该论文提出了一种名为CORELOCKER的神经元级使用控制方法，用于保护深度学习模型的知识产权。核心思想是从训练好的神经网络中提取一小部分显著权重作为“访问密钥”，拥有密钥的用户可以获得模型的全部能力，而未授权用户只能获得部分能力。该方法通过形式化分析给出了保护前后网络效用差异的理论上下界，并基于Fashion-MNIST、CIFAR-10和CIFAR-100数据集以及VGGNet、ResNet和DenseNet等真实模型进行了实验验证。实验结果表明CORELOCKER能有效控制模型使用权限，并对基于微调和剪枝的高级模型恢复攻击具有鲁棒性。该工作为模型所有者提供了一种细粒度的访问控制机制，有助于防止模型被滥用或盗用。

该论文聚焦于神经网络鲁棒性认证的可信计算问题。鲁棒性认证旨在为给定输入确定最大扰动范围（轴对齐超矩形），使模型在该范围内预测不变。现有方法追求体积最优认证，但近期的难解性结果证明，在合理时间内计算体积最优认证不可行。为此，作者引入新度量“apothem”（超矩形的最短边距），并提出一种算法，仅需线性次（相对于输入域直径）调用神经网络验证器（Oracle）即可计算apothem最优认证。理论证明表明，即使忽略Oracle计算开销，也不存在基于Oracle的体积最优算法。此外，作者提出“双重认证”（dual certifications），即包含某类所有样本的区间，从而为鲁棒性认证提供基于apothem最小值的上界。实现上，开发了ParallelepipedoNN系统，在MNIST和Fashion-MNIST基准测试上评估。初步实验显示，与现有工作相比，在最小边距指标上至少提升两倍。该工作为解决鲁棒性认证的可计算性与可信度平衡提供了新思路。

本文针对物联网（IoT）网络中低速率拒绝服务（LDoS）攻击的早期检测问题提出了一种轻量级预测性神经网络架构 IDQS（通过 QoS 预测进行入侵检测）。LDoS 攻击具有隐蔽性和持续性，传统入侵检测系统难以有效识别。IDQS 框架包含两个核心组件：一是 RTP-QoS（循环趋势预测神经网络），该网络利用历史流量模式学习和预测未来的服务质量（QoS）指标；二是 PDM（成对决策模型），通过比较预测 QoS 与实际 QoS 之间的差异来识别潜在攻击。IDQS 采用轻量化设计，适合资源受限的 IoT 环境。在公共数据集 SDN-SlowRate-DDoS 和 CIC-IDS2017 上的评估结果显示，IDQS 在大多数攻击场景中实现了超过 79% 和 91% 的检测准确率，同时保持较高的召回率和较低假阴性率，端到端推理时间仅为 0.28 秒。实验证明了 IDQS 在实时部署中的有效性和高效性。本文的主要贡献在于提出了一种基于 QoS 预测的主动防御方法，能够早期发现 LDoS 攻击，弥补了传统基于阈值或签名检测方法的不足。适合网络与安全领域的研究人员、IoT 安全工程师以及入侵检测系统设计者阅读。

本文提出了GALA（Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks），旨在优化隐私保护神经网络中基于同态加密（HE）的线性计算效率。在现有的隐私保护机器学习服务（MLaaS）框架中，如GAZELLE、DELPHI和CrypTFlow2，HE线性计算占用了绝大部分计算时间，其中置换（Perm）操作是点积和卷积最耗时的部分。GALA通过以下两项创新减少置换操作：1）采用行优先权重矩阵编码，并结合GC非线性计算所需的共享生成，减少点积中的置换次数；2）设计先加法后置换的核分组方法，减少卷积中的置换操作。实验表明，GALA在不同数据维度下可将点积速度提升高达700倍，卷积计算速度提升14倍；集成到GAZELLE后，总体运行时间加速2.5至8.3倍。GALA可作为即插即用模块，显著提升现有隐私保护神经网络框架的效率。

全同态加密（FHE）仅支持加法和乘法运算，因此在FHE环境下进行神经网络推理时，需要用多项式近似替代ReLU激活函数。传统方法通过在经验激活区间上进行多项式拟合来控制逼近误差，通常需要较高次数的多项式，导致同态求值开销增加。然而，分类结果仅由最终logit的决策边界决定，激活函数的局部近似误差不一定影响分类准确性。本文从决策感知的角度重新审视ReLU替换问题：给定一个训练好的单隐层ReLU MLP和一个指定的校准集，能否在不重新训练的情况下，找到一个低次（二次）HE友好的多项式替换ReLU，同时保持校准集上的决策结果？作者聚焦于二次替换（最低次的保持单单元非线性的选择）。对于在升维空间中正间隔可分的校准集，他们将二次替换建模为线性可分问题，给出了校准无损替换的充要条件，并提出了构造系数的算法。当正间隔条件不成立时（通常由少数误分类校准样本导致），他们通过约简凸壳和拉格朗日对偶软间隔松弛扩展了相同的几何框架，从而限制任何单个样本的影响，将问题转化为较小的凸二次规划，得到近似可行的系数，并在校准集决策上具有较高的经验一致性。特别地，在最大权重上限μ=1时，约简凸壳松弛退化为严格可分情况下的凸壳分离；该松弛连续地扩展了精确理论。在CKKS加密方案下，该二次替换在多个基准测试上匹配明文top-1精度，激活模块运行速度比Remez-7快3.7–4.1倍，端到端速度提升1.18–1.68倍。本文方法适用于需要FHE推理且希望降低多项式次数的场景，尤其适合隐私计算和机器学习即服务（MLaaS）中处理敏感数据的情况。

近年来，随着隐私保护法规（如欧盟GDPR）的出台，多方计算（MPC）协议被广泛用于公司和机构之间的联合数据分析与机器学习，以保护数据隐私。然而，MPC协议的复杂性导致其实现中常存在数据泄露漏洞，严重破坏预期的隐私保护。现有安全分析多依赖理论证明，忽视了实现中的漏洞检测。本文提出MPCGuard，一个实用的框架，用于检测MPC实现中的数据泄露漏洞。与传统内存漏洞不同，MPC中的数据泄露无法通过现有消毒工具识别。为此，MPCGuard首先建立由两个神经网络分类器组成的泄露标识器，根据MPC协议特性设计分类器结构，以判断实现是否包含数据泄露漏洞。识别出漏洞后，采用delta方法辅助定位。为验证有效性，在三大主流MPC框架（Crypten、TF-Encrypted、MP-SPDZ）中的29个常用实现上进行测试，发现12个存在数据泄露漏洞，部分可导致原始数据重构。截至论文撰写时，所有漏洞已被确认，其中两个已分配CVE编号（据作者所知，这是首个针对MPC实现数据泄露漏洞的CVE）。该工作首次系统性地解决了MPC实现中数据泄露漏洞的自动检测问题，对保障MPC应用的安全性具有重要意义。