本文针对 TCP/IP 协议栈分层架构中一个被忽视的安全风险进行了深入研究。尽管分层设计带来了实现灵活性和独立性，但当共享资源在不同层之间管理不当时，可能引入新的攻击面。作者发现了一种名为 SocketFilled 的跨层共享资源风险：在 Linux 系统中，链路层（例如地址解析过程）对传输层 UDP 发送缓冲区的不安全使用，可导致上层应用层的响应包被中断，从而形成拒绝服务（DoS）攻击。为探究这一跨层 DoS 漏洞的根源，作者系统分析了地址解析协议标准，并审查了主流开源操作系统（Linux、FreeBSD）中相关协议栈的实现。实验覆盖了主流操作系统以及常见 UDP 服务（如 DNS、QUIC）。结果显示，最新版 Linux 以及 BIND9、PowerDNS、Nginx 等著名服务软件均受影响，可导致严重丢包甚至服务完全中断。进一步，作者评估了 SocketFilled 在真实网络环境中的潜在影响：约 17.3% 的开放解析器、54.3% 的 Tranco Top 100K 域名权威服务器，以及 3.8% 的知名域名 HTTP/3 服务器可能受影响，其中包括 Bing、Amazon 等，这些数据在排除云服务器干扰后依然显著。作者已向 Linux 社区进行负责任披露。该研究揭示了跨层机制在 DoS 攻击中的有效性，呼吁安全社区关注协议栈实现中因分层复杂性而引入的安全挑战。对于蓝队和安全工程师，该成果可用于评估自身基础设施的潜在暴露面，并推动相关防御措施的落地。

该论文分析了Linux内核（以及Android）中使用的prandom伪随机数生成器（PRNG），发现其存在弱点。prandom PRNG被内核中的多个网络层消费者使用，包括UDP源端口生成算法、IPv6流标签生成算法和IPv4 ID生成算法。由于这些消费者共享同一个有缺陷的PRNG，研究者能够发起“跨层攻击”：从一个OSI层推断prandom的内部状态，然后利用该状态预测另一层PRNG的输出，或者将不同协议推断出的状态关联起来。具体地，研究者通过收集TCP/IPv6流标签值、UDP源端口或TCP/IPv4 IP ID值，重建PRNG内部状态，然后预测出站DNS查询的UDP源端口，从而将DNS缓存投毒攻击的速度提升3000到6000倍。该攻击可远程执行，也可本地执行（跨用户、跨容器），并且（取决于存根解析器）可以用任意DNS记录污染缓存。此外，通过收集网络数据并重建PRNG状态，可以关联不同时间提取的状态，从而识别和跟踪Linux和Android设备。论文揭示了内核PRNG实现中的安全缺陷，并展示了如何利用跨层信息泄漏进行高效攻击。

该论文提出了一种针对5G NR网络的跨层拒绝服务质量攻击（Denial of Service Quality, DoSQ）。攻击者通过解码5G基站在空口广播的下行控制信息（DCI），利用侧信道分析推断目标用户设备（UE）的应用层吞吐量（Goodput）。进而，攻击者在同一时隙（1ms）内针对受害UE的物理资源块（PRB）注入干扰，从而降低其应用层服务质量。实验基于私有5G NR测试平台，针对YouTube直播流实施攻击，结果显示能够将目标Goodput降低高达50%，而同一小区的非目标UE几乎不受影响。攻击者无需解密任何用户数据，仅凭DCI特征即可通过跨层分类器估计受害者的Goodput状态和趋势，在顶尖1%的置信度下达到0.87的精确度，相较于基准提升4.21倍。论文还提出了一种基于SSB跳频的反制措施，增加了攻击者重新同步的成本。该研究首次实证测量了无线层到应用层的侧信道，证明了协议感知的敌手可以利用该信道。

低地球轨道（LEO）巨型星座（如SpaceX的Starlink和Amazon的Kuiper）依赖光学星间链路（ISL）实现自主网格路由，为全球提供低延迟通信、物联网和安全服务。随着星座密度增加和多运营商对等组网，ISL完整性对商业可用性和国家安全至关重要。然而，现有实时安全方法仅关注物理层安全，对网络层及复合攻击存在盲点。本文提出一种跨层轻量级行为指纹框架CLIF，该框架在卫星上融合物理层测量（如信号强度、角度）与网络层数据（如流量统计、路由状态），以低计算开销检测异常。作者构建了覆盖Starlink第一壳层（1584颗卫星）、Kuiper壳层（1156颗卫星）以及多运营商联合对等场景（2740颗卫星）的轨道仿真，注入十种攻击类型（包括欺骗、流量操纵、路由颠覆等）并设置不同严重等级。评估了三种基于每颗卫星的无监督检测器，其中基于马氏距离的检测器在Starlink上达到99.5%的召回率，Kuiper上99.4%，多运营商星座上94.8%，同时保持假阳性率（FPR）低于0.7%。结果表明，跨层特征融合不仅对LEO星座的全面安全保护是必要的，而且在大规模网络中具有高成本效益，同时适合资源受限卫星的严格星上能量预算。该研究的核心贡献在于首次系统性地将物理层与网络层数据结合用于LEO星座攻击检测，并在大规模仿真中验证了其有效性与轻量性。