本文研究基于点云表示的三维体积视频在沉浸式虚拟现实和增强现实应用中的安全内容交付问题。点云数据量大，直接全量加密会带来较高计算成本，因此前人工作提出选择性坐标加密框架，即仅加密部分坐标（如X坐标），在降低计算开销的同时使未授权内容在视觉上劣化。然而，该方案的安全性取决于未加密坐标是否泄露足够信息以重建被加密坐标。本文首次系统评估选择性坐标加密在面对机器学习重建攻击时的鲁棒性。作者设定攻击者仅能访问选择性加密后的点云，且不拥有解密密钥，但可尝试利用未加密数据中存在的空间与几何相关性来推断被加密坐标。实验采用PointNet和随机森林两种模型，在两种加密粒度下进行评估：一是全部X坐标被加密（记为X），二是每隔一个X坐标加密（记为2X）。结果表明，对于完全加密的X坐标，重建难度较大；但对于2X方案，攻击者可以借助相邻未加密坐标提供的信息实现高精度重建，说明该方案存在显著信息泄露风险。核心贡献在于揭示了选择性坐标加密的安全强度高度依赖于加密粒度，2X这类稀疏加密模式不足以抵抗基于机器学习的统计推断。该研究对设计点云内容保护机制、评估加密方案实际安全边际具有直接参考价值。适合研究多媒体安全、数据隐私保护、以及涉及点云传输的内容分发系统设计人员阅读。

本文揭示了大型语言模型（LLM）提供商在客户端保存加密推理轨迹所引入的严重安全漏洞。许多主流提供商（如 Anthropic、OpenAI、Google）为避免泄露模型内部推理过程（即思维链），通常将推理步骤以加密块形式返回给客户端，并要求客户端在后续请求中原样携带这些加密块。研究人员发现，这些加密块在提供商生态内完全兼容且可互换，不受会话、用户或模型限制。利用这一架构缺陷，攻击者可将某一模型（如强安全模型）的加密推理轨迹注入到同一提供商旗下防护较弱的模型中，诱导该弱模型解密并明文输出推理内容，从而在不直接破解强模型的情况下提取其隐藏推理。该漏洞衍生出四类攻击场景：第一，绕过反蒸馏机制，使对手能够提取专有模型的推理过程，已在多家主流提供商上成功演示；第二，大规模窃取私有数据——开发者常公开分享会话日志却不知其中加密块敏感，研究者从公共仓库中收集的 315320 个推理块中恢复了 367 条个人身份信息（PII）和 182 个凭据；第三，即便模型最终安全地拒绝恶意请求，其隐藏推理过程中也可能暴露有害信息；第四，攻击者可将恶意载荷完全嵌入加密块，执行隐形提示注入，污染自主智能体系统。作者在负责任披露后提出了加密和系统层面的缓解措施，以保障客户端推理数据的安全。

向量搜索是语义搜索、推荐系统和检索增强生成（RAG）的核心技术。然而，默认情况下，提供查询服务的服务器既能看到用户的查询嵌入，也能看到匹配的语料库，这对查询用户和语料库所有者都构成隐私泄露。已有多种加密方案（如 SAP、EMVP、BNTM、Tiptoe）试图解决该问题，但每个方案都在各自独立的语料库、威胁模型、参数选择、硬件和度量约定下进行评估，导致结果无法直接比较，实践者难以理性选择。为此，本文提出了一个统一基准，在相同的工作负载、硬件和度量定义下，对普通文本基线和四种加密后端进行实验比较。实验结果表明，这些方案并非简单地以性能换隐私，而是在隐私、性能和召回率之间形成了帕累托前沿。具体而言：SAP 的性能与普通文本基线相当；EMVP 以 4 倍吞吐量成本实现密码学上的不可区分性；BNTM 在 EMVP 基础上增加了对恶意服务器的可验证性，但中位延迟额外增加 22 倍；Tiptoe 能够隐藏集群选择本身，但每次查询成本是普通文本基线的 190 倍。此外，GPU 加速对普通文本基线和 SAP 有效，但对 EMVP 和 BNTM 无显著收益。所有实验工件均已公开，便于复现。该研究为隐私保护向量搜索领域提供了首个可横向对比的基准，有助于研究者评估方案优劣，也帮助实践者根据自身需求选择合适的技术路线。

