由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
基于强化学习代理的自动化灰盒SSTI漏洞检测(RLAgent-GSSTI)
原标题：RLAgent-GSSTI: Automated Grey-Box SSTI Vulnerability Detection based on Reinforcement Learning Agent
作者：Wengang Ma; Tao Li; Wenbo Fang; Wenshan Li; Geying Yang; Tao Li
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：随着模板引擎在Web开发中的广泛应用，服务器端模板注入(SSTI)攻击已成为常见的安全问题。传统的白盒或黑盒漏洞方法在SSTI漏洞中表现出明显的局限性，特别是在自动化效率和假阴性率高的方面。本文提出了一种基于强化学习(RL)代理的自动化灰盒服务器端模板注入(SSTI)漏洞检测框架RLAgent-GSSTI。首先，我们提出了一种结合彩虹算法和CodeQL的SSTI风险预测方法，使用一个RL智能体自动生成查询语言(QL)规则用于代码数据库的安全审计。其次，我们开发了一种基于分层强化学习（HRL）代理的SSTI注入检测方法，用于生成攻击载荷进行漏洞识别和利用。最后，我们开发了一个自动化灰盒漏洞检测框架，能够高效准确地检测SSTI漏洞。我们测试了SSTI风险预测方法与现有的高级静态代码分析方法，并表明我们的方法具有较低的假阴性率(FNR)，仅为28.10%，而几种高级静态代码分析工具的FNR高达100.00%。注入检测方法在过滤环境中优于高级扫描程序，并能够实现远程代码执行的自动化沙箱逃逸。值得注意的是，RLAgent-GSSTI的假阴率低至11.28%，优于传统静态分析工具和扫描程序的效果。代码可用：https://github.com/Lgoprog/RLAgent-GSSTI.
原文链接
基于神经架构搜索的视频内容认证感知哈希(PHA-NAS)
原标题：PHA-NAS: Perceptual Hashing for Video Content Authentication Based on Neural Architecture Search
作者：Yuing Zhou; Yingying Xu; Na Wang; Chuan Qin; Xinpeng Zhang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：随着编辑视频内容的快速增长，感知视频哈希对于内容认证变得越来越重要。大多数现有方法通常依赖于预定义的特征提取技术，这限制了它们全面表征复杂视频内容的能力。为了解决这个问题，本文提出了PHA-NAS，一种基于神经架构搜索（NAS）的感知视频哈希方法，该方法能够自动发现适用于视频认证任务的有效架构。它采用双分支结构，其中快速分支侧重于时间动态，慢速分支捕获空间特征。然后为两个分支构建搜索空间，包含不同感受野的候选操作，使其能够自适应地选择合适的感觉野，并增强多尺度特征表示。在搜索过程确定每个阶段的最佳操作后，所得到的架构被重构以形成提议的PHA-NAS。此外，设计了一种链式联合代价估计算法，用于在同时约束哈希生成和计算复杂度的情况下近似搜索成本。实验结果表明，PHA-NAS 达到了比最先进的方法更高的视频认证精度，在接收者操作特征曲线下面积方面提高了 0.0048，同时保持了鲁棒性和区分能力之间的有利平衡。
原文链接
通过保存的游戏状态进行可信否认的隐蔽通信：容量与可行性
原标题：Plausibly Deniable Covert Communication via Saved Game State: Capacity and Feasibility
作者：Yuzhou Feng; Seep Kiran Pinjala; Radu Sion; Bogdan Carbunar
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：依赖流行西方工具的抗审查通信系统经常在严重审查地区受到审查，使用户处于风险之中。我们探索了在审查制度生态系统中被容忍或开发的单人游戏作为提供隐蔽通信媒介的替代方案。我们介绍了Trilobyte，一个系统，它将加密数据隐藏在游戏过程中生成的游戏状态中，并使用共享的云同步游戏账户异步通信数据。特里洛比特采用了一种基于会话的模型，该模型允许用户在使用之间删除或混淆痕迹。我们还介绍了一个可选的基于服务器的Trilobyte扩展，用于异步的、货币化的内容交付，并分析了它引入的额外攻击面。在所述假设下，Trilobyte 支持在我们面向检查的对手模型中合理否认通信，其中对手可能控制游戏平台并对用户设备进行重复物理检查。我们的评估显示，Trilobyte可以在一小时的会话中嵌入多达5.3MB的数据。我们研究了通过中美两国均可访问的游戏进行共享账户隐蔽通信的可行性，并通过在中国游戏平台上实际购买和租赁来评估账户获取情况。这些结果表明Trilobyte在以检查为导向的环境中提供了一种实用的、高容量的秘密通信方法。
