H=1.99, p=0.57)，证明CLOUDBURST效果与提供商无关。

CCSW 2024（云计算安全研讨会）旨在汇集研究人员和从业者，探讨以云为中心和外包计算的所有安全方面。根据已接受的论文，本次研讨会重点关注以下主题：应用于云的原语加密方案和协议、基于云的泄露攻击及其对策、云计算中的可信计算技术、用于云保护的软件二进制分析、使用AI异常检测的网络安全机制，以及新兴云编程模型（如扩展的伯克利数据包过滤器eBPF程序）的安全性。多年来，该研讨会特别鼓励传统云安全研究未涵盖的新颖范式和有争议的想法，为受云技术影响的计算安全敏感领域的创造性辩论和互动提供了肥沃的土壤。研讨会共收到20篇投稿，其中15篇通过了至少3位审稿人的严格评审，最终7篇被接受发表和展示。

本文首次系统性地研究了Kubernetes Operator中的跨命名空间引用漏洞。Kubernetes Operator是用于自动化管理应用生命周期的工具，它们通常需要高权限并跨多个命名空间操作，这引入了新的安全风险。Kubernetes通过命名空间隔离来限制用户访问，但Operator可能因为声明的资源范围与实际逻辑范围不匹配，导致命名空间隔离被绕过。攻击者利用这种漏洞，即使只在一个授权命名空间内拥有有限权限，也能通过Operator影响其他未授权命名空间，实现权限提升等危害。作者提出了跨命名空间引用漏洞的两种攻击策略，并通过大规模测量发现超过14%的公开Operator存在潜在漏洞。研究结果已报告给相关开发者，获得8个确认和7个CVE（涉及Red Hat、NVIDIA等厂商）。作者开源了静态分析套件并提出了缓解措施，以增强Kubernetes Operator的安全性。本文适合Kubernetes安全研究人员、云原生安全工程师、Operator开发者以及Kubernetes管理员阅读。

本文采用混合研究方法，系统性地分析了云服务配置中的安全与隐私挑战。研究团队对2008年至2024年间约251,900篇与安全及隐私相关的Stack Overflow帖子进行了主题建模和定性分析，旨在映射云使用场景与其对应的安全配置问题。研究发现，配置错误的主要原因包括云平台本身的复杂性、文档不足以及缺乏针对用户环境的上下文感知工具。特别值得注意的是，身份验证和访问控制问题在所有识别出的使用场景中普遍存在，几乎贯穿云部署、集成和维护的各个阶段。该研究不仅揭示了技术性难题（如错误的IAM策略设置），还指出了人为因素（如开发人员对权限模型理解不足）。作者强调，需要开发可用性强、定制化且具备上下文感知能力的支持工具和资源，以帮助开发者安全地配置云服务。本文的主要贡献在于提供了一个全面的云安全配置挑战图谱，为后续研究设计更友好的配置工具提供了实证基础。适合云安全研究人员、DevSecOps从业者以及云服务提供商阅读。

本文提出了一种在完全同态加密计算中实现可否认性（Plausible Deniability）的框架PD-FHC。该框架允许用户将布尔计算外包给不可信的云服务提供商，同时确保：1）计算隐私：对诚实但好奇的云服务商隐藏真实计算内容；2）可否认性：在面对强制攻击者（coercive adversaries）时，用户能够否认真实计算的存在。作者定义了可否认计算媒介（Deniable Computation Medium, DCM）和可否认计算方案（Deniable Computation Scheme, DCS）作为独立于媒介的抽象概念，并使用RGB图像和Fredkin门电路实例化这一框架。具体地，多个计算场景（一个真实场景和若干诱饵场景）被嵌入到载体图像的秘密位置；云服务商对每个像素执行相同的操作，从而对所有场景进行统一处理。在遭受胁迫时，用户能够揭示一个诱饵计算并展示可验证的结果，而真实计算仍然隐藏。作者形式化了多轮胁迫博弈，定义了存在优势（existence advantage）和意图区分优势（intent distinguishing advantage），并证明在图像实例化中，计算隐私优势为Θ(1/(n-1)!)，存在隐藏优势可忽略。Python实现针对电路规模（5-289门）和图像尺寸（128^2到512^2）进行了基准测试，结果显示与TFHE相比具有竞争力的性能，同时提供了FHE本质上无法实现的可否认性。本文的核心贡献在于首次在完全同态计算中引入可否认性，并给出了具体可行的构造与实现。