该论文研究立体视觉（双目）相机在深度估计中的内在脆弱性，属于针对自动驾驶、无人机、机器人等自主系统感知层的安全研究。作者指出，立体相机的深度输出依赖像素采样与标定两个基础环节，这些环节本身存在缺陷：攻击者只需在场景中引入简单的重复图案，就能对真实障碍物的深度估计值进行细粒度操控，而无需借助复杂对抗机器学习技术。论文进一步发现，基于深度学习的深度估计模型也存在同类问题，说明该缺陷并非传统匹配算法特有。为评估影响面，作者在两个主流传统立体匹配算法（BM、SGBM）、三个深度学习模型（PSMNet、MoCha-Stereo、UniMatch）、一个立体-激光雷达融合模型（SGM-DDC）以及两款商用立体相机（ZED2、Intel RealSense D435）上进行了系统测试。结果显示影响显著：在 ZED2 上，障碍物的估计深度可被推移到远处最多约 20 米或拉近最多约 12 米，足以把远处的物体伪装成近处威胁，或把真实障碍物"抹掉"。在真实道路场景测试中，一次约 0.5 秒的干扰即可触发某主流自动驾驶框架的紧急制动；作者还借助 CARLA 仿真验证了在最高 40 km/h 车速下的可行性。论文同时验证了现有最先进的防御手段对此类攻击无效，并提出一种新策略：利用匹配相似度分数动态检测并抑制深度异常，从而在输出层缓解偏差。整体贡献在于揭示立体匹配与深度学习深度估计中被长期忽视的共性缺陷，指出现有自主系统部署评估中的关键盲区，并给出可落地的缓解思路。

该论文研究自动驾驶系统中 LiDAR 感知面临的对抗性攻击问题。LiDAR 感知依赖深度神经网络，而 DNN 已被证明易受对抗样本影响。已有针对 LiDAR 的攻击在真实场景中普遍存在可行性、灵活性和隐蔽性不足。作者提出一种新型攻击框架，攻击者可在物理空间中确定少量对抗位置，并在这些位置放置具有反射表面的任意物体（如商用无人机携带的反射材料），即可误导 LiDAR 感知模型。该方法不需精确控制物体形状或攻击者位于特定视角，仅利用反射表面对激光雷达点云产生干扰，具有高灵活性和隐蔽性。实验表明该攻击成功率达 90% 以上；真实世界测试使用两架商用无人机即可轻松实施。据作者所述，这是首次研究对抗位置对 LiDAR 感知模型行为的影响，首次利用任意反射表面物体攻击 LiDAR 感知，也是首次使用商用无人机在物理世界实施此类攻击。论文还讨论了潜在防御策略，如点云异常检测、反射特征过滤等。该研究属于对抗机器学习与自动驾驶安全的前沿方向，适合自动驾驶系统安全研究员、蓝队安全工程师以及 LiDAR 感知系统开发者阅读，以了解物理世界攻击面与防御需求。

该论文系统地研究了触摸屏电子设备（如智能手机、平板电脑）对故意电磁干扰（IEMI）的脆弱性，并首次提出了一种实用的 IEMI 攻击向量。研究背景是：虽然电子设备安全性已被广泛研究，但触摸屏面对电磁攻击的鲁棒性尚未被充分探索。论文的核心贡献在于不仅演示了攻击，还深入分析和量化了触摸屏受到 IEMI 攻击的底层机制。作者给出了在触摸屏上诱发“幽灵触摸”所需的最小电场强度和信号频率的计算方法，并在真实触摸屏上分析了不同幅度、频率、持续时间及多点触控模式对攻击效果的影响。研究还阐明了利用 IEMI 信号控制触摸屏设备的工作机制，并设计了一种视线外触摸屏定位器和触摸注入反馈机制，以支持实际攻击场景。攻击直接作用于触摸屏电路，不受触摸屏扫描机制或操作系统的限制，能够从超过常见桌面平均厚度的距离注入短点按、长按和全方位手势。与现有最先进的触摸屏攻击相比，该方法无需信号同步即可准确注入不同类型的触摸事件，因而更具鲁棒性和实用性。论文还演示了首个可即用的端到端攻击场景，而不仅仅是概念验证。该研究适合硬件安全、物理安全、移动设备安全及相关领域的研究人员和防御者阅读，有助于理解电磁干扰对触摸屏设备的真实威胁，并为建立相应防护措施提供依据。