原文链接
BG-FlipIn：用于高级持续性威胁中FlipIt内部模型的贝叶斯博弈框架
原标题：BG-FlipIn: A Bayesian game framework for FlipIt-insider models in advanced persistent threats
作者：Yang Jiao; Guanpu Chen; Yiguang Hong
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：在本文中，我们研究了具有不同偏好的内部人员的高级持续性威胁(APT)。为了应对内部人员偏好的不确定性，我们提出了BG-FlipIn，这是一个用于研究恶意的、无意的和腐败的内部人员模型的三玩家FlipIt博弈框架我们推导出贝叶斯纳什均衡的封闭形式表达式，并获得三个确定性边缘情况下的纳什均衡在此基础上，我们进一步发现了几个与防御者的移动速率和成本以及内部人员的偏好有关的APT现象。然后我们为防御者在不同的参数条件下提供决策指导。三个应用验证了BG-FlipIn使防御者能够在不检测内部人员的具体偏好或频繁调整其策略的情况下做出一致的决策。
原文链接
ASFuzz：通过异步影子模糊测试检测Linux内核异步并发错误
原标题：ASFuzz: Detecting Linux Kernel Asynchronous Concurrency Bugs viaAsynchronous Shadow Fuzzing
作者：Jianzhou Zhao; Yangyang Geng; Jingyi Wang; Yuqi Chen; Haowen Chen; Yunfeng Wang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：由异步同步交互引发的并发错误对操作系统内核安全构成严重且未充分探索的威胁。传统的检测方法常常无法捕捉异步任务的延迟触发特性及其与同步执行上下文之间的语义关系，从而限制了它们发现此类错误的能力。我们提出两个关键见解：执行路径之间的显式依赖建模，以及在相关同步执行期间异步任务的有条件触发。基于此，我们开发了ASFuzz，一个异步模糊测试系统，该系统构建了一个Shadow Dependency Graph来捕获调度关系、上下文匹配的资源关系以及操作类型。利用影子依赖图，ASFuzz 采用双模式架构：一个覆盖率引导阶段探索同步路径并收集合法的异步触发种子，而影子执行阶段则生成合法的系统调用程序，在相关的同步上下文中自然调度相关异步任务。自适应调度程序协调该过程，在广泛的状态探索和有针对性的交错压力测试之间进行平衡。我们评估了ASFuzz在Linux内核版本6.6到6.15上的表现。结果表明，ASFuzz 成功发现了14个之前未知的并发相关错误，包括10个异步并发错误；14个错误中有5个已被分配了CVE标识符。这些发现验证了我们双重视角的有效性，并突出了ASFuzz通过依赖驱动和上下文敏感测试揭示深层次和细微的异步并发错误的能力。
原文链接
实现数据共享中的先验对齐效用隐私权衡
原标题：Achieving Prior-Aligned Utility-Privacy Tradeoff for Data Sharing
作者：Xue Chen; Cheng Wang; Changjun Jiang; Asoke K. Ni
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：在隐私感知的数据共享中，实现任务效用与敏感信息泄露之间的先前提前权衡仍然是一项关键且具有挑战性的问题。传统方法通常采用粗粒度特征选择策略，常常共享所有属性或固定子集而没有细粒度区分。这样的无差别分享不仅加剧了隐私泄露的风险，而且还由于冗余数据扰动而削弱了实用性。为了解决这些限制，本文提出了一种新颖的统一效用隐私建模框架，在明确的隐私和效用约束下促进事先细粒度自适应的数据共享。该框架将权衡表述为一个约束优化问题，在其中多个隐私约束被编码为加权惩罚项，从而能够根据特定场景的要求灵活地进行优先级调整。通过利用信息论的抽象，利用归一化互信息（NMI）估计效用增益和隐私损失，提供了一个连贯的、尺度不变的度量标准用于联合优化。与传统方法不同的是，我们的方法选择性地识别并分享只有最具有信息量的数据，这些数据满足隐私约束条件，从而有效减轻不必要的隐私泄露，并避免由于冗余噪声增加而导致的效用下降。通过松弛对偶形式拉格朗日实现优化，从而提供了一种可解释且计算高效的机制来表征效用-隐私权衡前沿。本工作通过实现精确的任务导向型数据共享政策来推动领域发展，这些政策能够动态适应异构隐私约束，为复杂的数据交换和协作学习系统提供隐私保护铺平了道路。
