信任執行環境 (TEE) 在現代運算系統中扮演著至關重要的角色,但它們越來越容易受到基於物理和軟體的錯誤注入 (FI) 攻擊,這凸顯了對增強型反制措施和持續研究的需求,以減輕這些威脅並確保敏感資料和操作的安全性。
本文提出了一種利用安全多方計算 (SMPC) 技術實現隱私保護電力潮流分析的方法,以解決智慧電網中智慧電錶數據洩露隱私的問題。
本文揭露了一種針對神經網路的新型攻擊方式,稱為「記憶後門攻擊」,攻擊者可以利用這種攻擊方式從看似安全的模型中竊取訓練數據。
微型企業由於缺乏資源和網路安全專業知識,在威脅建模方面面臨獨特挑戰,因此需要一個專門設計的非技術性框架和基於網路的工具來有效評估和減輕網路安全威脅。
本文提出了一種基於里德-穆勒信息超集的新方法,可以在將數據委託給服務提供商進行多項式計算時,保護用戶的數據隱私,即使服務提供商內部存在串通勾結的情況下也能夠保證數據安全。
本文提出了一種針對擴散模型的新型白盒成員推斷攻擊方法,利用模型梯度作為攻擊特徵,並透過子採樣和聚合策略解決了梯度數據高維度的問題,在多個數據集上實現了接近完美的攻擊成功率。
自適應異常檢測 (AAD) 是識別網路實體系統 (CPS) 中網路攻擊的一種有效方法,但目前的 AAD 方法主要集中在數據處理或模型適應的單一方面,而非同時關注兩者。
大型語言模型 (LLM) 在網路釣魚攻擊和防禦方面具有雙重性,既可以生成難以偵測的複雜網路釣魚郵件,也可以透過增強資料訓練來改進網路釣魚偵測器。
本文提出了一種基於中繼伺服器的安全文件傳輸機制,該機制受到 WebRTC 協議棧的啟發,旨在實現安全、可靠、開放和高效的設備到設備文件傳輸。
大型語言模型(LLM)容易受到位元翻轉攻擊,即使只翻轉幾個關鍵位元,也能嚴重降低其性能。