CCF DL Focus On Cybersecurity

《信息安全学报》沙龙旨在展示网络空间安全科技和网络空间安全学科领域高水平科研成果，促进国内外学术交流，建立一个科研人员和企业交流的平台。《信息安全学报》沙龙主要邀请学报作者、国内外领域专家、企业科研人员参与，希望让更多产业关注学术研究最新进展，促进科研与产业合作，促进科研成果产业化。

安全竞赛对网络安全领域人才的培养和选拔至关重要，然而在有限资源条件下如何设计与实现真实度高的竞赛场景是经典难题。本研究围绕着解决该难题的3个关键挑战展开。本研究首先将现实世界中的网络渗透场景建模为多步骤、多跳板、多漏洞组合渗透过程；然后应用攻击图技术对复杂网络信息系统中脆弱点及其关联关系的描述能力进行设计；最后借助于网络靶场平台的大规模复杂异构网络快速复现能力进行实现。本研究以内网攻防渗透赛的形式展开实验，取名为Explore-Exploit，实验中最长的渗透路径包含4个跳板机，组合利用了3个漏洞和1个服务，达到了预期的演训效果。相比现有竞赛场景，Explore-Exploit包含更丰富的场景元素，比如网络拓扑探测、内网横向移动、数据资产发现等，对真实网络渗透场景的还原度更高。

物联网（The Internet of Things，简称IoT）是新一代信息技术的重要组成部分，已广泛应用于经济社会发展的各个领域，如工业控制系统、智能家居、智慧城市等。随着物联网应用的爆发式增长，物联网设备被直接暴露在互联网中，成为了黑客攻击的重点目标，并引发了大量安全事件。在多源异构的物联网环境中，传统的入侵检测、防火墙等安全防护工具存在易漏报和易误报的问题。蜜罐作为一种新兴的主动防御技术，通过构建可控的诱饵环境，主动引导黑客攻击，能够捕获高质量的原始攻击数据，从而低误报地发现攻击威胁。本文通过调研大量物联网蜜罐文献，总结了物联网蜜罐的基本概念和技术发展主线，重点介绍了重定向、识别与反识别和数据分析三种关键技术。此外，本文提出了一种基于杀伤链模型的物联网蜜罐评估体系，实现相关蜜罐工作的对比分析，并讨论和展望了物联网蜜罐未来可能的研究方向。

随着分布式电源在电网中所占比重的不断提升，针对分布式电源的攻击将给电网带来更严重的安全威胁。攻击者可以通过网络入侵手段协同控制电网中防御较弱的配网侧分布式电源功率输出，最终影响发电侧发电机等关键设备的安全运行。为保障电网安全稳定运行，亟需研究针对分布式电源接入场景下的安全威胁及其防御措施。首先，本文在电力系统动态模型基础之上建立了电网振荡攻击的最小代价攻击模型，通过协同控制多个分布式电源的功率，在牺牲最少被控节点的前提下导致电网发生振荡。其次，针对现有振荡检测算法的不足，本文提出一种启发式的攻击源检测算法，通过分析系统内各节点的势能变化，可有效辅助定位攻击源。算例仿真分析结果验证了通过最小代价攻击影响电网稳定运行的可行性，以及攻击检测方法的有效性。

随着虚拟化技术的发展与云计算的流行，虚拟化环境下的安全防护问题一直受到广泛的关注。最近的Rowhammer攻击打破了人们对于硬件的信赖，同时基于Rowhammer攻击的各种攻击方式已经威胁到了虚拟化环境下的虚拟机监视器以及其他虚拟机的安全。目前业界已有的对Rowhammer攻击的防御机制或者局限于修改物理硬件，或者无法很好的部署在虚拟化环境下。本文提出一种方案，该方案实现了一套在虚拟机监视器层面的Rowhammer感知的内存分配机制，能够在虚拟机监视器层面以虚拟机的粒度进行Rowhammer攻击的隔离防护。测试表明，该方案能够在不修改硬件，以及引入较小的性能开销（小于6%的运行时开销和小于0.1%的内存开销）的前提下，成功阻止从虚拟机到虚拟机监视器以及跨虚拟机的Rowhammer攻击。

