Hiding My Real Self! Protecting Intellectual Property in Additive Manufacturing Systems Against Optical Side-Channel Attacks.
本论文提出了一种针对增材制造（3D打印）系统的光学侧信道攻击方法，旨在窃取打印过程中的知识产权。作者通过分析3D打印机的视频记录，利用深度神经网络逐帧估计打印头的坐标轨迹。实验表明，该方法能够成功恢复任意打印过程的路径信息。通过数据增强技术
#deep-learning
共收录 86 条相关情报。
← 返回所有主题MoPE: A Mixture of Password Experts for Improving Password Guessing.
本文针对密码猜测任务中现有数据驱动模型对密码结构差异忽略导致训练偏差的问题，提出了一种混合密码专家框架（MoPE）。研究背景指出，当前密码强度评估方法通常将密码视为统一数据，忽视了不同密码的结构模式（如固定长度数字串、字母数字混合等），导致
Watch Out! Simple Horizontal Class Backdoor Can Trivially Evade Defense.
本文揭示了一种新型的深度学习后门攻击——水平类后门（Horizontal Class Backdoor, HCB），与现有的垂直类后门（Vertical Class Backdoor, VCB）截然不同。在VCB攻击中，植入的后门通过特定触
Explaining Intrusion Alert Decisions of Deep Learning-based Network Intrusion Detection Systems for Security Analysts
本文提出 EXP-SEC 框架，旨在为基于深度学习的网络入侵检测系统（DL-based NIDS）生成的告警提供可解释性，使安全运营中心（SOC）的分析师能够理解告警背后的决策依据。研究背景是：现有DL-based NIDS虽然检测精度高，
ATLAS: A Sequence-based Learning Approach for Attack Investigation.
攻击调查是安全运营中识别攻击步骤和根因的关键环节。传统方法依赖专家规则或图分析，难以应对复杂多步攻击。本文提出ATLAS，一种基于序列学习的攻击调查方法。核心思想是将系统日志转化为事件序列，利用深度学习模型（如LSTM）学习攻击模式，自动识
RoVISQ: Reduction of Video Service Quality via Adversarial Attacks on Deep Learning-based Video Compression.
本文首次系统研究了针对基于深度学习的视频压缩与下游分类系统的对抗攻击。视频压缩在视频流媒体和分类系统中至关重要，旨在在有限带宽下最大化用户体验质量(QoE)。作者提出了名为RoVISQ的攻击框架，通过操纵视频压缩模型的率失真(R-D)关系，
Statistically Undetectable Backdoors in Deep Neural Networks
本文研究深度神经网络中后门植入的统计不可检测性。作者展示了一种对抗性模型训练者可以在大规模前馈神经网络中植入后门的方法，这些后门在白盒设置下是统计不可检测的，即后门模型与诚实训练模型之间的总变差距离很小，即使审查者拥有模型的完整描述（如所有
Blind Backdoors in Deep Learning Models.
这篇论文研究了一种新型的深度学习模型后门注入方法。与传统的后门攻击不同，该方法不依赖于修改训练数据、观察代码执行或访问最终模型，因此被称为“盲后门攻击”。攻击者通过破坏模型训练代码中的损失值计算过程，在训练过程中动态生成带有毒化的训练样本，
Securing Deep Learning Hardware: A Survey of Side-Channel Vulnerabilities and Countermeasures
本论文是一篇关于深度学习硬件侧信道漏洞与防御措施的综述。随着深度学习模型在医疗、金融、安全等关键领域的广泛应用，确保其免受新兴威胁变得至关重要。侧信道攻击（SCAs）是一类特殊威胁，它利用硬件的物理或微架构特性（如功耗、电磁辐射、时序、缓存
ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification
传统的恶意软件检测方法在面对混淆或未知威胁时泛化能力不足。本文提出 ThreatVisionAI，一种混合恶意软件家族分类框架，它集成了原始图像 CNN、基于小波的 CNN 和 Vision Transformer (ViT)，以捕获恶意软
Demo: Security of Deep Learning based Automated Lane Centering under Physical-World Attack.
