该论文《通过密码学安全属性分析多因素认证》探讨了现代认证系统中多因素认证(MFA)的安全性。摘要指出,现代认证系统用于验证用户(或代表用户的应用)的身份,是防御未授权访问的主要手段。早期系统基于单一机制,如用户名/密码、物理令牌或生物特征,而当前系统已演变为结合多种机制的MFA平台。其中一些机制专注于防止重放攻击,即防止重用可能已被泄露的认证组件。论文从密码学安全属性的角度分析MFA,可能涉及形式化定义安全目标(如新鲜性、不可伪造性、绑定等),并评估现有MFA方案是否满足这些属性。由于仅有摘要,具体方法、实验和贡献尚不明确,但研究问题聚焦于MFA的密码学安全分析,特别是抗重放攻击能力。适合安全研究人员、认证协议设计者和对MFA安全性感兴趣的安全工程师阅读。

复放攻击是语音控制系统面临门槛最低的威胁之一，而暴露复放行为的声学线索会随攻击所处的声学环境发生强烈变化。这意味着部署在现场的检测器必须随着时间持续吸收新的声学条件，同时理想情况下不能反复回看历史录音，因为长期保留语音数据既昂贵又受法律合规限制。作者把该问题形式化为声学环境上的领域增量学习（Domain-Incremental Learning, DIL），并提出了首个面向多通道复放语音检测的持续学习基准。实验基于 ReMASC 语料库，覆盖全部 24 种环境到达顺序并各运行 5 个随机种子，评估一个当前最优的、基于波束成形（beamformer）的检测器。结果显示：朴素顺序微调会出现严重灾难性遗忘，使先前已学环境的错误率上升 18.8 个百分点；弹性权重固化（EWC）能把遗忘量减半，但牺牲了模型可塑性；梯度投影记忆（GPM）与朴素微调在统计意义上无法区分；作者提出的任务专用波束成形器（task-specific beamformer, TSB）为每个环境保留一个独立的空间前端，在最终精度与增量精度上均有显著提升。研究还指出，序列中最后加入的环境会主导最终性能表现。代码、结果与分析已开源。

本文针对无线通信协议中基于配对（pairing）的隐私攻击进行形式化建模与缓解研究。随着社交媒体和物联网设备产生大量隐私敏感数据，亟需形式化、自动化的方法来评估复杂系统中的隐私风险。作者首先指出，利用重放/中继（replay/relay）技术实现的关联推断（association inference）攻击，其根源在于协议设计中对条件无关响应（condition-oblivious responses）、重放抵抗（replay-resistance）和距离边界（distance bounding）等安全属性的缺失。文章以Wi-Fi P2P持久组建立过程和蓝牙低功耗（BLE）重连流程为例，形式化建模了这两类典型无线网络协议，并系统分析了协议中共享密钥允许列表（allowlist）用于认证重连时的隐私弱点。作者提出了针对关联推断攻击的协议设计改进方案，并通过模型验证证明了该方案满足已有的认证（well-authentication）、帧不可见性（frame opacity）和无失步（no-desynchronization）等安全属性。分析结果不仅揭示了无线通信中尚未被充分探索的隐私问题，还发现了新旧多种漏洞。所提出的设计变更已被Wi-Fi联盟和蓝牙SIG官方认可，为未来构建更具韧性的隐私保护无线协议铺平了道路。本文适合无线安全研究者、协议设计人员以及物联网隐私工程师阅读，以了解如何运用形式化方法从根源上消除配对过程中的隐私泄露风险。

该论文提出了一种针对 Widevine DRM（数字版权管理）系统的实用重放攻击，命名为 Narrowbeer。Widevine 被广泛用于流媒体服务（如 Netflix、Amazon Prime Video）中，保护视频内容免受未授权访问。研究表明，攻击者可以通过捕获和重放合法的授权响应，绕过 DRM 保护，从而在没有有效订阅的情况下访问受保护的内容。论文详细分析了 Widevine 协议中的安全漏洞，特别是其授权流程中缺乏足够的随机性或时间戳验证，使得重放攻击成为可能。作者开发了一个原型工具，在实际环境中验证了攻击的有效性，并讨论了可能的防御措施，如引入一次性令牌或增强服务器的状态检查。该研究揭示了当前 DRM 实现中一个被忽视的攻击面，对流媒体内容安全具有重要警示意义。

本文研究了持续学习（CL）模型在经验回放机制下的安全漏洞。经验回放是缓解灾难性遗忘的常用技术，但其对重放采样干扰的鲁棒性尚未充分探索。现有攻击通常修改输入或训练流程（如投毒、后门），且很少包含显式的可审计约束，缺乏现实性。本文定义并利用了可审计性概念：监控器可以通过采样器可见的遥测数据（例如记录的回放索引/标签统计）验证合规性，确保实际回放类别直方图接近名义基线，且每批次或滚动窗口内的回放率不变。在此约束下，本文考虑一个仅控制回放索引选择（无法修改像素、标签或模型参数）的低权限内部攻击者，并需遵守队列优先级等审计限制。作者提出了Amnesia，一种回放组成攻击，在两类预算下最大化模型退化：可见性预算delta（限制实际回放类别直方图与名义直方图之间的TV/KL散度），以及质量预算f（固定回放率）。Amnesia包含两个步骤：首先计算轻量级类别效用（如EMA损失或置信度），将名义分布偏向有害类别；然后通过高效的KL（指数倾斜）或TV（平衡质量再分配）优化器将偏好投影回delta球内。采用窗口化调度器强制滚动审计。在多个具有挑战性的持续学习基准和强回放基线实验中，Amnesia一致降低了最终准确率（ACC）并恶化了反向迁移（-BWT）。KL变体在多类审计方案（包括每批次和滚动窗口检查）下影响显著且难以检测；TV变体破坏力更强但更易检测，尤其是在严密的每类约束下。这些结果揭示了回放索引控制作为持续学习系统中一个实用且可审计的威胁面，并建立了原则性的影响-可见性权衡。本文主要面向持续学习、对抗性机器学习和AI安全领域的研究人员与从业者。