源代码漏洞的自动检测是一个重要的研究课题。目前现有的解决方案大多是基于线性模型，依赖于源代码的文本信息而忽略了语法结构信息，从而造成了源代码语法和语义信息的丢失，同时也遗漏了许多漏洞特征。提出了一种基于结构表征的智能化漏洞检测系统Astor，致力于使用源代码的结构信息进行智能化漏洞检测，所考虑的结构信息是抽象语法树（Abstract Syntax Tree，AST）。首先，构建了一个从源代码转化而来且包含源码语法结构信息的数据集，提出使用深度优先遍历的机制获取AST的语法表征。最后，使用神经网络模型学习AST的语法表征。为了评估Astor的性能，对多个基于结构化数据和基于线性数据的漏洞检测系统进行比较，实验结果表明Astor能有效提升漏洞检测能力，降低漏报率和误报率。此外，还进一步总结出结构化模型更适用于长度大，信息量丰富的数据。

近年来,4G LTE-A技术发展迅猛,移动设备的普及以及各种承载于4G网络的业务和应用已经成为我们日常不可或缺的部分。但网络攻击技术也不断的在发展,特别是近年来针对4G LTE-A网络的攻击技术的不断演进,已成为危害人们切身利益的关键问题。DDoS作为DoS攻击的一种,对网络带来了更大的危害,因此需要研究一种攻击检测模型。文章提出了一个针对LTE-A网络中的DDoS攻击流量检测模型,模型利用熵作为特征之一,并使用随机森林算法训练模型分类器,可将其部署在eNB上对流经该eNB的DDoS流量进行识别。通过验证,所提出的模型的检测准确率可达99.956%。

语音是人机交互的重要载体，语音中既包含语义信息，还包含性别、年龄、情感等附属信息。深度学习的发展使得各类语音处理任务的性能得到了显著提升，智能语音处理的产品已应用于移动终端、车载设备以及智能家居等场景。语音信息被准确地识别是人与设备实现可信交互的重要基础，语音传递过程中的安全问题也受到了广泛关注。对抗样本攻击是最近几年兴起的一个研究热点，攻击者通过对样本进行微小的改动使深度学习模型预测错误，从而带来潜在的安全风险。语音识别领域同样面临着来自对抗样本的安全威胁，在对抗样本的攻击和防御方法上也与图像识别等领域存在显著差异。因此，研究语音对抗样本的攻击和防御方法具有重要意义。本文在介绍对抗样本相关概念的基础上，选取语音识别中的文本内容识别、声纹身份识别两个典型任务，按照从白盒攻击到黑盒攻击、从数字攻击到物理攻击、从特定载体到通用载体的顺序，采取从易到难、逐步贴近实际场景的方式，系统地梳理了近年来比较典型的语音对抗样本的攻击方法。从分类边界构造的角度，对语音对抗样本的防御方法进行分类论述，揭示各类方法实现防御的机理。对现阶段语音对抗样本攻击与防御方法的技术难点进行了分析与总结，并对语音对抗样本攻防未来的发展方向进行了展望。

随着神经网络的广泛应用，它自身的安全问题也成为了一个重要的研究课题。将神经网络部署到神经网络处理器上运行是提高能效比的有效方法，但同时也引入了一些新的安全问题，比如侧信道信息泄露，本文以多核CNN处理器为基础，利用时间和内存侧信道信息，提出了一种针对多核CNN处理器的用户算法信息窃取攻击方法，经过试验证明了攻击的有效性，并针对多核神经网络处理器在时间和内存侧信道方面的脆弱性，提出了有效的防御手段，对如何保护神经网络处理器的安全提供了一定的参考意义。

