Attestable Audit: Property-Based Attestation for Proprietary Workloads without Artifact Disclosure
该论文针对远程证明（remote attestation）在专有软件场景下的信任缺口提出了一种新架构。背景是：可信执行环境（TEE）通过硬件绑定密钥对自身配置信息签名，生成包含内部加载代码度量值（cryptographic digests
#confidential-computing
共收录 41 条相关情报。
← 返回所有主题INTCC: A Framework for Interactive Confidential Computing
该论文针对机密计算（Confidential Computing）在交互式开发流程中的结构性矛盾提出了新的系统范式。传统上，机密计算依赖 AMD SEV-SNP、Intel TDX 等可信执行环境（TEE）来保护"使用中数据"的机密性与完整
TEE Anchor: Cross-TEE Organizational Endorsement for Mitigating TEE Physical Attacks
2025 年，针对可信执行环境（TEE）的物理访问类攻击被陆续披露（如 TEE.fail、Battering RAM），此类攻击需要攻击者能够物理接触目标机器，因而对当前 TEE 部署构成严重威胁。论文的核心观察是：目标机器的物理防护越严格
Trusted Model Environment for Private Semantic Computations
该论文提出了一种新的密码学原语——可信模型环境（Trusted Model Environment, TME），用于支撑“私有语义计算”。所谓私有语义计算，是指参与方在不暴露各自数据的前提下，联合完成需要理解语义、上下文与数据间关系的计算任
Verifiable Computation with Trusted Execution Environments and On-Chain Digital Rights Tokens
该论文面向跨机构数据协作中的隐私与数据控制权问题，提出一种结合可信执行环境（TEE）与链上数字权益代币（Digital Rights Tokens, DRT）的可验证计算架构。研究背景是：数据所有者希望将各自私有数据合并成数据池以支持联合分
Feasibility of Homomorphic Inference for a Genomic Foundation Model
本文针对人类基因组数据"一旦泄露不可撤销、且可直接指向个体身份"这一特殊性，研究基因组基础模型（genomic foundation model）在第三方算力上推理时的隐私可行性问题。作者提出并回答的核心问题是:算力提供方能否在完全不接触明
SpliTEE: Improving LLM Inference on Trusted Hardware with Differentially Private GPU Outsourcing
该论文研究如何在可信执行环境(TEE)中高效、安全地运行大语言模型(LLM)推理。背景问题是: 用户提交给 LLM 的提示(prompt)可能包含敏感或隐私信息, 而远程部署的模型可能通过重训练时的无意记忆等途径滥用这些信息。一个自然的防护
"They don't care about this": A Systematic Study of TEE Build Reproducibility in the Wild
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
Session Attestation for Unmodified TLS Services in Confidential Virtual Machines
该论文关注机密虚拟机（Confidential VM，CVM）场景下既有 TLS 服务的会话证明（session attestation）难题。当把现有服务迁移进可信执行环境（TEE）后，若要向对端证明这条 TLS 连接确实终止于一个经过远
Encrypt What Matters: When Selective Homomorphic Inference Is Efficient
该论文研究的是"选择性同态推理"(selective homomorphic inference) 这一隐私保护推理范式。背景是: 全同态加密 (FHE) 允许服务端在完全不解密用户数据的前提下完成模型推理, 隐私性最强, 但代价是把整个输
GPU Travelling: Efficient Confidential Collaborative Training with TEE-Enabled GPUs.
本文提出了一种名为 GPU Travelling 的新型机制，旨在解决机密协作机器学习（Confidential Collaborative ML）中因模型和数据集规模快速增长而导致的通信开销过大的问题。在传统的多方联合训练场景中，多个互不
NACRE: Rethinking Confidential Containers through Native Architectural Support
论文《NACRE: Rethinking Confidential Containers through Native Architectural Support》针对Linux容器在共享主机内核设计下的安全缺陷展开研究。传统容器依赖主机内
Reducio: Optimized Confidential Serverless Cloud Deployments for Enterprise Customers
本文提出了一种名为 Reducio 的机密无服务器云部署优化方案，面向企业客户对数据隐私与低延迟的双重需求。近年来，基于机密虚拟机（Confidential Virtual Machines, CVM）的无服务器平台被提出，旨在解决无服务器
Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models
本文针对TEE卸载的LLM推理中一种防御方案ArrowCloak发起安全分析。TEE卸载将大模型线性层以混淆形式交给不可信加速器，在可信环境内仅保留小规模修正，以在保护模型权重的同时加速推理。先前攻击ArrowMatch利用权重向量方向不变
Benchmarking Confidential Computing Performance on NVIDIA Blackwell GPUs
本文针对NVIDIA Blackwell B200 GPU上可信执行环境（TEE）的性能开销进行了系统性基准测量。研究背景是：随着机密计算（Confidential Computing, CC）在AI/LLM工作负载中的重要性上升，用户需要
PowerHooK: Enabling Software-Based Power Side Channels Against AMD SEV Technologies via Transient-Execution Replay.
本文提出了一种名为 PowerHooK 的新型侧信道攻击技术，旨在针对 AMD SEV（安全加密虚拟化）技术实现基于软件的电能侧信道泄露。AMD SEV 系列（包括 SEV、SEV-ES 和 SEV-SNP）被广泛用于保护云环境中的虚拟机隔
Reusable Enclaves for Confidential Serverless Computing.
该论文围绕机密 Serverless 计算中的安全挑战，提出了一种“可复用 Enclave”机制。在无服务器计算场景下，每次函数调用通常需要创建或加载一个受信任执行环境（TEE/Enclave），这带来显著的启动延迟和资源开销；同时，不同函
More Granular, Less Trust: Enforcing Intra-Process Isolation with Arm CCA in an Untrusted Management Environment
本文提出 CCAegis，一种基于 Arm 机密计算架构（CCA）的进程内隔离方案，旨在保护机密虚拟机（CVM）中敏感数据和操作免受操作系统及进程内攻击者的侵害。传统机密计算主要依赖 CVM 隔离云厂商，但操作系统特权攻击仍是重大威胁。现有
Securing Filesystems for Confidential Computing
机密计算通过可信执行环境（TEE）保护运行中的应用，但持久存储仍然面临安全威胁。即便使用磁盘加密，恶意的云服务提供商仍可对磁盘状态实施回滚、重放、分叉或篡改攻击，破坏状态型应用所依赖的完整性和新鲜性保证。现有解决方案要么假定存储可信，要么引
SparSEEty: Extracting Tokens from Sparsity-Exploiting LLM Serving Systems via Deterministic Side Channels
该论文提出了一种名为 SparSEEty 的新型令牌提取攻击，针对利用激活稀疏性优化推理性能的大语言模型（LLM）服务系统。现代 LLM 在推理时仅激活部分神经元，这一特性被许多服务系统用于跳过非激活神经元的权重访问和计算，从而提升效率。然