该论文聚焦于自主系统中热成像感知链路的安全脆弱性。热像仪被广泛用于自动驾驶、无人机、机器人以及安防系统，在夜间或恶劣天气下提供关键的环境感知能力。然而，热成像感知对物理世界的攻击面研究尚不充分。作者系统性地分析了热成像感知流程中从传感器物理层到后端目标识别算法的各个环节，揭示了攻击者可通过刻意设计的热源或热干扰（例如热辐射操控、局部温度扰动）诱导感知模型产生错误输出，进而导致自主系统做出危险决策。论文提出了一个系统化的威胁建模框架，将热成像感知的脆弱性分类为不同层级，包括物理传感器、信号处理、特征提取和语义理解，并针对每一层级分析了可能的干扰向量。为了验证这些脆弱性，作者在真实测试平台上开展了实验，使用他们自行构建的热成像攻击测试床，评估了不同类型热干扰对目标检测、分类和跟踪任务的影响。实验结果显示，在特定条件下，攻击者能够使热成像系统对行人、车辆等关键目标的识别置信度显著下降，甚至完全漏检或错检。基于上述发现，论文进一步提出并评估了多种缓解策略，包括多种传感器数据融合、基于一致性的异常检测、对抗训练（在热域中增强训练数据）以及基于物理的防御机制。这些防御措施在实验中展现出一定的鲁棒性提升，但仍有其局限性。总体而言，该论文是首个系统研究热成像感知在自主系统中安全性的工作，为后续研究提供了理论基础、实验方法和防御方向，对自动驾驶安全、机器人安全以及相关物理世界AI系统安全有重要启示。适合自动驾驶安全工程师、AI安全研究员、传感器安全分析人员以及自主系统设计者阅读。

SentryBus 提出了一种面向 I2C 传感器接口操纵的多视角可观测性模型与经过验证的检测仪器。论文针对医疗物联网设备、无人机和信息物理系统中普遍存在的传感器信任假设：一旦测量值到达嵌入式处理器，系统便默认其可信。然而，攻击者若在传感器与处理器之间的数字接口上注入看似合理的值，固件会将其当作正常遥测数据接受并上报。作者的核心假设是：传感器接口的操纵行为会在采集路径上留下可观测证据，且证据的出现位置随攻击者所处的视角（vantage）不同而不同；因此，一个被动的宿主机侧监视器存在可测量的边界，超出该边界后操纵行为将与合法采集难以区分。SentryBus 利用事务时序、读写序列、传输长度、地址行为、寄存器和 FIFO 状态访问、以及原始数据转换等特征，对 I2C 传感器总线上的采集行为建模。攻击者模型包括内联拦截器（inline interposer）、并行控制器、传感器替换和宿主机被攻陷四种位置；由于普通 target-only 传感器无法发起传输或拉伸、重排、延迟总线事务，这些位置覆盖了实际的攻击面。论文构建了双面测试平台，同时捕获两侧总线、宿主机内存和遥测数据；检测器仅使用宿主机侧总线数据，而其他视角作为真值。在生理信号实例化测试中，报告了三项实测结果：1) 内联拦截器占用采集服务时间的 0.842%，同时保持采集时间表和负载内容不变；2) 在遥测视角下，干净采集稳定性持续 6304 秒，无时钟回归；3) 一组阴性结果证明数据转换特征编码了特定会话的信号统计信息，不会跨采集会话迁移。此外，仪器特征分析显示，低成本分析仪可能截断采集过程而内核无可见错误。受控攻击试验仍待完成，因此论文未声称任何检测率。该工作为传感器接口操纵检测提供了新的建模思路和可复现的测试平台，适合从事 CPS/物联网安全、嵌入式系统取证和异常检测的研究人员阅读。

本文针对基于红外成像的重放攻击检测机制，提出了一种新型的光学合成攻击方法，并设计了一种深度感知的传感器内对策。在基于摄像头的身份认证、活体检测等安全场景中，红外摄像头常被用于区分真实人体与照片或视频重放。现有检测手段多依赖光谱特性、反射模式或热图像统计特征，然而作者发现，攻击者可以通过精心设计的光学合成方式，在物理世界构造出与真实红外信号高度相似的光线分布，从而有效绕过现有的重放检测算法。为了应对这一威胁，作者进一步提出了深度感知的防御方案，即将深度信息与红外信号融合，利用真实人体在深度图上的三维几何特征与重放平面在深度上的差异进行判别。该方法在传感器层面集成，无需额外的计算开销，能够实时区分真实与重放。作者通过一系列物理实验验证了攻击的有效性与防御措施的鲁棒性。研究结果表明，单纯依赖红外光谱特征的检测机制存在严重漏洞，而深度感知策略能够显著提升抗重放能力。本文为红外摄像头安全领域的攻防研究提供了新的视角，对设计高安全性活体检测系统具有重要参考价值。适合计算机视觉、传感器安全、生物识别与对抗性攻击方向的研究人员和系统设计人员阅读。