可逆信息隐藏技术一方面能够对图像的原始性和完整性进行认证和保护，同时还能够确保无失真地恢复原始图像，近年来在公安、司法等领域受到越来越多的关注。基于可逆信息隐藏的认证方案需要同时满足可逆和认证两个方面的要求，在实际中具有较大挑战性，目前成功案例较少。在文献[1]中，Hong等人提出了一种新的基于可逆信息隐藏技术的认证方法，该方法借助IPVO （Improved pixel-value-ordering）和LSB （Least significant bit）替换等技术，可以有效地对图像进行认证。本文我们对Hong等人的方法进行了深入研究，指出在该方法中仅有部分像素参与认证码的生成且攻击方能够很容易地获知这部分像素，因此在安全性上还存在不足。针对该方法存在的安全漏洞，我们提出了一种针对性的攻击方案，即攻击方可选择对图像中未参与认证码生成和嵌入的像素进行修改。该攻击方案可以在不影响所嵌入认证码提取的同时，实现有意义篡改。为了提高认证算法的安全性，本文还针对Hong等人算法的缺陷提出了相应的改进方案，即将更多像素引入认证码的生成过程中并在嵌入前对图像块进行置乱。理论分析和实验结果验证了本文提出的攻击和改进方案的有效性。

智能家居是物联网的一大发展方向，但其在安全方面表现得不如人意，近年来频频爆发网络安全事件。智能家居相较于传统的嵌入式设备，引入了移动应用程序和云平台服务，使得其暴露出了更多的攻击面。本文围绕智能家居终端设备、云平台、移动应用程序及通信等四个方面，综述针对智能家居的攻击方法和防御措施，并针对性的梳理了目前学术界及工业界关注的研究热点与难点。最后，本文针对现有智能家居设备自动化漏洞挖掘技术与防御监控能力的不足进行了讨论，并提出了基于Docker集群部署的端侧自动化威胁模型系统设计思路。

代码注入攻击是应用程序面临的一种主要安全威胁，尤其是Web应用程序，该种攻击源于攻击者能够利用应用程序存在的漏洞/后门，向服务器端注入恶意程序并执行，或者利用应用程序对用户输入的参数缺乏验证和过滤，造成输入作为恶意程序执行，从而达到攻击目的。源程序分析和输入规则匹配等现有防御方法在面对代码注入攻击时都存在着固有缺陷，为了提高Web应用程序对于代码注入攻击的防御性，提出一种基于指令集随机化的抗代码注入方法，该防御方法不依赖于攻击者采用何种攻击方式，能够抵御未知的代码注入攻击。基于该技术及动态、冗余构造方法，设计一套原型系统，采用广义随机Petri网（Generalized Stochastic Petri Net，GSPN）建模计算，攻击者即使在获得随机化方法先验知识的情况下也极难突破系统的防御机制。尽管该方法需要对应用程序源代码进行随机化变换，但处理过程是完全自动化和具有普适性的，通过实验和现网测试表明该方法能够有效抵御大部分代码注入攻击，实现了对攻击的主动防御。

针对工业控制系统的网络攻击日趋增加，凸显工业控制网络入侵异常检测的必需性.研究工作者已经提出了各种基于机器学习算法的工控网流量异常检测模型，然而对抗样本攻击阻碍了机器学习模型的广泛应用.目前关于对抗样本攻击的成果集中在特征丰富的数据集上.然而，工控系统由于网络拓扑结构相对固定，所以数据集特征较少.针对一个低维(特征少)的天然气工控网数据集，通过实验分析4个常见优化算法SGD，RMSProp，AdaDelta和Adam与对抗样本攻击能力的关系，分析典型机器学习算法防御对抗样本攻击的能力，并研究对抗训练对提高深度学习算法抗对抗样本白盒攻击的能力.此外，提出了一个新指标“同比损失率”来评估对抗样本的白盒攻击能力.大量实验结果表明：对于这个低维数据集，优化算法确实影响了对抗样本的白盒攻击能力；对抗样本对各典型机器学习算法具有黑盒攻击能力；和决策树、随机森林，支持向量机、AdaBoost、逻辑回归、卷积神经网络(CNN)等典型分类器相比，循环神经网络(RNN)具有最强的防对抗样本黑盒攻击能力；此外，对抗样本训练能够提高深度学习模型防御对抗样本白盒攻击的能力.

