本文提出并部署了名为 Private Computation Space (PCS) 的开源机器学习系统，用于在保护农户数据隐私的同时实现农业领域的联邦学习。研究背景指出，尽管人工智能有潜力改善农业实践，但采用率有限，69%的美国农民因数据隐私担忧而不愿分享数据。农业场景的特殊挑战包括：需要保护农民数据和身份同时保持模型效用、运行在通用硬件上，并且能适应农村脆弱的网络基础设施。PCS 系统针对这些挑战设计，采用多集群编排以在偏远地区提供可靠性，结合异步联邦学习（FL）、差分隐私（DP）和可信执行环境（TEE），使农场可以在不泄露私有数据的前提下参与模型训练。作者在两个实际负载上进行了评估：一个是在纽约州使用活体植物传感器监测氮含量，运行6个月；另一个是在加利福尼亚州利用气象站预测蒸散量，运行10个月。评估结果显示，两个任务的 Dice 相似系数（DSC）达到0.71，R²精度为0.84，相对于最差的单站点模型，精度分别提高了22.4%和9.1%，同时保持了隐私保护。该工作展示了多集群联邦学习联合隐私增强技术在农业领域的实用性，为数据敏感型行业提供了可借鉴的架构参考。

本文提出 TEE-X，一个面向可信执行环境（TEE）的加速框架，旨在解决大型视觉模型（如 Vision Transformer, ViT）在边缘设备上部署时面临的内存限制和计算延迟问题。研究背景是：机器学习模型，尤其是视觉应用，容易受到多种安全威胁；白盒与黑盒威胁模型的差异影响攻击有效性。使用 TEE 可以通过保护模型机密性和执行完整性，将执行环境从白盒侧转移到黑盒侧，从而增强安全性。然而，将大型视觉模型完全放入 TEE 会带来显著的内存和延迟开销，尤其在安全性和隐私至关重要的实时边缘应用中。TEE-X 的核心方法包括：1) 灵敏度感知的模块化技术，将模型分解为不同敏感度级别的模块，以实现更精细的 TEE 内执行；2) 在 TEE 推理中引入向量化，提高计算效率。该框架在 OP-TEE（Arm TrustZone）上实现，并在 NVIDIA Jetson AGX Xavier 上针对 ViT 模型进行了性能优化。实验结果表明，TEE-X 能够在保证模型准确性和低延迟的前提下，实现安全快速的边缘推理，有效平衡了精度与性能。该工作为在资源受限的边缘设备上安全部署大型视觉模型提供了一种可行的加速方案。适合对 TEE、边缘 AI 安全、模型机密性和性能优化感兴趣的研究人员和工程师阅读。

该论文提出了一种混合信任的多方计算（MPC）框架，旨在解决可信执行环境（TEE）在实际部署中存在的信任分歧问题。传统观点认为，TEE（如Intel SGX）依赖硬件保护，能够以远高于纯软件方案的速度执行安全多方计算，但现有实现中已发现多种侧信道攻击，导致不同参与方对TEE的安全置信度各不相同。例如，某一方可能认为攻击者无法攻破TEE，而另一方可能只部分信任TEE，甚至完全不信任。在多方计算场景中，当参与方对TEE的信任级别不一致时，现有方案通常被迫退回到纯软件MPC，这虽然能满足所有参与方的安全要求，但使得接受TEE的一方无法享受其带来的性能收益。为此，作者提出一个混合信任模型，允许不同参与方根据自身对TEE的信任程度自定义安全假设，并设计相应的协议，使信任TEE的参与方能够借助TEE加速计算，而不信任TEE的参与方依然获得纯软件级别的安全保证。该协议需要在不泄露各方输入的前提下，妥善处理各方不同的安全阈值，并防止因信任差异导致的信息泄露。论文的主要贡献包括：形式化定义了混合信任MPC的安全模型，给出了协议构造，并分析了其在诚实多数或恶意敌手等不同安全假设下的适用性。实验部分（基于abstract推断）可能通过实现原型验证了相比纯软件MPC的性能提升。该研究适合对TEE安全、安全多方计算协议设计感兴趣的密码学与系统安全研究者阅读，也为异构信任环境下的安全计算提供了新思路。

