Time Is Money: Incentivized Causal Transaction Ordering
区块链中的抢跑(front-running)是一个持续存在的安全问题。区块链本质上是执行交易(指令)的状态机,用户通过发布有价值的功能性交易来获得奖励。攻击者观察到这些交易后,在其之前发布自己的类似交易,从而抢夺奖励,削弱用户发布功能性交易
共收录 158 条相关情报。
← 返回所有主题区块链中的抢跑(front-running)是一个持续存在的安全问题。区块链本质上是执行交易(指令)的状态机,用户通过发布有价值的功能性交易来获得奖励。攻击者观察到这些交易后,在其之前发布自己的类似交易,从而抢夺奖励,削弱用户发布功能性交易
本文提出了一种在无中央协调器且无需共识的情况下实现拜占庭容错鲁棒聚合的方法。现有的拜占庭鲁棒聚合规则(如 multi-Krum)通常依赖中央协调器,且因其全局耦合、非结合性和不连续性而难以去中心化——微小的扰动可能导致输出突变。作者提出的
本文延续了作者前期的研究工作,提出了一种针对椭圆曲线离散对数问题(ECDLP)的“推测与确定”(Guess and Determine)攻击方法。该方案基于拉斯维加斯(Las Vegas)算法,将求解ECDLP转化为在矩阵中寻找零子式(ze
本文针对分布式系统与AI智能体中基于持有的授权模型(Proof-of-Possession)的局限性,提出了一种名为Proof-of-Continuity的权威传播时间模型。传统授权依赖令牌、凭证或能力等工件,但无法保证离散执行链中请求来源
本文提出一种针对联邦强化学习(FRL)系统的安全防御框架SecAgg+,旨在保护安全关键的自动驾驶场景中的FRL模型免受投毒攻击。联邦强化学习允许多个智能体协同学习而不共享原始数据,从而增强隐私和可扩展性,但现存投毒攻击可通过注入恶意系统参
本文提出 ECO/CPO-DAG,一个针对对抗性供应链的问责协议,将矛盾检测形式化为补充验证层,而非共识或真理建立机制。参与者将签名的事件声明对象(ECO)发布到一个因果有序、只追加的有向无环图(DAG)中,边编码了发生在先关系。当关于同一
本文提出一种双CRDT架构,用于解决去中心化系统中的信任治理与演化问题。CRDT(无冲突复制数据类型)能够实现去中心化复制和最终一致性,但在拜占庭容错场景下,需要确定哪些更新是可信的并参与状态重构。然而,信任关系通常随参与者加入/离开、身份
现代数据中心日益依赖大规模 GPU 集群和现场可再生能源,导致计算负载与电力电子主导电网之间形成紧密耦合的物理信息系统。本文提出了一种此前未被探索的脆弱性 Bit2Watt:攻击者通过操纵 GPU 工作负载,诱导受控的高频功率调制,从而破坏
本文提出了一种名为 Orcaella 的混合容错协议,针对部分同步状态机复制(SMR)中的混合拜占庭和崩溃故障模型进行了研究。经典的 PBFT 协议需要至少 3f+1 个节点来容忍 f 个拜占庭故障,且每个请求需要三个通信步骤。近期协议如
本文针对草根平台(grassroots platforms)——由通过自选公钥标识的人及他们的智能手机组成的分布式系统——提出了一种安全保障方案,以应对重大故障:私钥丢失和/或智能手机丢失。由于草根平台没有全局资源可供恢复,本文设计了基于对
该论文研究了在按份额付费(Pay-Per-Share, PPS)和完全按份额付费(Full Pay-Per-Share, FPPS)方案下,针对Nakamoto风格区块链的最优区块扣留(Block Withholding, BWH)攻击策略
本文针对区块链系统中普遍存在的中心化问题展开研究。尽管区块链技术承诺去中心化,但多项测量研究表明,在实际的区块链系统(如比特币、以太坊)中,几乎所有层面(共识、治理、应用等)都出现了显著的中心化现象,且难以明确量化中心化程度。现有去中心化改
传统高性能计算(HPC)系统架构以速度为核心,而高安全计算机系统通常需要牺牲速度来换取安全性。然而,生命科学等众多科学领域需要同时具备高性能和安全性,以便大规模处理敏感数据。本文提出了RAMSES(Research Accelerator
该论文研究了时间触发通信协议中网络无关监护器(network-agnostic guardians)的同步限制及其可利用性。时间触发通信依赖可信组件(监护器)强制遵循预定网络调度,网络无关监护器因降低成本和复杂度而被广泛使用,但其时钟同步依
去中心化金融(DeFi)应用的交易执行顺序至关重要,攻击者可通过重排序攻击提取区块链可提取价值(BEV)。虽然以太坊等线性区块链系统已有大量公平排序机制研究,但基于有向无环图(DAG)的共识协议尽管因可扩展性和高性能而被广泛采用,却始终缺乏
本文提出了一种名为 TL++ 的双模式遍历学习框架,旨在解决分布式智能系统在数据孤岛下训练时的准确性与隐私保护问题。传统的联邦学习虽然保持数据本地化,但在异构分区下性能下降且需要反复交换完整模型;拆分学习通过切割层激活值减少通信,但通常无法
本文研究了在 Blackwell GPU 机密计算(GPU-CC)环境下,LLM 推理服务性能显著下降的根本原因。作者在 NVIDIA RTX Pro 6000 和 B300 HGX 两个平台上进行了实验,发现性能瓶颈并非来自 GPU 计算
本文提出了一种名为“语义非组合”(Semantic Non-Assembly, SNA)的新型隐私保证框架。与传统的基于保密性、访问控制或统计披露限制的隐私模型不同,SNA 从“暴露发生时信息收益”的角度定义隐私:即使攻击者能够完全暴露和解
本文针对自主代理在云、部署和数据控制工作流中日益增长的应用场景,提出一个关键安全问题:生产环境的变更权限不应存在于非确定性推理过程中。现有访问控制机制主要授权身份,而保证层认证提议的操作,但两者都无法在变更执行的瞬间提供强制性的认证授权执行
该论文针对 Conflict-free Replicated Data Types (CRDTs) 在拜占庭环境下的容错问题展开研究。传统 CRDT 假设参与者无恶意行为,通常依赖验证或排除机制处理拜占庭错误。论文提出一种确定性状态重构方法