该论文研究如何通过电磁干扰（EMI）操控 CCD（电荷耦合器件）相机的成像结果，提出一种名为 GhostShot 的攻击方法。研究背景是：现代监控与视觉感知系统高度依赖摄像头，但针对摄像头成像链的物理层攻击往往需要直接接触或破坏设备，而电磁注入提供了一种隐蔽的非接触式干扰途径。核心问题是：能否在不接触相机、不改动其软硬件的情况下，向 CCD 传感器注入精心调制的电磁信号，从而在相机输出图像中“绘制”出攻击者指定的任意图像内容。作者设计并验证了利用电磁波在相机内部电路和传感器上耦合产生干扰信号的机制，通过控制电磁波的频率、幅度、相位和时序，使 CCD 的像素读出过程受干扰而叠加虚假的光强分布，最终在实时画面中形成可辨识的、可定制的图案或文字。实验表明该方法不仅能够制造模糊的干扰条纹，还能注入较为清晰的图像内容，效果取决于相机型号、屏蔽程度、距离和电磁功率等参数。论文的主要贡献是：首次系统化地从理论分析、电磁建模仿真到实际硬件实验验证了针对 CCD 相机的 GhostShot 攻击，揭示了电磁干扰在摄像头安全领域的新威胁面。该研究适合硬件安全研究人员、物理安全系统设计者、以及监控系统部署方阅读，用于理解此类边信道攻击的原理并评估相关风险。

该论文提出了一种针对人脸识别系统的物理冒充攻击方法，名为 ImU。核心目标是让攻击者在不同拍摄条件、姿态和角度下，通过妆容实现一致且自然的外观风格变化，从而诱使人脸识别系统将攻击者错误分类为目标受害者（即内部人员）。传统物理对抗攻击往往需要夸张的图案或道具，容易引起怀疑且难以在不同照片中保持一致性。作者利用 StyleGAN 的潜空间特性，将同一物理个体在不同条件下的多张照片嵌入到潜向量，并利用这些潜向量之间的隐式相关性，搜索一组在物理上可通过化妆实现且跨图像一致的风格变化。该方法不需要攻击者拥有目标受害者的详细图像，只需从外部发起。数字环境与物理世界（真实化妆）实验均表明，攻击者能够以自然、一致的外观变化成功冒充内部人员。研究揭示了人脸识别系统在物理世界中的安全漏洞，强调仅依赖视觉特征比对的身份认证机制可能被低成本、低痕迹的妆容攻击绕过。适合人脸识别系统开发者、安全评估人员以及研究对抗攻击与物理世界安全交叉领域的研究者阅读。

本文提出了一种针对自动驾驶车辆中基于LiDAR的三维目标检测系统的物理激光攻击方法。研究背景是：现有对LiDAR点云欺骗的研究大多在数字域进行，缺乏物理可实现性。作者设计了一个激光收发器，能够注入多达4200个点，比此前工作高20倍，并能测量受害者LiDAR的扫描周期以同步注入信号。通过将点云坐标转换为控制信号的方法，以及考虑LiDAR物理特性和攻击能力约束的对抗点云优化方法，实现了在物理世界中向受害者LiDAR注入具有期望形状的欺骗点云。论文展示了四种攻击类型：简单隐藏、基于记录的创建、基于优化的隐藏和基于优化的创建。实验针对两款商用LiDAR和三种检测器验证了攻击有效性，并从传感器和自动驾驶系统层面讨论了防御策略。该研究揭示了LiDAR感知链路在物理层面的安全脆弱性，对自动驾驶安全设计具有重要参考价值。

该论文以闪存（Flash）存储设备为对象，探讨了一种名为 Body Bias Injection（体偏置注入）的硬件级攻击技术。研究背景在于，闪存被广泛用于固件存储、安全密钥保存和启动代码持久化，其物理安全性直接关系到设备整体信任根。体偏置注入是一种通过调节芯片晶体管衬底偏置电压来改变阈值电压的方法，在传统故障注入研究中已有应用，但论文将其创新性地迁移到闪存芯片上，旨在分析是否能够通过外部操控体偏置，诱使闪存阵列发生数据读改写错误、触发未授权操作或绕过内存保护机制。由于摘要原文未提供，本总结基于标题、作者及领域惯例进行合理阐述。论文很可能包含建模分析、实验验证和攻击链搭建，并可能讨论在现实存储芯片上的可行性与局限性。对蓝队而言，这类研究揭示了固有硬件边界中容易被忽视的攻击面，尤其是当安全软件假设存储硬件可信时，攻击者若能物理接触芯片，可能动摇信任链基础。

