電腦安全和隱私

Войти

аналитика - 電腦安全和隱私

CLUE-MARK 是一種針對擴散模型設計的數位浮水印技術，它利用環狀連續學習誤差問題 (CLWE) 將浮水印嵌入到圖像中，並在理論上證明了其不可檢測性，同時保持了高品質的圖像輸出。

本文提出了一種基於軟體函式庫依賴和原始碼演化來預測未來安全漏洞可能性模型，旨在幫助開發者在軟體開發過程中做出更安全的決策。

深度學習模型，特別是圖像識別模型，容易受到後門攻擊，這需要全面的緩解策略來確保模型的完整性和可靠性。

即使在訊息經過端到端加密的情況下，攻擊者仍可利用行動即時通訊軟體（如 WhatsApp 和 Signal）中的傳遞回條洩露用戶隱私資訊和發起資源耗盡攻擊。

本文提出了一種名為 CLMIA 的新型成員推斷攻擊方法，該方法利用非監督式對比學習來訓練攻擊模型，從而更有效地判斷數據樣本是否被用於訓練機器學習模型，特別是在標記身份信息數據有限的現實情況下。

即使對底層設計進行最少的逆向工程，FPGA 位元流也可能被惡意修改，從而危及硬體安全並導致資料洩露。

本文探討了犯罪的演變軌跡，從傳統犯罪到網路犯罪，並提出「超犯罪」作為最新階段，強調執法策略需轉向主動、科技整合和適應性，以應對人工智慧驅動的超犯罪所帶來的挑戰。

本文揭露了一種針對檔案系統的新型旁路攻擊，攻擊者可以利用作業系統中的 syncfs 系統呼叫洩漏的時間資訊，推斷出受害者裝置的敏感資訊，例如網站瀏覽紀錄、影片播放內容和應用程式使用情況，甚至可以建立跨容器的隱蔽通道進行通訊。

控制流證明 (CFA) 能夠有效地檢測出傳統遠端驗證無法識別的執行時攻擊，但前提是驗證方 (Vrf) 能夠有效地分析收到的證據並修復漏洞。

本文提出了一種基於區塊鏈的停車輔助車聯網邊緣計算任務卸載框架，通過改進 Hotstuff 共識機制，選擇停車時間長、計算能力強和通信質量高的車輛作為共識節點，提高了任務卸載和交易的安全性和可靠性，並利用斯坦伯格博弈模型優化卸載策略和定價，實現系統收益最大化。

О нас

Продукты

Ресурсы