原文链接
量子-KIP：用于量子隐私的核诱导点
原标题：Quantum-KIP: Kernel Inducing Points for Quantum Privacy
作者：Baobao Song; Shiva Raj Pokhrel; Athanasios V. Vasilakos; Tianqing Zhu; Gang Li
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：我们介绍了Quantum-KIP，一种将训练集压缩成一组带有软标签的核诱导点的小集合的方法。它使用量子特征映射来计算状态保真度重叠，并仅依赖于前向评估，避免了通过量子电路的反向传播。我们提供了一个压缩引起的稳定性分析表明替换一个训练样本会改变学习到的集合和预测结果O(m/n)。我们进一步提供了该灵敏度界限与固有量子噪声的联合分析，展示了有限次测量噪声和去极化噪声如何导致量子核观测相关的隐私相关可区分性界限。电路执行分析显示的量子运行次数明显少于基于梯度的方法。在MNIST和CIFAR-10数据集上使用六量子位特征映射，Quantum-KIP实现了接近全数据训练的精度，大幅加速，减少隐私泄露，并且在去极化噪声和测量噪声下具有鲁棒性。
原文链接
基于骨架的视频异常检测的空间时间解耦可逆神经网络
原标题：Spatial-Temporal Decoupled Invertible Neural Networks for Skeleton-Based Video Anomaly Detection
作者：Yang Liu; Lei Zhang; Juncen Guo; Lulu Guo; Zhenghao Niu; Jing Liu
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：基于骨架的视频异常检测由于其隐私保护特性而获得了安全和法医应用领域的广泛关注，这种特性可以抽象出人体运动而不捕获可识别的生物识别信息。然而，现有方法通常纠缠处理空间姿态配置和时间运动动力学，限制了可解释性和判别能力。我们观察到异常在空间和时间维度中表现得非常明显：空间异常对应于不寻常的身体姿态而时间异常反映的是不规则的运动模式。为了明确地建模这种分解，我们提出了空间-时间解耦可逆神经网络（STD-INN），该网络在归一化流架构中分离空间和时间信息，以实现精确的异常检测。具体来说，STD-INN 引入了一个可学习的逆向分解机制，该机制能够自适应地将编码的骨架特征拆分为捕获姿态结构的空间组件和编码运动动力学的时间组件。我们然后使用双独立归一化流对其进行建模：空间流结合图卷积网络利用骨骼拓扑结构，而时间流采用因果时间卷积来捕获序列依赖性。一个轻量级的跨校准模块使得两个流之间能够进行受控的信息交换。在基准数据集上进行的大量实验表明，STD-INN 在提供轻量级参数的同时达到了最先进的性能，并且相比现有方法提供了改进的诊断可解释性。
原文链接
DP2-RAG：检索增强生成中的高效全过程差分隐私实现
原标题：DP2-RAG: An Efficient Full-Process Differential Privacy Implementation in Retrieval-Augmented Generation
作者：Yuxuan Cai; Chaoxiang He; Hongsheng Hu; Ruixuan Liu; Bin Benjamin Zhu; Dongmei Zhang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：随着检索增强生成（RAG）将大型语言模型（LLMs）与敏感领域中的专有和用户特定的知识库联系起来，保护查询和知识内容的隐私成为一项关键要求。RAG 管道却在两个不同的表面暴露了敏感信息：(i) 在检索过程中，来自查询者和知识库的嵌入可以泄露敏感信息，并且嵌入反转技术可以从这些表示中重构源文本；以及(ii) 在生成过程中，向大语言模型(LLM)展示原始段落会危及专有和受监管的内容。现有的防御措施提供部分保护或者依赖差分隐私（DP），但以严重的效用损失为代价。