以深度学习为主要代表的人工智能技术正在悄然改变人们的生产生活方式，但深度学习模型的部署也带来了一定的安全隐患.研究针对深度学习模型的攻防分析基础理论与关键技术，对深刻理解模型内在脆弱性、全面保障智能系统安全性、广泛部署人工智能应用具有重要意义.拟从对抗的角度出发，探讨针对深度学习模型的攻击与防御技术进展和未来挑战.首先介绍了深度学习生命周期不同阶段所面临的安全威胁.然后从对抗性攻击生成机理分析、对抗性攻击生成、对抗攻击的防御策略设计、对抗性攻击与防御框架构建4个方面对现有工作进行系统的总结和归纳.还讨论了现有研究的局限性并提出了针对深度学习模型攻防的基本框架.最后讨论了针对深度学习模型的对抗性攻击与防御未来的研究方向和面临的技术挑战.

随着位置服务的不断发展，位置隐私保护已成为隐私保护研究的一个热点.当前已经提出了一系列位置隐私保护方案，这些隐私保护方案大多是基于空间扰动技术来实现的.然而，现有的位置隐私保护研究存在2方面的问题：首先大部分位置隐私保护方案在进行空间扰动时，未考虑用户轨迹点间复杂的关联关系，这样的位置隐私保护方案通常会低估脱敏轨迹的破解风险；其次，脱敏轨迹的破解风险缺乏量化的度量，尽管差分隐私在这一方面做了相当的努力，然而复杂关联关系的存在使得该模型未必能够客观地描述隐私保护的程度.如果不能量化脱敏轨迹的破解风险，也就不能对隐私保护方案建立一个定量的评估指标.因此，首先利用具有关联关系的位置信息，分别设计了利用简单关联关系的Markov攻击算法和利用复杂关联关系的深度神经网络攻击算法，对脱敏轨迹进行了攻击；其次对脱敏轨迹的破解风险进行量化，建立了一个定量的评估方案，用于评估攻击算法对隐私保护方案的威胁程度；最后将这2类攻击算法对Geo-Indistinguishability隐私保护方案进行了攻击，并对攻击效果进行了评估，结果表明Geo-Indistinguishability隐私保护方案抵御了Markov攻击算法的攻击，但未能抵御深度神经网络攻击算法的攻击.

近年来，窃密攻击成为了最严重的网络安全威胁之一.除了恶意软件，人也可以成为窃密攻击的实施主体，尤其是组织或企业的内部人员.由人实施的窃密很少留下明显的异常痕迹，给真实场景中攻击的及时发现和窃密操作的分析还原带来了挑战.提出了一个方法，将每个用户视为独立的主体，通过对比用户当前行为事件与其历史正常行为的偏差检测异常，以会话为单元的检测实现了攻击发现的及时性，采用无监督算法避免了对大量带标签数据的依赖，更能适用于真实场景.对算法检测为异常的会话，进一步提出事件链构建方法，一方面还原具体窃密操作，另一方面通过与窃密攻击模式对比，更精确地判断攻击.在卡内基梅隆大学的CERT内部威胁数据集上进行了实验，结果达到99%以上的准确率，且可以做到无漏报、低误报，证明了方法的有效性和优越性.

