该论文针对 B2B 广告的定向困境提出 SIF（Sealed Inference Frame）方案。背景是：B2B 广告需要推断浏览者的职业属性（雇主规模与行业、职能、职级），传统做法依赖跨站身份匹配；但 Safari 与 Firefox 已封堵第三方 Cookie，Google 于 2025 年下线 Privacy Sandbox 的 cohort API，而基于反向 IP 的企业画像在远程办公普及后准确度持续衰减。SIF 的思路是把推断放到用户设备上完成：在本地推断出粗粒度的职业分群，只向 OpenRTB 竞价流写入一个经过本地差分隐私处理、按分类法编码的标签，全程不带跨站标识符。其技术基础是 Web 平台的一个特性——被导航的跨源 iframe 是第三方代码唯一能获得自己可控策略的载体，因此推断以 WebAssembly 运行，即使发布方 CSP 禁止亦然；而嵌套 worker 以 default-src 'none' 提供，使模型完全没有网络访问能力。论文给出泄漏上界：即使模型本身是恶意的，每站点每周也最多泄漏约 5 bit。标签经一个以发布方第一方标识符为键的记忆化 k 元随机响应机制处理，从而满足 ε-本地差分隐私，可抵御多次请求求平均的攻击，且其跨请求关联能力不超过已发送的第一方标识符。此外引入组织条件 k-匿名规则对单元格进行抑制，在企业网络环境中比家庭网络更严格。分群数据通过 OpenRTB 的 user.data 字段以对齐 LinkedIn 的分类体系传输，归因使用 LinkedIn 的点击级 li_fat_id 而不做身份桥接。实验部分包括：对 7,969 个头部站点与 431 个 B2B 发布方的 CSP 部署爬取、Heavy-Ad 预算分析、隐私—效用权衡的闭式解、再识别模拟，以及属性可预测性评估——公司类型与规模可预测，职级基本不可预测。作者强调“端上运行是一种设计属性，而非同意豁免”。

本文提出Swivel，一个用于加固WebAssembly（Wasm）免受Spectre攻击的编译器框架。在浏览器之外，Wasm已成为一种流行的轻量级进程内沙箱，常用于边缘云计算和函数即服务（FaaS）平台中隔离不同客户端。然而，Spectre攻击能够绕过Wasm的隔离保证，使恶意代码可能读取沙箱外或其他客户端的数据。Swivel通过确保潜在的恶意代码既不能利用Spectre跳出Wasm沙箱，也不能胁迫受害代码泄露秘密数据，从而加固Wasm。作者设计了两种Swivel方案：一种纯软件方法，可运行于现有CPU；另一种硬件辅助方法，利用Intel第11代CPU的MPK等扩展。两种方案都分别实现了随机化缓解和确定性消除两种模式。随机化模式在SPEC 2006的Wasm兼容子集上开销低于10.3%，而确定性模式开销在3.3%到240.2%之间。尽管某些基准测试开销较高，但Swivel的开销比现有依赖流水线栅栏的防御小9倍到36.3倍。实验表明，Swivel在提供有效防护的同时，性能开销相对较低，为Wasm沙箱环境提供了实用的Spectre防护方案。

本文提出了一种名为 MINOS 的轻量级实时加密劫持检测系统，专门针对基于 WebAssembly (Wasm) 的加密劫持恶意软件。传统的动态分析检测方法需要恶意软件运行一段时间以收集动态特征，导致显著的计算开销。MINOS 利用深度学习技术，将 Wasm 二进制文件转化为图像，并使用卷积神经网络 (CNN) 模型进行图像分类，从而区分良性网页和利用 Wasm 进行未经授权挖矿的恶意网页。研究团队使用包含当前恶意和良性 Wasm 二进制的全面数据集训练模型。实验结果表明，MINOS 在实时检测中达到了 98.97% 的准确率，平均检测时间仅为 25.9 毫秒，CPU 占用率最高为 4%，RAM 占用率最高为 6.5%，证明其高效、轻量且计算成本低。该系统的核心贡献在于解决了传统方法的高开销问题，实现了即时检测，适用于浏览器安全场景。