我们提出了DP2-RAG，一个框架，它为检索和生成同时提供高效的端到端差分隐私保障，同时保持可用性。DP2-RAG引入了两种机制：带有校准噪声和排名偏差修正的噪声感知检索（Noise-Aware Retrieval with Correction，NARC），通过添加校准噪声和纠正排名偏差来确保块级差分隐私并缓解精度下降；双效指数机制（Dual Utility-Exponent Mechanism，DUEM）则通过两层指数机制保证生成代理的令牌级差分隐私，同时保持语义保真度。我们正式证明了(ϵ,δ)-DP对于两个阶段以及组合后的管道。广泛的基准测试表明，DP2-RAG相对于强大的基线减少了超过15％的隐私泄露，保持了接近基线的Top-k检索精度，实现了基于差分隐私系统的最先进的语义一致性，并且引入了最小的延迟开销。这些结果表明DP2-RAG使得隐私保护的RAG在敏感领域变得切实可行。
原文链接
只需关注即可用于基于LLM的代码漏洞定位
原标题：Attention Is All You Need for LLM-based Code Vulnerability Localization
作者：Yue Li; Xiao Li; Hao Wu; Yue Zhang; Xiuzhen Cheng; Yating Liu
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/20
摘要：软件系统的迅速扩张和报告的漏洞数量的增长已经强调了准确识别脆弱代码段的重要性。传统的漏洞定位方法，如人工代码审查或基于规则的工具，往往耗时且范围有限，通常专注于特定的编程语言或类型的漏洞。近年来，大型语言模型（LLMs）如GPT和LLaMA的引入为自动化漏洞定位开启了新的可能性。然而，在这一领域大型语言模型显示出潜力，但它们面临着挑战，特别是在较长的代码上下文中保持准确性方面。本文介绍了LOVA，一个利用LLMs中固有的自注意力机制来增强漏洞定位的新型框架。我们的关键见解是自注意力机制对输入的不同部分赋予不同的重要性，使其能够追踪模型关注特定代码行的程度。在漏洞定位的背景下，假设具有较大影响的漏洞代码行会自然吸引更高的注意力权重。通过系统地跟踪注意力权重的变化并专注于特定代码行，LOVA 提高了在各种编程语言中识别易受攻击的代码行的精确度。通过严格的实验和评估，我们证明LOVA在F1分数上比现有的基于LLM的方法显著优越，最高可提高5.3倍。LOVA 还展示了强大的可扩展性，在定位 C、Python、Java 和 Solidity 等语言的智能合约漏洞方面提高了最多 14.6×。其鲁棒性通过在不同的大语言模型架构下保持一致的性能得到了证明。
原文链接
针对TFHE友好型密码FRAST的微分故障攻击
原标题：Differential Fault Attacks on TFHE-friendly cipher FRAST
作者：Weizhe Wang; Deng Tang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/19
摘要：差分故障攻击(DFAs)最近已成为针对混合同态加密(HHE)专门设计的流密码的重要威胁。在这项工作中，我们提出了针对Torus-based Fully Homomorphic Encryption (TFHE) 特别定制的FRAST 密码的DFAs。FRAST的圆函数采用随机S盒以最小化轮数，并且可以高效地在TFHE中评估。针对FRAST的不平衡Feistel结构，我们设计了一种专门的关键恢复策略，并且可以使用少量故障来实施DFA攻击在精确故障注入的假设下，我们的DFA可以使用4或6个故障在一秒内恢复密钥。在放弃该假设并考虑一个更实际的故障模型时，我们仍然可以在几分钟内实现密钥恢复而无需增加故障数量。据我们所知，这是对FRAST的首次故障类型分析。我们也探讨了保护FRAST的对策。我们的分析表明，negacyclic S 盒，TFHE 友好的密码的一个关键组成部分，不适合用于引入线性结构来抵抗 DFA。因此，我们建议在FRAST倒数第二轮中移除negacyclic限制，并在最后两轮的S盒中引入非零线性结构。我们认为我们的工作将为设计TFHE友好的密码提供宝贵的见解。
原文链接
分布式学习中的仅边缘通用对抗攻击(Edge-Only Universal Adversarial Attacks)
原标题：Edge-Only Universal Adversarial Attacks in Distributed Learning