该论文提出了一种基于硬件（Trusted Execution Environment, TEE）的可撤销属性基加密（HR-ABE）方案，旨在解决传统可撤销 ABE 中密文委托带来的高计算开销问题。在传统方案中，用户撤销需要通过时间戳机制实现，且为防止被撤销用户解密旧密文，存储服务器必须周期性执行密文委托操作，即对所有密文更新时间戳。当密文数量庞大时，这一过程会带来巨大的计算负担。论文利用商用 TEE 技术，首次系统地研究了硬件支持的可撤销 ABE，以消除不可扩展的密文委托，并同时防止不可信存储服务器与被撤销用户之间的合谋攻击。作者形式化了 HR-ABE 的安全模型，并给出了一种高效构造，该构造还支持外包解密，适用于资源受限的数据用户。此外，方案特别考虑了 TEE 可能面临的安全泄露问题（如侧信道攻击），确保即使 TEE 内部秘密泄露，也不会导致用户数据泄露。安全性证明基于正式的安全模型，并通过实验评估了性能。该研究为云端细粒度访问控制中的用户撤销提供了一种新的硬件辅助解决思路，适合从事密码学、云安全、访问控制研究的学者和工程师阅读。

本文来自 arXiv，研究跨组织纵向联邦学习中的隐私保护与模型精度权衡问题。在传统联邦学习中，各参与方本地持有数据，通过共享模型参数或更新信息来协作训练，并借助本地差分隐私（Local Differential Privacy）保护原始数据。然而，本地差分隐私通常会注入大量噪声，导致模型精度显著下降。针对这一瓶颈，作者提出一种名为“私有跨聚合技术”（Private Cross-aggregation Technology, PCT）的新方法。PCT 结合了私有集合交集基数（Private Set Intersection Cardinality）、可信执行环境（TEE）和差分隐私（DP），构造一个从输入到输出均保持私密的交叉列联表（cross-tabulation table）。整个训练流程分为两步：第一步，利用 PCT 生成私有交叉列联表；第二步，基于该表格训练机器学习模型。这样，模型无需直接接触原始数据，也不依赖高噪声的梯度交换。实验结果表明，在隐私预算受限的场景下，所提方法的分类精度优于基线联邦学习方法，同时计算耗时更短。论文的核心贡献在于：将 TEE 与 DP 结合，通过私有交叉表形式降低了噪声对模型精度的影响，为纵向联邦学习提供了一种端到端的隐私保护解决方案。适合关注隐私计算、联邦学习、差分隐私与可信硬件结合方向的研究人员阅读。

该论文提出 CAGE，旨在为 Arm 机密计算架构（CCA）提供 GPU 加速支持。CCA 是 Arm 推出的机密计算技术，通过创建多个隔离地址空间（称为 realm）来保护安全敏感任务的数据机密性和完整性。然而，现有的硬件和固件不支持机密 GPU 工作负载，且已有方案（如基于 TEE 的 GPU 保护）与 CCA 的 realm 式架构不兼容，或引入庞大的可信计算基（TCB）。为解决此问题，CAGE 利用 Arm CCA 现有的安全特性，在统一内存 GPU（Arm 设备主流加速器）上实现机密 GPU 计算。CAGE 提出影子任务（shadow task）机制，灵活管理机密 GPU 应用，使其适配 CCA 的 realm 架构；同时利用 CCA 的内存隔离机制保护数据机密性和完整性，对抗强敌手；并优化安全操作以降低性能开销。无需修改硬件，仅依赖 CCA 通用硬件安全原语防御特权敌手。原型实现和评估表明，CAGE 能有效为 Arm CCA 提供 GPU 支持，平均性能开销仅 2.45%。 读者适合：研究机密计算、Arm 安全架构、GPU 安全的研究人员；对 Arm CCA 扩展感兴趣的系统安全工程师。

