#deanonymization

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Mojtaba Zaheri, Yossi Oren, Reza Curtmola

本文研究利用缓存侧信道实现目标去匿名化的攻击与防御。作者首先分析了现代处理器中缓存侧信道泄露的机制,指出攻击者可通过监控共享缓存访问模式来识别受害者的活动,从而推断其身份或敏感信息。然后,提出了一种新的去匿名化攻击方法,利用CPU缓存的时序差异来区分不同进程或虚拟机的行为,结合先验知识(如网站指纹)实现用户去匿名化。实验在真实多用户系统上验证了攻击的有效性,成功率达到90%以上。针对该威胁,作者设计了两种防御机制:一是基于缓存分区,隔离敏感进程的缓存占用;二是引入随机延迟,混淆缓存访问模式。评估表明,防御措施在合理性能开销(<15%)下有效降低攻击成功率至10%以下。本文系统性地揭示了缓存侧信道在隐私攻击中的新应用,并提供了可落地的对策,适合安全研究人员、系统架构师以及云服务提供商阅读。

💡 推荐理由: 缓存侧信道去匿名化攻击可突破传统隐私保护机制(如Tor),威胁多租户环境中的用户匿名性。本文提出的防御方案具有实用价值,对云安全和隐私增强计算有直接指导意义。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.6)
推荐 3.5
Conf: 50%
👥 作者: Ruisheng Shi, Shihan Zhang, Yulian Ge, Lina Lan, Qingfeng Zhang, Qin Wang

本文研究 Monero 加密货币在 Tor 网络中的交易去匿名化问题。Monero 是一种注重隐私的加密货币,它采用 Dandelion++ 协议并集成匿名网络(如 Tor 和 I2P)来防止攻击者将交易与源 IP 关联。然而,本文发现 Monero 与 Tor 的集成引入了一个根本性漏洞:Monero Tor 节点发起的交易在传播到明网之前,会专门转发给两个出站 Tor 隐藏服务节点(代理节点),这使得攻击者可以通过占据目标节点的出站连接来捕获源交易。基于这一观察,作者提出了一个三阶段去匿名化框架 ProxyMark,包括节点角色识别、源交易识别和节点位置去匿名化。通过在实时 Tor 网络、Monero 主网和测试网上进行实验,作者实证展示了 ProxyMark 能够成功对 Monero Tor 节点发起的交易进行去匿名化。该研究揭示了隐私货币在集成匿名网络时可能存在的安全风险,对 Monero 用户和隐私协议设计者有重要参考价值。

💡 推荐理由: 该研究首次揭示了Monero集成Tor网络时引入的特定去匿名化漏洞,威胁到使用Tor的Monero用户的交易隐私。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
推荐 3.5
Conf: 50%
👥 作者: Montassar Naghmouchi, Maryline Laurent

该论文提出了一种新型环签名方案——Deanonymizable Scoped Linkable Ring Signatures (DSLRS),旨在同时实现作用域可链接性与去中心化问责。传统的环签名虽能提供匿名性和签名者自主组成的灵活性,但在需要链接性和问责性的场景(如医疗保健中的同意管理)中有所欠缺。现有方案要么无法在单一签名中原生集成作用域可链接性和去中心化问责,要么依赖单独的承诺或中心化开放者。DSLRS 的核心创新包括:(1) 使用作用域(上下文标识符)和动态密钥镜像,实现在同一作用域内签名可链接、跨不同作用域不可链接;(2) 在签名中嵌入两个 ElGamal 组件,并利用一个由 k-of-N 节点组成的去中心化去匿名网络,协作提取签名者的公钥,从而实现去中心化问责。该方案在随机预言机模型下基于椭圆曲线离散对数问题 (ECDLP) 和决策性 Diffie-Hellman (DDH) 假设被证明安全,并给出了正式的安全定义和约简证明。最后,论文展示了一个基于区块链的同意管理应用实例,使用 DSLRS 来管理患者对医疗数据的授权。该研究为需要匿名性与问责性平衡的隐私保护应用提供了新的密码学原语。

💡 推荐理由: DSLRS 同时解决了环签名中的可链接性(同一作用域内追踪)和去中心化问责(撤销匿名)的难题,为隐私保护应用(如医疗同意管理、匿名投票、合规审计)提供了可落地的密码学工具,尤其适合区块链场景下对可信第三方的最小化依赖。

🎯 建议动作: 研究跟进,评估 DSLRS 在隐私保护应用中的可行性和性能开销

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)