联邦学习使用户在数据不出本地的情形下参与协作式的模型训练，降低了用户数据隐私泄露风险，广泛地应用于智慧金融、智慧医疗等领域.但联邦学习对后门攻击表现出固有的脆弱性，攻击者通过上传模型参数植入后门，一旦全局模型识别带有触发器的输入时，会按照攻击者指定的标签进行误分类.因此针对联邦学习提出了一种新型后门攻击方案Bac_GAN，通过结合生成式对抗网络技术将触发器以水印的形式植入干净样本，降低了触发器特征与干净样本特征之间的差异，提升了触发器的隐蔽性，并通过缩放后门模型，避免了参数聚合过程中后门贡献被抵消的问题，使得后门模型在短时间内达到收敛，从而显著提升了后门攻击成功率.此外，论文对触发器生成、水印系数、缩放系数等后门攻击核心要素进行了实验测试，给出了影响后门攻击性能的最佳参数，并在MNIST,CIFAR-10等数据集上验证了Bac_GAN方案的攻击有效性.

数字货币的迅速发展使其被越来越多的恶意软件利用.现有勒索软件通常使用数字货币作为支付手段，而现有代码注入攻击检测手段缺乏对相关恶意特征的考虑，使得其难以有效检测勒索软件的恶意行为.针对此问题，提出了一种细粒度的代码注入攻击检测内存特征方案，利用勒索软件在引导被攻击者支付过程中表现的数字货币内存特征，结合多种通用的细粒度内存特征，实现了一种细粒度的代码注入攻击检测系统.实验结果表明：新的内存特征方案能够在多个指标上有效提升现有检测系统内存特征方案的检测性能，同时使得基于主机的代码注入攻击检测系统能够准确检测勒索软件行为，系统还具有较好的内存特征提取性能及对未知恶意软件家族的检测能力.

网络防御策略是决定网络安全防护效果的关键因素，现有的网络防御决策研究的是完全理性前提条件以及攻防效益函数参数选择等方面，对实际网络攻防中信息不对称、法律惩戒等因素存在模型偏差，降低了策略的实用性与可靠性.结合实际问题，在有限理性的前置条件基础上构建禁忌随机博弈模型，引入了禁忌搜索方法对随机博弈进行有限理性的分析，并设计具有记忆功能的搜索方法，通过禁忌表数据结构实现记忆功能，并利用数据驱动的记忆结合博弈模型得出最优防御策略.实验结果表明：该方法在攻防收益量化方面提高了精准度，防御效益相对于现有典型的方法提高了准确度，方法空间复杂度优于强化学习等典型方法.

微架构侧信道攻击(microarchitectural side channel attack)是一种利用处理器微架构状态开展侧信道攻击的方式.它打破了操作系统及其他软件层面提供的隔离手段，严重威胁了用户的信息安全，受到了学术界的广泛关注.与其他传统侧信道攻击不同，微架构侧信道攻击不需要攻击者与被攻击对象存在物理接触，也不需要复杂的分析设备，它只需要能够与受害者在同一环境中执行代码就可以完成攻击.基于缓存的侧信道攻击(cache-based side channel attack)利用处理器中广泛存在的缓存(cache)结构，所以这种攻击方式最有吸引力，研究也最为深入.首先总结了微架构侧信道攻击尤其是缓存侧信道攻击相关的硬件架构，之后从攻击者能力、攻击步骤以及攻击目标对攻击模型进行讨论，并根据攻击模型对现有的防御措施进行分类和比较，重点介绍了新型安全缓存架构及其设计方案，最后讨论了现有防御措施面临的挑战以及未来的研究方向.

智能合约是区块链技术最成功的应用之一，已经被广泛集成到应用程序中，成为应用去中心化的常见实现方案.然而，智能合约由于其独有的金融特性，一直以来饱受安全攻击，各种新的恶意攻击类型层出不穷.现有的研究工作提出了多种有效检测合约漏洞的方法，但在实际应用中都存在着各种局限：仅针对已知的漏洞类型，需要修改合约代码来消除漏洞，链上开销过大.由于智能合约部署到链上后的不可修改性，这些针对特定漏洞类型的检测防御手段无法对原有的合约进行修复，因此很难及时地应对新型的漏洞和攻击.为此，提出了一种基于运行时信息的智能合约可升级防御技术，通过引入运行时的各种信息，为链下对攻击和漏洞的检测提供实时的数据.同时，设计了一套部署在合约上的访问控制机制，基于动态检测的结果，对合约的访问进行限制，从而在不需要修改合约代码的情况下实现动态的防御.由于以太坊本身的机制无法对实时攻击进行识别和拦截，为了减小这一影响，利用竞争(race condition)的机制来增强防御的效果.实验结果分析表明：该防御技术可以有效地检测并防御攻击，对于后续的攻击交易，可以实现100%的拦截成功率，对于首次检测到的实时攻击，利用竞争可以达到97.5%的成功率.