作者：Giulio Rossolini; Tommaso Baldi; Alessro Biondi; Giorgio Buttazzo
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/19
摘要：分布式学习框架，将神经网络模型划分到多个计算节点上，增强了协作边缘-云系统中的效率，但可能会引入新的规避攻击漏洞，通常以对抗性扰动的形式出现。在这项工作中，我们提出了一种新的威胁模型，探讨了攻击者仅能访问模型的边缘部分（包括其初始网络层）的情况下生成通用对抗扰动（UAPs）的可能性。与需要完整模型知识的传统攻击不同，我们的方法表明对手可以通过操纵边缘的关键特征表示来在未知的云组件中诱导有效的误预测。根据提议的威胁模型，我们介绍了仅边缘设计的未定向和定向UAP形式，旨在控制分裂点之前的中间特征。我们的实验结果表明，在ImageNet上生成的攻击对未知云部分具有很强的迁移性，并且我们将所提出的方法与经典白盒和黑盒技术进行了比较，突出了其有效性。此外，我们分析了攻击者仅凭边缘知识实现有针对性的对抗效果的能力，揭示了多个网络中有趣的行为。通过在分割推理中引入仅具有边缘知识的首个对抗性攻击，本研究强调了在对抗鲁棒性中解决部分模型访问问题的重要性，鼓励在此领域进行进一步的研究。
原文链接
基于学习的LLM增强型无人机路由对抗干扰和灰洞攻击
原标题：Learning-Based LLM-Enhanced UAV Routing Against Jamming and Gray-Hole Attacks
作者：Jieling Li; Liang Xiao; Pengcheng Wang; Qiaoxin Chen; Yan Lei; Chengyao Wang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/19
摘要：基于强化学习（RL）的路由使无人飞行器（UAVs）选择下一跳，在遭遇干扰和灰洞攻击时路径探索速度慢，从而降低了大型语言模型（LLM）推理任务等应用的数据包投递率。本文提出了一种基于RL的LLM增强型无人机路由方案，该方案利用LLM从多模态传感数据中推断出的环境和干扰特征以及邻近无人机的位置和移动速度来优化下一跳和中继功率，从而避免触发干扰器和路由中断。除了由邻近无人机成功转发的数据包数量外，环境特征也被用来建立一种信任管理机制，在路由策略分配中选择具有更高信任水平的下一跳，并实现对灰洞攻击的快速自愈能力。包递送比率和端到端延迟(违反服务质量要求的)也被纳入策略分配中，以惩罚频繁路径重建所导致的不利路由决策，从而提高路由可靠性。基于配备有多个传感器的无人机传输图像、温度和湿度等感知数据到部署了70亿参数LLaVA模型的控制中心，我们的实验结果表明了对抗智能干扰和灰洞攻击的性能提升。
原文链接
多粒度嵌入引导的开集识别在细粒度特定发射机识别中的应用(A Multigranularity Embedding Guided Open-set Recognition for Fine-Grained Specific Emitter Identification)
原标题：A Multigranularity Embedding Guided Open-set Recognition for Fine-Grained Specific Emitter Identification
作者：Minhong Sun; Xinyuan Liu; Jiazhong Teng; Zhaoyang Qiu; Mangqing Guo; DeGuo Zeng
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/19
摘要：在无线通信安全中，特定发射机识别（SEI）是设备认证和访问控制的基本机制。在开放集条件下，该模型必须区分训练期间观察到的设备，并检测和拒绝之前未知的发射源，这些发射源可能对应于未经授权或未识别的实体。然而，现有的开集说话人排除（OS-SEI）方法通常需要大量已知类别的标注样本和精细调整的拒绝阈值，这限制了它们划分未知类别的能力，并在非平稳操作环境中降低了其鲁棒性。为了解决这些限制，本文提出了多粒度嵌入引导的开放识别（MGEGOR），这是一种基于原型的开放集SEI框架，灵感来源于广义零样本学习。所提出的框架整合了对比表示学习、基于原型的嵌入以及开放集泛化，并采用多尺度特征提取结合注意力对齐来构建一个判别性嵌入空间，在该空间中已知类别和未知类别可以联合建模。在开集形式下，所提出的MGEGOR在LoRa_RFFI数据集和测量数据集上实现了比最先进的基准方法显著的准确率提升，展示了异构开放环境下的鲁棒性和有效的未知设备识别能力。