本研究提出一种新颖的物理侧信道攻击方法，能够从设备电源指示 LED 的视频录像中提取加密密钥。传统侧信道攻击通常要求物理接触或侵入性测量，而本文仅借助标准视频摄像机（如手机摄像头、监控摄像头）即可实现。核心原理在于：设备内部进行加密运算时，CPU 功耗会随处理的数据和指令变化，导致供电电压微小波动，进而引起电源 LED 的亮度发生极微弱的闪烁。虽然肉眼无法察觉，但现代 CMOS 图像传感器（如卷帘快门模式）可以通过像素的微小明暗变化捕捉这些信号。作者分析了 LED 亮度与功耗之间的相关性，并利用信号处理和机器学习技术从视频帧序列中恢复出密钥比特。实验中，他们在多种设备（如智能卡读卡器、嵌入式设备）上成功从手机 60fps 视频中提取出 RSA 和 AES 密钥，验证了攻击的现实可行性。该研究揭示了物理隔离并不能完全防止密钥泄露，为安全设计提供了新的威胁模型。论文的贡献在于首次系统化地论证了通过普通视频摄像头即可实施此类攻击，并提出了相应的信号提取流程。适合关注侧信道分析、物理安全和物联网安全的研究人员阅读。

本文提出了一种针对视觉-红外融合人脸检测模型的物理对抗补丁攻击方法 VIPatch（视觉-红外补丁）。随着深度学习在多模态融合（如可见光与红外图像）人脸检测中的应用日益广泛，模型面临的对抗性威胁也相应增加。现有的对抗补丁攻击大多仅在数字域针对单一模态（可见光或红外）设计，难以有效攻击融合模型，并且补丁图案往往不自然、容易被察觉。VIPatch 的核心创新在于生成同时作用于可见光和红外图像的逼真补丁，具体通过设计渐变颜色掩码和创可贴形状的贴纸，并联合优化这两个元素，使得生成的数字补丁既具备对抗性又外观自然，进而指导物理补丁的制作。实验在数字域和物理域（如打印贴纸并佩戴）均进行了评估，结果显示 VIPatch 在两个域中对融合模型均达到超过 90% 的攻击成功率，且补丁对人类观察者而言不易引起注意。该工作揭示了多模态人脸检测系统在物理世界中的新漏洞，对于安全从业者理解并防御此类攻击具有重要参考价值。

该论文提出了一种名为L-HAWK的可控物理对抗补丁，旨在针对远距离目标进行有效攻击。现有的物理对抗补丁通常对攻击距离敏感，当目标距离较远时，补丁在图像中的尺寸变小，导致攻击效果显著下降。L-HAWK通过优化补丁的形状、颜色和纹理，并引入可控性机制，使得攻击者可以根据目标距离动态调整补丁参数，从而在长距离场景下仍能保持较高的攻击成功率。实验在多个数据集和真实场景下进行，包括人脸识别和车辆检测任务，结果表明L-HAWK在远距离（如10米以上）能够达到90%以上的攻击成功率，显著优于现有方法。此外，论文还分析了补丁的物理鲁棒性，在光照变化、角度倾斜等条件下仍能保持稳定。该研究为物理世界对抗攻击提供了新的思路，同时也为防御方提出了挑战。

该论文提出了一种利用射频后向反射硬件木马（RFRA）窃听100BASE-TX快速以太网流量的方法。传统的电磁侧信道攻击通常通过被动监测目标设备的电磁辐射来获取信息，但对于高速数据接口如以太网，其电磁泄漏往往不足以实现有效窃听。RFRA技术通过在目标设备中植入极简的硬件木马（通常由分立元件如晶体管或二极管组成），不主动发射信号，而是根据被探测信号线的数据状态调制目标的电磁反射特性，从而实现隐蔽的主动监测。此前RFRA已被证明可用于视频链路和低速外设接口。本研究将RFRA扩展到高速目标，成功实现了对100BASE-TX以太网标准的攻击。论文详细描述了一种紧凑型植入装置的设计与实现，该装置能够恢复快速以太网中使用的MLT-3编码信号，并开发了专用的解调与解析流水线，以减轻无线信道引入的错误，最大化恢复信息量。实验验证了利用射频后向反射隐蔽监控快速以太网流量的可行性，并强调了此类攻击对高速链路的潜在威胁。该研究揭示了硬件供应链中植入微型后门进行远程数据窃取的新型攻击面，对网络设备和通信基础设施的安全性提出了严峻挑战。