该论文揭示了一种针对可信执行环境（TEE）保护下的深度神经网络（DNN）模型权重的新型攻击方法——HyperTheft。TEE 通过加密将 DNN 视为完全黑盒来抵御模型权重泄露及其后续的白盒攻击，但论文发现 TEE 的密文侧信道在 DNN 执行期间会产生权重依赖的观测数据，从而可能泄露模型权重。现有侧信道攻击技术因要求过高或精度不足而无法直接应用于 DNN 权重窃取——DNN 拥有数百万个权重元素，即使少量错误恢复也可能导致模型失效。为此，论文提出 HyperTheft，利用 TEE 密文侧信道中的权重依赖特征，结合精心设计的推理算法，能够在无需先验知识的情况下以高精度恢复 DNN 权重。实验表明，HyperTheft 在多种 TEE 平台（如 Intel SGX）上成功窃取了多种主流 DNN 架构的权重，且攻击过程对受害者透明。该工作揭示了 TEE 保护 DNN 的一个严重安全缺陷，强调需要针对密文侧信道设计新的防御机制。适合安全研究员、TEE 开发者及关注 AI 模型保护的专业人士阅读。

该论文是一篇关于Intel SGX（Software Guard Extensions）安全性的系统化知识（SoK）综述。论文系统梳理了自SGX提出以来学术界和工业界发现的各类攻击向量，包括侧信道攻击（如L1TF、Foreshadow、ZombieLoad等微架构攻击）、软件漏洞（如enclave内内存安全缺陷）以及针对SGX远程认证机制的绕过方法。作者将这些攻击按攻击阶段（初始化、执行、持久化）和攻击面（硬件、固件、软件）进行分类，并评估了现有防御措施的有效性。主要贡献包括：（1）构建了SGX攻击分类体系；（2）对已知攻击进行元分析，揭示其根本原因（如共享资源竞争、推测执行泄露）；（3）指出现有防御（如安全区页面缓存锁定、加密内存）无法完全阻止侧信道攻击；（4）提出未来SGX安全研究的方向，包括硬件定制化安全指令和运行时完整性监控。论文适合系统安全研究人员、SGX应用开发者以及可信执行环境（TEE）设计者阅读。

传统智能合约在区块链上执行的成本高昂，尤其是在以太坊等平台上，随着费用飙升，复杂应用变得不切实际。链下执行是一种有前景的解决方案，但现有方案存在诸多缺陷，如昂贵的区块链交互、缺乏数据隐私、资本成本高（因需要锁定抵押品）或仅支持有限的应用场景。本文提出了一种实用的链下智能合约执行协议POSE（Practical Off-chain Smart Contract Execution），通过利用可信执行环境（TEE）池高效执行计算，并能够快速从意外或恶意故障中恢复。POSE提供了强大的安全保证，即使大量参与方被攻破也能保持安全性。作者对概念验证实现进行了效率和有效性评估。该协议适用于需要高吞吐量、低成本和隐私保护的智能合约应用场景，如金融产品、拍卖和游戏等。

该论文提出了CURE，一种新型的安全架构，旨在解决现有可信执行环境（TEE）解决方案的三大设计缺陷：1）现有TEE采用“一刀切”的方式仅提供单一飞地类型，而不同服务需要灵活的飞地以适应其需求；2）现有TEE无法有效支持新兴应用（如机器学习即服务），这些应用需要与外设（如加速器）的安全通道或多个核的计算能力；3）对缓存侧信道攻击的保护要么是事后补丁要么不切实际，缺乏缓存资源与单个飞地之间的细粒度映射。CURE通过提供三种不同类型的飞地来解决这些问题：子空间飞地提供所有执行特权级别的垂直隔离，用户空间飞地为非特权应用提供隔离执行，自包含飞地允许跨多个特权级别的隔离执行环境。此外，CURE支持将系统资源（如外设、CPU核心或缓存资源）独占分配给单个飞地。CURE仅需最小的硬件改动，同时显著提升了硬件辅助安全架构的技术水平。作者在基于RISC-V的SoC上实现了CURE，并通过硬件开销和性能开销进行了全面评估，标准基准测试的几何平均性能开销为15.33%。