原文链接
基于深度投影从OCT体积中快速联合提取内部指纹和汗孔
原标题：Rapid Joint Extraction of Internal Fingerprints and Sweat Pores From OCT Volumes via Depth Projection
作者：Qingran Miao; Yilong Zhang; Ronghua Liang; Peng Chen; Haohao Sun; Yuanjing Feng
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/14
摘要：光学相干断层扫描(OCT)已成为捕获皮下内部指纹(IF)和内部汗孔(ISP)的强大技术，提供了比表面生物识别更高的安全性。然而，现有方法通常依赖于切片分割B扫描，这在计算上非常密集，对斑点噪声敏感，并且无法同时提取IF和ISP。为了解决这些限制，本文提出了REI-Net，一种新型的端到端网络，旨在从原始3D OCT体积中快速联合提取二值化的IF和ISP。与基于轮廓分割的传统提取方法不同，REI-Net 采用深度投影将处理方向从 B 扫描转换为 en-face。该架构采用两阶段设计：深度压缩器(Depth Compressor)和平面精炼器(Plane Refiner)。该压缩机包含一种新颖的深度广度分离块（DBSB），它基于Mamba将体积特征提取解耦为结构深度流和拓扑广度流。随后，Plane Refiner 通过全尺度跳接重建细粒度细节。在ZJUT-EIFD数据集上进行的大量实验表明，REI-Net达到了最先进的性能，产生了最高的NFIQ 2.0质量评分(IF)，并且对于ISP具有最低的误检率。值得注意的是，总推理时间减少到了仅605毫秒，比现有方法快了几个数量级，从而构成了实用的实时OCT生物识别系统的关键步骤。
原文链接
基于扰动鲁棒表征学习的全系统勒索软件攻击检测
原标题：System-Wide Ransomware Attack Detection via Perturbation-Resilient Representation Learning
作者：Fengkai Yuan; Lingbo Zhao; Zhilu Wang; Wenhao Wang; Dan Meng; Rui Hou
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/13
摘要：勒索软件已经演变为系统级攻击，这些攻击将恶意行为分散到看似正常的进程之中，使得进程级检测失效。然而，系统范围内的检测会聚合并发应用程序(其交互可能使勒索软件行为变得模糊不清或者使良性活动显得具有恶意)。关键挑战是区分内在的良性-恶意特征与应用程序依赖的扰动。我们提出了COLPR，一个通过学习扰动鲁棒表示来解决这一挑战的对比自监督框架。其INBORN增强策略执行现实的应用组合，并在不同的扰动下构建具有相同参与者的正向配对。通过鼓励这些成对数据内部的表示一致性，对比学习保持良性-恶意不变性的同时抑制扰动特定特征。不同于传统的监督学习和时间序列表示学习方法，COLPR在严重的多应用干扰下仍然有效，优于基线方法5%–10%。在三种部署环境中，它实现了100％召回率，98.7％的准确率以及平均检测延迟5.31秒，在60秒短期备份窗口内，并且运行时间开销可接受。它还能够在多应用扰动下检测未知的勒索软件家族。
原文链接
DeepU：更深的粒度层内机器遗忘(Deeper Granular Within-Layer Machine Unlearning)
原标题：DeepU: Deeper Granular Within-Layer Machine Unlearning
作者：Anudeep Vurity; Zhisheng Yan; Massimiliano Albanese
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：机器卸载（MU）旨在从训练好的模型中移除选定数据的影响，提供了一种高效替代重新完全训练的方案。随着越来越严格的隐私法规的出现，包括被遗忘权(right to be forgotten)，机器学习模型必须纳入确保合规性的同时保持性能的机制。然而，现有的MU方法经常遭受性能下降，并且粒度有限，留下对手可以利用的残留痕迹我们提出DeepU，一个细粒度的遗忘框架，它执行层内权重级分析，并使用从敏感数据和非敏感数据的梯度中得出的信噪比(SNR)量化各个权重的影响。DeepU 将权重分类为有影响力的、内部依赖的或无影响力的，并应用有针对性的权重更新：重置或扰动有影响力的权重，衰减内部依赖的权重，并通过有限的反向传播稳定剩余的权重。我们在包括CIFAR-10、CIFAR-100、Tiny ImageNet和CelebA在内的标准数据集上评估了DeepU，展示了在准确率下降不到3%的情况下，成功成员推断攻击减少了60至90%，显著优于现有基准方法。重新调优只需要20.75秒和102.47MB，使得DeepU比竞争方法快最多36.6倍我们进一步评估了对抗生成对抗网络(GAN)和基于扩散的模型反转攻击的鲁棒性，在白盒、黑盒和仅标签威胁模型下，证明DeepU始终减少了遗忘数据的重建。
