Attestable Audit: Property-Based Attestation for Proprietary Workloads without Artifact Disclosure
该论文针对远程证明（remote attestation）在专有软件场景下的信任缺口提出了一种新架构。背景是：可信执行环境（TEE）通过硬件绑定密钥对自身配置信息签名，生成包含内部加载代码度量值（cryptographic digests
#TEE
共收录 66 条相关情报。
← 返回所有主题INTCC: A Framework for Interactive Confidential Computing
该论文针对机密计算（Confidential Computing）在交互式开发流程中的结构性矛盾提出了新的系统范式。传统上，机密计算依赖 AMD SEV-SNP、Intel TDX 等可信执行环境（TEE）来保护"使用中数据"的机密性与完整
TEE Anchor: Cross-TEE Organizational Endorsement for Mitigating TEE Physical Attacks
2025 年，针对可信执行环境（TEE）的物理访问类攻击被陆续披露（如 TEE.fail、Battering RAM），此类攻击需要攻击者能够物理接触目标机器，因而对当前 TEE 部署构成严重威胁。论文的核心观察是：目标机器的物理防护越严格
Toward verifiably private learning from federated data
该论文介绍了一种新一代联邦学习（FL）系统，目标是解决早期 FL 部署中的运营难题，并首次提供可被外部验证的中心化差分隐私（DP）保证，同时改善隐私与效用之间的权衡。系统基于可信执行环境（TEE）构建：设备使用由 TEE 托管的密钥管理服务
Trusted Model Environment for Private Semantic Computations
该论文提出了一种新的密码学原语——可信模型环境（Trusted Model Environment, TME），用于支撑“私有语义计算”。所谓私有语义计算，是指参与方在不暴露各自数据的前提下，联合完成需要理解语义、上下文与数据间关系的计算任
Verifiable Computation with Trusted Execution Environments and On-Chain Digital Rights Tokens
该论文面向跨机构数据协作中的隐私与数据控制权问题，提出一种结合可信执行环境（TEE）与链上数字权益代币（Digital Rights Tokens, DRT）的可验证计算架构。研究背景是：数据所有者希望将各自私有数据合并成数据池以支持联合分
Towards TEE-Certified DP: Verifiable Differentially Private Training on Legacy GPUs
随着机器学习广泛部署，监管与政策对训练数据保护的要求日益严格，差分隐私(DP)成为关键技术；但一个研究不足的问题是，如何在不接触私有训练数据的前提下，由外部验证者认证已发布的模型确实按声称的 DP 保护完成训练。现有基于零知识证明等密码学方
SpliTEE: Improving LLM Inference on Trusted Hardware with Differentially Private GPU Outsourcing
该论文研究如何在可信执行环境(TEE)中高效、安全地运行大语言模型(LLM)推理。背景问题是: 用户提交给 LLM 的提示(prompt)可能包含敏感或隐私信息, 而远程部署的模型可能通过重训练时的无意记忆等途径滥用这些信息。一个自然的防护
"They don't care about this": A Systematic Study of TEE Build Reproducibility in the Wild
该论文系统性研究了可信执行环境（TEE）构建过程的可复现性（reproducibility）问题，选题紧扣云上机密计算信任链的根基。研究背景是：TEE（如 Intel SGX、Intel TDX、AMD SEV）已成为现代云计算的关键基础设
Understanding the Security Boundary of Obfuscation-based On-Device LLM Protection
该论文研究设备端大语言模型（LLM）知识产权保护中的安全边界问题。背景上，可信执行环境（TEE）为在本地设备上保护 LLM 权重提供了有前景的隔离机制，但 TEE 本身存在计算瓶颈。现有 TEE 屏蔽式 LLM 划分（TSLP）方法通过高效
HermiCache: Enclave-Aware Cache Replacement for Trusted Execution Environments
背景与问题: 可信执行环境(TEE, 如 Intel SGX、RISC-V Keystone 等)能把 enclave 的内存与执行上下文与不可信软件隔离, 但缓存等微架构资源在 enclave 与非可信上下文之间仍然共享, 因此攻击者仍可
Session Attestation for Unmodified TLS Services in Confidential Virtual Machines
该论文关注机密虚拟机（Confidential VM，CVM）场景下既有 TLS 服务的会话证明（session attestation）难题。当把现有服务迁移进可信执行环境（TEE）后，若要向对端证明这条 TLS 连接确实终止于一个经过远
GPU Travelling: Efficient Confidential Collaborative Training with TEE-Enabled GPUs.
本文提出了一种名为 GPU Travelling 的新型机制，旨在解决机密协作机器学习（Confidential Collaborative ML）中因模型和数据集规模快速增长而导致的通信开销过大的问题。在传统的多方联合训练场景中，多个互不
Type-Directed, Secure-by-Construction Enclave Partitioning for LLVM
本文针对可信执行环境（TEE）与低层语言（如 LLVM IR）结合时面临的安全分区问题展开研究。TEE 通过 enclave 提供硬件级隔离，但仅依靠它无法保证信息流安全；LLVM 这类语言允许不受限制的指针操作和非结构化控制流，进一步加剧
Towards Formal Verification of State Continuity for Enclave Programs.
本文面向可信执行环境（TEE）中飞地程序的安全性问题，特别是状态连续性（State Continuity）的验证，提出了一种形式化验证方法。状态连续性指飞地程序在执行过程中，即使遭遇异常中断、迁移或恶意系统软件干扰，其内部状态仍能保持一致和
TensorShield: Safeguarding On-Device Inference by Shielding Critical DNN Tensors with TEE.
随着移动端和物联网设备上的人工智能推断任务日益普及，端侧推理（on-device inference）已成为保护用户数据隐私的主流范式。该范式通常将第三方提供的模型部署在本地设备上执行推断，然而这会将私有模型暴露于两大安全威胁之下：模型窃取
CACTI: Captcha Avoidance via Client-side TEE Integration.
本文针对Web服务中机器人滥用日益严重的问题，分析了现有CAPTCHA机制在对抗机器人时效果有限、给人类用户带来困扰以及可能侵犯用户隐私的缺陷。随着客户端可信执行环境（TEE）技术的普及（如ARM TrustZone和Intel SGX），
ANCHOR: A Vision for Secure Persistent Key-Value Stores in Disaggregated Data Centers
该论文提出 ANCHOR，一个面向分离式数据中心（disaggregated data centers）中持久化键值存储（PKVS）的安全愿景与架构蓝图。在传统单机环境中，数据生命周期局限在一台机器内部；而分离式架构将计算、内存和存储拆分到
Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models
本文针对TEE卸载的LLM推理中一种防御方案ArrowCloak发起安全分析。TEE卸载将大模型线性层以混淆形式交给不可信加速器，在可信环境内仅保留小规模修正，以在保护模型权重的同时加速推理。先前攻击ArrowMatch利用权重向量方向不变
Benchmarking Confidential Computing Performance on NVIDIA Blackwell GPUs
本文针对NVIDIA Blackwell B200 GPU上可信执行环境（TEE）的性能开销进行了系统性基准测量。研究背景是：随着机密计算（Confidential Computing, CC）在AI/LLM工作负载中的重要性上升，用户需要