#eclipse-attack

共收录 2 条相关安全情报。

← 返回所有主题
👥 作者: Ruisheng Shi, Jiaqi Zeng, Lina Lan, Shihan Zhang, Bing Han, Xiapu Luo, Qishu Jin, Wenliang Du, Qin Wang

该论文研究区块链 P2P 网络中的日蚀攻击(Eclipse Attack),即攻击者通过垄断目标节点的网络连接,使其与诚实网络隔离,从而实施双花、交易/区块审查、时间劫持等后续攻击。Monero(NDSS'25)、比特币(USENIX'15/21、S&P'20)与以太坊(WWW'26)上的既有日蚀研究都隐含一个前提:攻击者能够与受害者建立入站连接(inbound connection)。这一前提把一大类、且在实际部署中占主导地位的节点排除在外——运行在 NAT 之后、无法被外部主动连接的『不可达节点』(unreachable nodes)。社区长期认为这类节点因为不可被直接访问而享有更强的网络层防护。 本文直接挑战这一假设,论证『不可达并不等于具备预期的抗日蚀能力』,并给出首个专门针对 Monero P2P 网络中不可达节点的日蚀攻击。其核心思路是不需要对受害者拥有任何入站访问权限,而是分两阶段实施:第一阶段,攻击者先污染可达节点的对等列表(peerlist),利用这些可达节点作为『传播中继』,把恶意地址逐步扩散进不可达节点的白名单(whitelist);第二阶段,攻击者利用 Monero 内置的出站连接刷新(outbound connection refresh)逻辑,借由该机制驱逐诚实邻居,最终独占受害者的全部出站连接。 作者将上述策略实例化为两个具体攻击:Nyx 针对长期在线的不可达节点,通过网络范围的投毒实现完整且持久(persistent)的日蚀;Moros 更为隐蔽,利用节点启动引导(bootstrapping)阶段,使新加入网络的不可达节点被快速日蚀。作者以符合伦理的方式开展评估:Nyx 在基于 SEED Emulator 构建的大规模 Monero 网络仿真中验证;Moros 则在 Monero 主网上针对受控目标进行演示。结果显示,不可达节点可被可靠地拖入稳定、长时间持续的日蚀状态。论文最后提出了相应的防御对策。该工作对理解 NAT 后节点真实安全边界、对 Monero 网络层隐私与去中心化保障具有重要意义,其方法论也可迁移至其他采用类似对等发现与连接刷新机制的加密货币网络。

💡 推荐理由: 它推翻了『NAT 后节点更难被日蚀、因而更安全』这一被广泛接受的假设,说明大量默认运行的节点其实同样脆弱。对加密货币节点、钱包、矿池运营者与协议开发者而言,网络层隔离会直接威胁交易隐私、确认安全与去中心化,属于基础性安全前提被证伪。

🎯 建议动作: 研究跟进:将该攻击模型纳入内部区块链节点网络层威胁评估,核对自身节点的出站连接刷新与地址簿策略是否具备同等暴露面,并跟踪作者提出的对策能否落地。

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.6)
推荐 1.5
Conf: 50%
👥 作者: Ruisheng Shi, Zhiyuan Peng, Lina Lan, Yulian Ge, Peng Liu 0005, Qin Wang 0008, Juan Wang 0006

该论文针对门罗币(Monero)的点对点(P2P)网络提出了新型的日蚀攻击(Eclipse Attack)方法。研究背景是,门罗币作为注重隐私的加密货币,其P2P网络的弹性对系统安全至关重要。日蚀攻击是指攻击者控制目标节点的所有网络连接,从而隔离该节点,使其无法获取真实网络状态,可能导致双花攻击或交易审查。现有研究主要针对比特币,对门罗币的特定机制(如Kademlia路由、随机种子选择等)缺乏深入分析。论文首先分析了门罗币P2P网络的架构和节点发现机制,识别出若干可被利用的弱点,包括:种子节点列表的固定性、地址管理器的更新策略、以及连接建立时的偏好算法。然后,作者设计了三种日蚀攻击变体:基础日蚀攻击、快速日蚀攻击和分布式日蚀攻击,分别在不同攻击者资源假设下实现。通过仿真实验,评估了攻击所需的时间、成功率和资源开销。实验表明,即使攻击者仅控制少量IP地址,也能在数小时内隔离目标节点,成功率超过90%。论文进一步讨论了潜在防御措施,如改进地址随机化、引入验证机制和增加连接冗余。该研究首次系统分析了门罗币的日蚀攻击,对加密货币P2P网络安全具有重要警示意义。

💡 推荐理由: 门罗币是市值领先的隐私加密货币,其P2P网络弹性直接影响用户隐私和资金安全。该研究揭示了现有门罗币节点连接机制中的设计缺陷,警示社区需尽快加强防御,防止网络隔离与双花攻击。

🎯 建议动作: 研究跟进

排序因子: Community 数据源 (+1) | LLM 评分加成 (+0.5)