原文链接
ImConDM：集成插补的条件扩散模型准确检测MTS异常
原标题：ImConDM: Accurate MTS Anomaly Detection Integrating Imputation With Conditional Diffusion Models
作者：Yan Qiao; Junjie Wang; Minyue Li; Rongyao Hu; Zilong Hu; Cuiying Feng
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：多变量时间序列(MTS)异常检测对于各种应用至关重要。然而，大多数现有方法依赖于预测或基于重构的框架，这些框架在处理复杂的时间序列数据时存在固有的不确定性。最近出现的基于归因的异常检测利用部分观察结果来重构被遮掩的值，从而增强重构稳定性和检测性能。然而，在现有的基于插补的方法中，对掩码数据进行训练可能导致忽略多变量时间序列(MTS)的全局时空分布特征。此外，必须采用多种掩码策略以确保所有数据点都有机会被重建，从而导致重复训练和显著的计算消耗。为了解决这些限制，本文提出了一种新的异常检测框架ImConDM，该框架结合了插补与条件扩散模型。它在完整训练数据上训练一个扩散模型，并利用扩散模型的可控采样能力执行由观测值引导的条件插补，从而实现稳定且全面的多时间序列特征学习而无需重新训练。在六个真实世界的MTS数据集上进行的大量实验表明，ImConDM显著优于十一个最先进的基准方法。值得注意的是，与第二好的模型相比，它在高维数据集上的检测准确率提高了20.5%，并且至少减少了58%的训练时间。实验的可执行代码(包括数据集和我们的算法)可在https://github.com/Labman-Wangjunjie/ImConDM获得
原文链接
高效的通信安全决策树训练框架(ESecDT)
原标题：ESecDT: Communication-Efficient and Secure Decision Tree Training Framework
作者：Jingcheng Zhao; Kaiping Xue; Meng Li; Shaoxian Yuan; Yaxuan Huang; Yingjie Xue
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：决策树被广泛应用于各种领域，例如用户行为分析和金融风险评估。最近，对数据隐私的关注不断增加，推动了安全决策树训练框架的发展。我们提出ESecDT，一个新型框架，该框架能够在保护参与者训练数据的同时实现决策树的协作训练。ESecDT 通过协同设计方法整合了函数秘密共享（FSS）和复制秘密共享（RSS）的计算优势。我们首先基于这种协同设计引入了新的协议，包括用于树训练构建模块的GroupSum、GroupPrefixSum和VecMMax。随后，我们设计了一个位宽感知的训练框架，该框架能够管理不同位宽的数据，并支持FSS密钥重用。这些设计使ESecDT能够确保强大的隐私保障，在整个训练过程中保护训练数据和所有中间变量，同时保持实用效率。广泛的实验表明，在九个真实世界和合成数据集上，ESecDT相较于最先进的框架减少了在线通信开销4.25×–5.56×。在广域网环境中，ESecDT实现了训练运行时间1.78×–4.48×加速，并在一个半小时之内完成了包含30,000个样本的训练任务，展示了强大的实际部署潜力。
原文链接
交通BASS：一种边界感知主动学习框架用于端点高级持续性威胁检测
原标题：TrafficBASS: A Boundary-Aware Active Learning Framework for Endpoint Advanced Persistent Threat Detection
作者：Faqi Zhao; Zhaoxuan Li; Wenhao Li; Huaifeng Bao; Guoqiao Zhou; Wen Wang