该论文提出了一种名为 VibSpeech 的基于振动侧信道的宽带窃听方法。在传统的振动侧信道攻击中，攻击者利用设备（如智能手机、智能手表）中的加速度计等振动传感器，感知声波引起的微小振动，从而尝试恢复语音信号。然而，由于传感器采样率有限以及物理带宽限制，传统方法通常只能重建窄带语音，难以实际应用。VibSpeech 旨在突破这一限制，探索如何利用带限的振动信号实现宽带语音窃听。论文的核心思想可能涉及信号处理技术，如超分辨率重建、频谱外推或基于学习的方法，从带限振动信号中恢复缺失的高频分量，从而提升语音的可懂度和识别率。研究可能包括对振动传播模型的建模、攻击场景的设计（例如通过恶意应用或远程入侵获取传感器数据）、以及实验验证，在真实设备上评估窃听效果。该工作揭示了振动侧信道在语音窃听方面的现实威胁，促使安全社区关注传感器数据泄露的防护。论文适合对侧信道攻击、传感器安全、隐私保护感兴趣的研究人员阅读。

传感器是现代智能设备的关键组件。随着物联网和可穿戴移动设备的普及，传感器被广泛用于环境监测和预测行动。人体活动识别（HAR）是其中一个重要应用，它利用惯性测量单元（IMU）传感器（如加速度计和陀螺仪）来提供健康、训练和医疗诊断方面的洞见。然而，HAR模型的准确性受到数据不足的限制。基于扩散模型的技术已被证明能够成功生成合成数据来训练HAR模型。本文提出了一种后门训练技术IMU-DM-CLIP，该技术利用扩散模型和CLIP（对比语言-图像预训练）引导来对HAR模型实施基于触发器的攻击。实验分析表明，即使后门注入率仅为10%，且仅有10%的数据用于引导扩散模型，攻击依然能够成功。这项研究揭示了HAR模型在安全方面的潜在脆弱性，特别是当训练数据中包含后门触发样本时，模型可能被恶意操控，导致错误的识别结果。对于依赖HAR进行健康监测或安全关键应用的系统，这种攻击可能带来严重后果。论文的主要贡献在于首次将CLIP引导的扩散模型用于生成HAR领域的后门数据，展示了低注入率下攻击的高效性，并引发了关于传感器数据完整性和模型安全性的思考。适合安全研究人员和HAR系统开发者阅读，以了解此类新兴攻击向量。

本文提出了一种名为 PhyFuzz 的新型传感器漏洞检测方法，利用物理信号模糊测试来发现传感器中的安全缺陷。传感器在现代系统中广泛应用，但物理层面的攻击往往被忽视。PhyFuzz 通过生成物理信号（如声波、电磁波等）并注入到传感器中，观察系统的异常行为，从而检测出传感器对物理干扰的脆弱性。该方法系统性地探索了传感器物理输入空间，结合自适应变异策略以提高漏洞发现效率。实验在多种实际传感器设备上进行，结果表明 PhyFuzz 能够有效发现传统软件模糊测试无法触及的物理层漏洞，例如传感器饱和、信号干扰导致的错误输出等。该研究为物联网和嵌入式系统安全提供了新的测试视角，有助于开发更鲁棒的传感器系统。主要贡献包括：1）提出了物理信号模糊测试的通用框架；2）设计了针对传感器特性的变异生成算法；3）通过案例验证了方法的有效性。

该论文是一篇系统化知识（SoK）研究，系统梳理了传感器带外（out-of-band）漏洞的基本原理、分类及安全影响。传感器带外漏洞是指攻击者利用传感器物理特性（如声、光、电磁）绕过软件安全机制，导致信息泄露或控制流劫持。论文首先定义了带外攻击的威胁模型，区分了主动注入与被动窃听两类攻击模式；随后基于传感器类型（麦克风、摄像头、陀螺仪等）和攻击媒介（声学、光学、电磁）构建了分类法，覆盖了数十个已知漏洞（如激光攻击麦克风、电磁干扰陀螺仪）。进一步，论文分析了现有防御策略（物理屏蔽、信号随机化、多传感器融合）的局限性，并提出了统一的安全评估框架。实验部分通过复现典型攻击案例验证了分类法的完整性，并量化了不同传感器的攻击成功率与防御开销。该研究为嵌入式系统、物联网设备及移动终端的安全设计提供了系统化参考，适合安全研究员、硬件工程师及系统架构师阅读。