本文针对联邦学习（FL）中数据异质性导致的客户端模型性能下降问题，研究了聚类联邦学习（CFL）方法。现有CFL方法在隐私保护、通信成本和计算效率三者之间存在权衡，作者将其形式化为“CFL三难困境”（CFL trilemma）：改善其中两个维度必然以牺牲第三个为代价。一类主流方法通过共享元数据（即客户端数据集的低维表示）给服务器来实现通信与计算高效的聚类，但这类方法与标准FL隐私保护机制（如加密）不兼容。为解决该局限，论文提出FLAMECHE框架，将基于元数据的CFL重新建模为分布式期望最大化（EM）过程，并严格限制服务器端的更新为加法操作，从而在保持聚类效率的同时兼容实用的安全FL方案（如同态加密或安全聚合）。作者在多个数据集和多种异构场景下进行了大量实验，结果表明FLAMECHE能提升客户端模型的有效性（如准确率），并首次实现加密兼容的元数据聚类，显著改善了其在CFL三难困境中的定位。该工作主要贡献包括：形式化CFL三难困境、提出EM视角的分布式聚类方法、设计仅需加法运算的服务器更新机制、并通过实验验证了方法的有效性与加密兼容性。适合联邦学习、隐私保护机器学习及分布式系统方向的研究者和工程师阅读。

本文提出 SDP（Secure Datacenter Protocol），一种为新兴数据中心传输协议（如 NDP 和 Homa）设计传输层加密的协议。SDP 在不改变上层应用的前提下，将加密功能集成到传输层，支持 NIC（网络接口卡）卸载、原生协议号（与 TCP/UDP 并列）以及基于消息的抽象，从而实现低延迟的远程过程调用（RPC）和细粒度并行。实验表明，SDP 在保持高性能的同时提供机密性和完整性保护，适合需要低延迟和高吞吐的数据中心场景。

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 for Modeling and Simulation with Enhanced Security），一个从底层设计的安全增强型HPC系统，旨在在强大的安全框架内提供高性能。RAMSES集成了AMD处理器的硬件级内存加密技术，并结合IBM Storage Scale和Thales CipherTrust管理器的最先进文件加密方案，构建了一个在整个数据生命周期（静态、传输、使用中）均实现持续加密的HPC平台，符合欧洲通用数据保护条例（GDPR）、ISO/IEC 27001认证和联邦信息处理标准（FIPS）等主要数据保护标准。此外，系统实现了高级操作系统加固、多层安全架构和强制性多因素认证，使HPC环境适应更高的安全需求。来自生物医学领域的基准测试结果表明，安全环境对性能的影响有限，证明了在保持系统一致性、灵活性和用户友好性的前提下，可以实现速度与安全这两个相互冲突要求的整合。本文适合HPC架构师、安全工程师以及对安全敏感数据处理感兴趣的研究人员阅读。

本文针对无人机群（UAV swarms）通信中的安全挑战展开研究。无人机群依赖分布式协作和无线通信（RF和WiFi）实现可扩展操作、扩展覆盖以及监控和实时数据交换等应用。MAVLink作为主流无人机通信协议，提供了消息完整性和认证机制，但缺乏内置加密，导致遥测流量易受窃听。作者在先前工作中提出了MAVShield——一种轻量级加密框架。本文在此基础上，将MAVShield、AES-CTR、Speck-CTR、ChaCha20和Rabbit五种加密方案集成到四架定制无人机中，在RF和WiFi信道上建立安全通信链路，并通过无人机群测试平台进行了飞行实验评估。加密后的遥测数据支持自主编队控制和飞行碰撞避免。在碰撞避免方面，作者开发了改进的人工势场（APF）算法，该算法直接在地理坐标系中计算引力和斥力，消除了笛卡尔变换，减少了轨迹振荡，同时避免了局部极小陷阱。实验测量了每种加密方案的CPU利用率、内存消耗和丢包率（PDR）。结果表明，MAVShield在整体效率上优于AES-CTR、Speck-CTR、ChaCha20和Rabbit，且性能接近未加密通信。代数密码分析和基于Wireshark的流量分析证明了MAVShield能抵抗密钥恢复攻击并保护遥测机密性。本文的主要贡献在于：1）在真实无人机群平台上实现了多种加密方案的集成与评估；2）验证了MAVShield作为轻量级加密方案的高效性和安全性；3）提出了改进的APF算法以提升碰撞避免性能。适合对无人机通信安全、轻量级加密和无人机群协调控制感兴趣的网络安全研究者阅读。