近年来，图神经网络在图表示学习领域中取得了较好表现广泛应用于日常生活中，例如电子商务、社交媒体和生物学等.但是研究表明，图神经网络容易受到精心设计的对抗攻击迷惑，使其无法正常工作.因此，提高图神经网络的鲁棒性至关重要.已有研究提出了一些提高图神经网络鲁棒性的防御方法，然而如何在确保模型主任务性能的前提下降低对抗攻击的攻击成功率仍存在挑战.通过观察不同攻击产生的对抗样本发现，对抗攻击生成的对抗连边所对应的节点对之间通常存在低结构相似性和低节点特征相似性的特点.基于上述发现，提出了一种面向图神经网络的图重构防御方法GRD-GNN，分别从图结构和节点特征考虑，采用共同邻居数和节点相似度2种相似度指标检测对抗连边并实现图重构，使得重构的图结构删除对抗连边，且添加了增强图结构关键特征的连边，从而实现有效防御.最后，论文在3个真实数据集上展开防御实验，验证了GRD-GNN相比其他防御方法均能取得最佳的防御性能，且不影响正常图数据的分类任务.此外，利用可视化方法对防御结果做解释，解析方法的有效性.

漏洞是系统安全与攻防对抗的核心要素，漏洞的自动发现、分析、利用是长期以来研究的热点和难点，现有研究主要集中在模糊测试、污点分析、符号执行等方面.当前研究一方面主要从漏洞的发现、分析和利用的不同环节提出了一系列解决方案，缺乏系统性的研究和实现；另一方面相关方法未考虑现实环境的有限资源条件, 其中模糊测试主要基于大规模的服务器集群实施，污点分析和符号执行方法时间与空间复杂度高，且容易出现状态爆炸.针对有限资源条件下的漏洞自动挖掘与利用问题，建立了Weak-Tainted程序运行时漏洞模型，提出了一套面向漏洞自动挖掘、分析、利用的完整解决方案；提出了污点传播分析优化方法和基于输出特征反馈的输入求解方法等有限资源条件下的分析方案，提升了漏洞挖掘分析与利用生成能力；实现了漏洞自动挖掘和利用原型系统，单台服务器设备可并发运行25个漏洞挖掘与分析任务.对2018年BCTF比赛样本进行了实验对比测试，该输入求解方法在求解atoi,hex,base64编码的能力均优于ANGR, 同等漏洞挖掘能力条件下效率比AFL提高45.7%，测试的50个样本中有24个能够自动生成利用代码，验证了Weak-Tainted漏洞描述模型用于漏洞自动挖掘和利用生成的优势.