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：高级持续威胁(APTs)对端点入侵检测系统(IDSs)构成了重大挑战，因为它们的流量通常表现出长尾分布、时间演变、边界模糊性和概念漂移。端点部署进一步受到标注样本稀缺和计算资源有限的影响。为了解决这些挑战，我们提出了TrafficBASS1，一种边界感知的池基主动学习框架，用于端点APT流量检测。TrafficBASS 协调三个组件：(i) 一个可学习特征投影(LFP)模块，该模块结合了随机森林选择的统计流特征和包长序列特征，形成会话级表示；(ii) 一种边界感知采样策略(BASS)，通过考虑预测不确定性、类别平衡优先级以及决策边界附近的特征空间多样性来选择高价值未标记会话，并利用弹性内存银行和有界特征空间对抗性扩展来保持稀有的模棱两可区域；(iii) 一种自适应轻量微调(ALF)策略，该策略使用LoRA调整基于ALBERT的编码器以减少可训练参数，从而实现端点约束更新。在公共交通数据集上的实验表明，在有限的标注预算、长尾分布和概念漂移的情况下，TrafficBASS 提高了APT流量检测的效果，优于代表性主动学习策略和交通Transformer基准模型。进一步的消融、鲁棒性、案例研究和效率分析进一步描述了每个组件的贡献和局限性。
原文链接
图波: 一种动态上下文自适应多模态特征融合框架用于威胁检测
原标题：GraphWave: A Dynamic Context-Adaptive Multimodal Feature Fusion Framework for Threat Detection
作者：Peng Fang; Ziming Zhao; Feiyang Huang; Fan Zhang; Jianrong Lu
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：准确的网络流量分类对于防御不断演变的网络威胁至关重要。然而，依赖单一流特征的主流方法无法区分具有高度相似合法模式的恶意流量，缺乏上下文建模和对抗逃避的鲁棒性。为了解决这些限制，本文提出了GraphWave，一个基于新型异构Graph2Seq范式的动态上下文自适应多模态框架。它构建最大连通子图利用攻击者、目标和时间上下文来捕获攻击链的关键上下文关联。它集成了用于空间上下文学习的小波增强动态图注意力网络和用于长程流内时间建模的Transformer编码器。一种多模态交叉注意力融合机制对齐空间和时间表示以增强判别特征集成。对六个真实世界数据集进行的广泛评估显示，GraphWave 达到了 99.13% 的 F1 分数，在平均性能上比最先进的方法高出 7.62%。理论分析和实证结果验证了其在对抗流量混淆、时间混乱、高流内相似性和低速逃避方面的强大鲁棒性，展示了其在复杂对抗网络环境中的优越性。
原文链接
MF2DA：多级特征融合用于稳健检测和归属通用AI生成的图像
原标题：MF2DA: Multi-level Feature Fusion for Robust Detection and Attribution of Universal AI-Generated Images
作者：Wenpeng Mu; Qiang Xu; Yining Zhang; Xiao Zhang; Huiyuan Wang; Yuefan Li
期刊：IEEE Transactions on Information Forensics and Security
出版时间：2026/08/12
摘要：超逼真的AI生成的图像的泛滥对数字信息完整性和法医问责性构成了重大威胁。现有的检测方法却面临三个关键瓶颈：易受社交媒体压缩等现实世界扭曲的影响，对有害于社会的“前监管”内容专业性不足，以及无法执行有效治理所需的关键模型归因。为了解决这些挑战，我们提出了多级特征融合检测与归因框架（MF2DA），这是一个统一的端到端管道，旨在实现高精度检测和可靠的模型归因。核心架构融合了边缘金字塔融合残差网络（Edge Pyramid Fusion ResNet，EPF-ResNet），该网络捕捉细微的像素级边缘伪影，并结合了一个冻结的CLIP-ViT以确保稳健的语义泛化能力。此外，该框架通过MLLM引导的质量精炼模块（MQRM），自适应地利用语义无关的质量特征来解耦生成痕迹与激进压缩噪声。最终，双流差分补丁归因网络（D2PAN）通过从语义干扰中分离出微纹理模式来提取稳健的模型指纹，从而实现精确的生成器识别。广泛的基准测试表明，MF2DA在检测“友好型”和“前监管型”图像方面达到了最先进的性能，同时保持了出色的跨数据集泛化能力。通过将强大的检测与精确的归因相结合，本研究为迅速演变的生成式人工智能领域建立了一个实用且可问责的法医解决方案。
原文链接