本文针对检索增强生成（RAG）流水线中广泛使用的分层可导航小世界（HNSW）向量数据库，揭示了软删除操作的严重安全隐患。当用户请求删除数据时，系统通常仅将记录标记为已删除，而实际嵌入在磁盘上保持不变，这违反了GDPR第17条和HIPAA等数据擦除与保留法规。作者在三个HNSW实现上验证，通过直接访问存储层的原始索引文件（绕过API）即可物理恢复已删除的向量。利用无需领域微调的Vec2Text反转模型，在多个真实数据集上展示了该漏洞：在维基百科在世人物数据集（BLP）上成功恢复25.5%的准确人名和46.4%的地理位置（ROUGE-L 0.185）；在高度结构化的敏感数据（NIH Synthea数据集）上，患者年龄和性别的恢复率达到100%（ROUGE-L 0.290）；在软删除的图像嵌入上，组织病理学切片的组织分类准确率为100%（p=1.02e-07），面部嵌入的top-1身份恢复率达99%（p<0.01）。作为防御，本文提出了Epoch密钥轮换机制：对向量进行加密，删除时丢弃密钥。该机制将观察到的PII恢复率降至0%，处理500个已删除向量仅需2.5毫秒（约0.005毫秒/条），并生成ECDSA签名的加密证明作为删除事件的可审计记录。本研究适合向量数据库开发者、RAG系统构建者、隐私合规工程师以及关注数据持久性安全的研究人员阅读。

该论文针对远程直接内存访问（RDMA）在高性能系统中的安全缺陷展开研究。RDMA通过绕过CPU实现机器间的直接内存传输，显著降低了延迟和CPU开销，但同时也绕过了传统的CPU中介安全机制，在不可信环境中引入了严重漏洞。为此，作者提出将AES-128加密集成到RDMA数据传输中，在不显著影响性能的前提下增强安全性。核心创新在于利用可编程Tofino交换机，通过P4编程语言在数据平面直接实现加密，从而将加密任务从CPU卸载到交换机，保留RDMA的性能优势。实验在测试平台上测量了不同数据包大小下的吞吐量：16字节包0.37 Gbps，32字节包0.76 Gbps，64字节包1.83 Gbps，128字节包1.9 Gbps。结果表明，使用可编程网络硬件实现安全的、高吞吐的RDMA通信是可行的。该工作为高性能计算和存储网络中的数据传输安全提供了新思路，适合网络架构师、安全研究员和RDMA系统开发者阅读。

该论文提出了一种针对大视频文件的同时压缩与加密系统（SDCE），旨在解决传统压缩和加密方法计算开销大、处理时间长、不适合实时应用的问题。核心方法是将基于混沌映射的加密与霍夫曼无损编码压缩整合到一个统一框架中：利用逻辑映射生成伪随机混沌序列用于XOR加密，确保强安全性；同时采用霍夫曼编码进行无损压缩，显著降低计算开销和处理时间。实验结果显示，与现有方法相比，该系统在熵值、雪崩效应、吞吐量、压缩比、峰值信噪比（PSNR）、每速率位数（BPC）以及数据损失百分比等指标上均表现出更优性能，有效增强数据隐私和完整性。该研究适用于需要高安全性和实时性的大视频文件传输场景。

CCSW 2024（云计算安全研讨会）旨在汇集研究人员和从业者，探讨以云为中心和外包计算的所有安全方面。根据已接受的论文，本次研讨会重点关注以下主题：应用于云的原语加密方案和协议、基于云的泄露攻击及其对策、云计算中的可信计算技术、用于云保护的软件二进制分析、使用AI异常检测的网络安全机制，以及新兴云编程模型（如扩展的伯克利数据包过滤器eBPF程序）的安全性。多年来，该研讨会特别鼓励传统云安全研究未涵盖的新颖范式和有争议的想法，为受云技术影响的计算安全敏感领域的创造性辩论和互动提供了肥沃的土壤。研讨会共收到20篇投稿，其中15篇通过了至少3位审稿人的严格评审，最终7篇被接受发表和展示。

本文提出了一种针对隐私保护动作识别（PPAR）的压缩友好加密方法CFE-PPAR。PPAR旨在让机器理解视频中的人类活动而不泄露敏感视觉内容。现有加密方法在加密视频被压缩（如Motion-JPEG或H.264）时，会导致识别性能和视觉质量急剧下降，即不具压缩友好性。CFE-PPAR利用视频变换器（video transformer）实现加密视频的直接识别，其中视频使用密钥加密，变换器参数也使用相同密钥进行变换，从而在加密域中保持识别能力。实验在UCF101和HMDB51数据集上验证，在Motion-JPEG和H.264压缩下，CFE-PPAR在识别准确率和视觉质量方面均优于先前方法。该方法首次实现了压缩友好的加密PPAR，为实际部署中视频传输与存储的隐私保护提供了可行方案。