本文提出 MyTEE，一种在嵌入式设备上构建可信执行环境（TEE）的方案，目标设备缺乏 ARM TrustZone 扩展等关键硬件安全原语（如 TZASC、TZMA、TZPC 和 IOMMU）。MyTEE 仅依赖 CPU 的安全状态，通过精心管理页表来实现内存隔离：利用二级页表（stage-2 page table）将 TEE 与非可信操作系统隔离，并将部分 MyTEE 实现为一个微小的虚拟机监视器。为防止攻击者获得 hypervisor 权限后破坏隔离，确保 hypervisor 的页表不映射 TEE 区域且不可修改。针对恶意 DMA 攻击，MyTEE 实现了一个 DMA 过滤器，用于捕获、验证和模拟对 DMA 控制器的内存映射 I/O（MMIO）操作。在安全 I/O 方面，MyTEE 采用委托方式：非可信操作系统负责向外设发送请求（如 TPM 命令），而 TEE 中不移植设备驱动；仅保护用于外设输出的缓冲区和外设控制器的 MMIO 区域（通过二级页表），并将设备驱动的部分代码块赋予 hypervisor 权限，以访问受保护对象并记录事务日志，供后续可信应用（TA）验证。MyTEE 在 Raspberry Pi 3（Broadcom BCM2837 SoC，不支持 TrustZone 扩展）上实现了概念验证，并演示了三个安全 I/O 示例（硬件 TPM、帧缓冲、USB 键盘），证明了方案的可行性。实验表明，MyTEE 能在缺乏硬件安全原语的嵌入式设备上有效构建 TEE，同时避免在 TEE 中托管完整设备驱动以降低攻击面。

本文针对差分隐私（DP）的 shuffle 模型中存在的信任问题展开研究。在标准 shuffle 模型中，一个 shuffle 器随机排列用户数据以实现高精度和隐私保护。然而，近期研究表明大多数现有 shuffle 协议容易遭受数据收集者与用户之间的合谋攻击。为应对此问题，研究者提出了增强型 shuffle 模型，其中 shuffle 器引入随机采样和虚拟数据添加。但该模型仍面临一个关键开放问题：如何确保 shuffle 器严格遵循协议且不与数据收集者合谋？本文通过全面探索基于可信执行环境（TEE）的增强型 shuffle 模型来解决这一信任问题。首先，作者提出了一种新的隐私概念——全遗忘差分隐私（Fully Oblivious DP, FODP），它强化了 DP 以防止基于外部/内部内存访问模式和控制流的各种 TEE 侧信道攻击。接着，他们提出了一个基于内存大小混淆（memory-size obfuscation）的通用 FODP 算法框架，并在此框架内设计了三种具体算法。通过使用 count-min sketch 并优化哈希次数，进一步提升了算法效率。他们在 Intel SGX 平台上评估了所提算法，并与九种基线方法进行了比较，实验结果证明了其有效性。该工作为在增强型 shuffle 模型中实现可验证的、抗侧信道的隐私保护频率估计提供了理论支撑和实践方案。

该论文针对2026年欧盟安全与可持续设计（SSbD）框架、企业可持续发展尽职调查指令（CSDDD）和碳边境调节机制（CBAM）等法规给先进半导体制造工厂（智能工厂）带来的治理瓶颈，提出了一种零信任的社会技术编排框架。该框架在可信工业数据空间内实现六层SSbD参考架构，通过“专业代理”——在硬件隔离信任区内执行基于角色的自主工作流——推动从反应式自动化向自主治理的转变。框架设计为可互操作的网络协议栈，协调设施、工艺工程和财务代理团队之间的自动化“接力赛”，将工厂良率模型与宏观可持续发展要求对齐。通过在硬件可信执行环境（TEE）中执行虚拟计量（VM）预测和联邦机器学习（FML），解决了数据主权悖论：工厂可通过国际数据空间（IDS）连接器导出加密签名的合规令牌，而无需暴露专有工艺配方。实验验证了该架构在保护数据隐私的同时满足多利益相关方透明性要求，为技术管理者提供了通往韧性、净零排放的工业5.0生态系统的可验证路径。