该论文演示了深度学习驱动的自动车道居中（ALC）系统在物理世界攻击下的安全性问题。ALC是高级辅助驾驶系统的关键功能，依赖深度学习模型进行车道线检测和车辆横向控制。作者提出了一种物理世界对抗性攻击方法，通过在车辆前方道路放置精心设计的贴纸图
Hybrid Topological Data Analysis and LSTM Networks for Enhanced Network Intrusion Detection Using CIC-IDS2017 Dataset
本文提出一种结合拓扑数据分析（TDA）与长短期记忆网络（LSTM）的混合方法，用于增强网络入侵检测系统（NIDS）的性能。研究背景：现代网络流量复杂多变，传统NIDS难以高效检测新型攻击。核心问题：如何同时捕捉网络流量的拓扑结构特征和时序依
MM-BD: Post-Training Detection of Backdoor Attacks with Arbitrary Backdoor Pattern Types Using a Maximum Margin Statistic.
本文提出一种名为 MM-BD 的后门攻击后训练检测方法，旨在检测深度神经网络分类器中的后门攻击，且不依赖于具体的后门嵌入模式。现有大多数后门检测器均假设攻击者使用特定的后门嵌入函数（如补丁替换或加性攻击），当攻击者采用不同的嵌入函数时，这些
Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations
本文提出了一种名为 Derail 的对抗攻击框架，针对当前生成式端到端自动驾驶规划器中的评分头（scoring head）进行攻击。生成式规划器（如基于扩散去噪或词汇检索的模型）在推理时，通常会生成一组候选轨迹（锚点、词汇条目或提议查询），
Poster EveGAN: Using Generative Deep Learning for Cryptanalysis.
该论文介绍了一项使用生成式深度学习（具体为生成对抗网络，GAN）进行密码分析的研究。研究背景在于传统密码分析方法往往依赖人工设计的启发式算法或数学求解，而深度学习尤其是生成模型在捕捉复杂分布方面具有潜力。核心问题是探索GAN能否用于学习和近
The Role of Input Dimensionality in the Emergence and Targeted Control of Adversarial Examples
这篇论文系统研究了输入维度（input dimensionality）在深度神经网络对抗样本产生和定向控制中的作用。作者首先分析了现有基于测度集中（concentration of measure）的理论框架的适用范围与局限性，发现真实图像
What You See is Not What the Network Infers: Detecting Adversarial Examples Based on Semantic Contradiction.
该论文聚焦于深度神经网络（DNN）在安全关键领域（如自动驾驶）中面临的对抗性样本威胁。现有防御方法存在诸多局限：只能防御部分对抗性样本，或导致正常输入的高精度损失，且多数无法抵御自适应攻击（即攻击者了解防御机制后针对性构造的样本）。作者观察
MINOS: A Lightweight Real-Time Cryptojacking Detection System.
本文提出了一种名为 MINOS 的轻量级实时加密劫持检测系统，专门针对基于 WebAssembly (Wasm) 的加密劫持恶意软件。传统的动态分析检测方法需要恶意软件运行一段时间以收集动态特征，导致显著的计算开销。MINOS 利用深度学习
SymLM: Predicting Function Names in Stripped Binaries via Context-Sensitive Execution-Aware Code Embeddings.
在二进制逆向工程中，函数名是理解程序行为的关键线索，但剥离二进制文件（stripped binaries）中丢失了符号信息。现有方法通常利用静态特征或控制流图进行函数名预测，但忽略了代码执行过程中的动态语义和上下文敏感信息。本文提出 Sym
ViPER: Vision-based Packing-Aware Encoder for Robust Malware Detection
恶意软件检测是网络安全的核心挑战之一。传统基于静态特征（如签名、熵）的方法容易受到加壳（packing）技术的干扰，而基于可视化的方法将二进制字节映射为灰度图像，利用视觉分类器进行检测，具有抗规避和无需反汇编的优势。然而，可执行文件加壳会生