该论文研究移动设备安全重用（repurposing）面临的机会与挑战。背景是2022年全球约53亿部手机成为电子垃圾，许多设备本可通过重用延长寿命并减少生态影响，但网络安全常被忽视：这些设备内置的硬件安全机制（如安全启动链、可信执行环境（TEE）、硬件绑定的密钥）通常依赖供应商控制的预配置，并针对固定生命周期设计。论文以开放硬件智能手机PinePhone为实验平台，模拟了三种重用场景（如更换操作系统、移除原始供应商服务、将设备用于新环境），测试引导链完整性（boot chain integrity）、TEE隔离能力以及硬件绑定秘密保护是否仍有效。实验表明，重建信任锚点（trust anchor）极为复杂：原始供应商的签名密钥、固件更新机制、TEE中的安全存储均无法简单迁移；即使使用开放硬件，也需要深度逆向工程才能建立新信任根。作者基于实验提出安全重用的通用条件，包括：设备必须允许用户替换根密钥、TEE应支持动态安全世界切换、硬件秘密应可重置且不依赖远程供应商服务。主要贡献：1）首次系统评估安全机制在重用后的有效性；2）揭示厂商锁定机制（vendor-locked mechanisms）如何导致大多数废弃设备无法安全重用；3）提出一套可操作的安全重用需求。适合安全工程师、设备生命周期管理研究者、电子垃圾回收行业从业者阅读。

本研究聚焦于如何向非技术用户解释可信执行环境（TEE）这一技术安全概念。TEE通过创建隔离执行环境来保护可信应用的机密性和完整性，以往研究表明用户了解TEE能提升其数据共享意愿。作者首先分析了现有的TEE解释材料，提炼出候选解释方案，然后通过场景化的小短文（vignette）对966名众包工作者进行实验评估。结果发现，最能提升理解度的解释是非技术性的、强调TEE能防范的具体威胁（如防止恶意软件读取数据）的版本。然而，即使理解度得到提升，用户对使用TEE增强技术的意愿几乎没有改变。这表明，单纯解释技术安全机制可能不足以缓解用户隐私担忧，需要结合其他信任建立手段。该研究为人机交互领域的安全沟通设计提供了实证依据。

本文针对可信执行环境（TEE）应用中输入验证缺失导致的安全漏洞检测问题展开研究。由于TEE构建和运行环境的配置成本高、复杂性大，且硬件隔离限制了可观测性，现有安全分析方法难以有效应用于TEE应用。为此，作者提出SymTEE，一种新型的大语言模型（LLM）辅助符号执行框架，无需真实TEE环境即可检测输入验证缺失漏洞。SymTEE首先通过抽象语法树（AST）分析提取TEE代码中可能缺乏充分输入验证的代码片段，然后利用LLM（本文使用GPT-5）自动将提取的片段转换为KLEE兼容的驱动程序（harness program），其中包含轻量级的模拟执行环境，以便进行符号分析。在26个漏洞（11个真实漏洞和15个合成漏洞）上的评估显示，SymTEE在检测输入验证缺失漏洞方面达到了100%的精确率和92.3%的召回率，而每次分析的平均成本仅为0.05美元。该结果证明了SymTEE所开创的LLM辅助符号执行范式的有效性和实用性。该范式通过LLM自主生成模拟环境，无需复杂设置即可实现自动化安全分析，为可信计算系统提供了更易访问和可扩展的框架。

本文提出 EXIA（External-Input Attestation），一种针对飞地（enclave）可信过渡的机制。飞地技术（如Intel SGX）旨在保护代码和数据免受底层操作系统或管理程序的攻击，但飞地在执行过程中可能涉及状态改变（如从安全域切换到非安全域，或在不同飞地间转移），这种过渡往往需要依赖外部输入。EXIA 通过对外部输入进行认证（attestation）来确保过渡过程的可信性，防止恶意外部输入破坏飞地的安全边界。论文给出了形式化模型和原型实现，评估了性能开销。该研究面向使用飞地技术的安全开发者，有助于设计更健壮的信任链。