随着信息安全愈发严峻的趋势，软件漏洞已成为计算机安全的主要威胁之一.如何准确地挖掘程序中存在的漏洞，是信息安全领域的关键问题.然而，现有的静态漏洞挖掘方法在挖掘漏洞特征不明显的漏洞时准确率明显下降.一方面，基于规则的方法通过在目标源程序中匹配专家预先定义的漏洞模式挖掘漏洞，其预定义的漏洞模式较为刻板单一，无法覆盖到细节特征，导致其存在准确率低、误报率高等问题；另一方面，基于学习的方法无法充分地对程序源代码的特征信息进行建模，并且无法有效地捕捉关键特征信息，导致其在面对漏洞特征不明显的漏洞时，无法准确地进行挖掘.针对上述问题，提出了一种基于代码属性图及注意力双向LSTM的源码级漏洞挖掘方法.该方法首先将程序源代码转换为包含语义特征信息的代码属性图，并对其进行切片以剔除与敏感操作无关的冗余信息；其次，使用编码算法将代码属性图编码为特征张量；然后，利用大规模特征数据集训练基于双向LSTM和注意力机制的神经网络；最后，使用训练完毕的神经网络实现对目标程序中的漏洞进行挖掘.实验结果显示，在SARD缓冲区错误数据集、SARD资源管理错误数据集及它们两个C语言程序构成的子集上，该方法的F1分数分别达到了82.8%，77.4%，82.5%和78.0%，与基于规则的静态挖掘工具Flawfinder和RATS以及基于学习的程序分析模型TBCNN相比，有显著的提高.

软件复杂性的增加，给软件安全性带来极大的挑战.随着软件规模的不断增大以及漏洞形态多样化，传统漏洞挖掘方法由于存在高误报率和高漏报率的问题，已无法满足复杂软件的安全性分析需求.近年来，随着人工智能产业的兴起，大量机器学习方法被尝试用于解决软件漏洞挖掘问题.首先，通过梳理基于机器学习的软件漏洞挖掘的现有研究工作，归纳了其技术特征与工作流程；接着，从其中核心的原始数据特征提取切入，以代码表征形式作为分类依据，对现有研究工作进行分类阐述，并系统地进行了对比分析；最后，依据对现有研究工作的整理总结，探讨了基于机器学习的软件漏洞挖掘领域面临的挑战，并展望了该领域的发展趋势.

Contents such as audios, videos, and images, contribute most of the Internet traffic in the current paradigm. Secure content sharing is a tedious issue. The existing security solutions do not secure data but secure the communicating endpoints. Named data networking (NDN) secures the data by enforcing the data publisher to sign the data. Any user can verify the data by using the public key of the publisher. NDN is resilient to most of the probable security attacks in the TCP/IP model due to its new architecture. However, new types of attacks are possible in NDN. This article surveys the most significant security attacks in NDN such as interest flooding attacks, cache privacy attacks, cache pollution attacks, and content poisoning attacks. Each attack is classified according to their behavior and discussed for their detection techniques, countermeasures, and the affected parameters. The article is an attempt to help new researchers in this area to gather the domain knowledge of NDN. The article also provides open research issues that could be addressed by researchers.

Covert channels have been an effective means for leaking confidential information across security domains and numerous studies are available on typical covert channels attacks and defenses. Existing covert channel threat restriction solutions are based on the threat estimation criteria of covert channels such as capacity, accuracy, and short messages which are effective in evaluating the information transmission ability of a covert (storage) channel. However, these criteria cannot comprehensively reflect the key factors in the communication process such as shared resources and synchronization and therefore are unable to evaluate covertness and complexity of increasingly upgraded covert storage channels. As a solution, the anti-detection criterion was introduced to eliminate these limitations of cover channels. Though effective, most threat restriction techniques inevitably incur high performance overhead and hence become impractical. In this work, we avoid such overheads and present a restriction algorithm based on the anti-detection criterion to restrict threats that are associated with covert storage channels in virtual machines while maintaining the resource efficiency of the systems. Experimental evaluation shows that our proposed solution is able to counter covert storage channel attacks in an effective manner. Compared with Pump, a well-known traditional restriction algorithm used in practical systems, our solution significantly reduces the system overhead.

Time-division multiple access (TDMA) and code-division multiple access (CDMA) are two technologies used in digital cellular networks. The authentication protocols of TDMA networks have been proven to be vulnerable to side-channel analysis (SCA), giving rise to a series of powerful SCA-based attacks against unprotected subscriber identity module (SIM) cards. CDMA networks have two authentication protocols, cellular authentication and voice encryption (CAVE) based authentication protocol and authentication and key agreement (AKA) based authentication protocol, which are used in different phases of the networks. However, there has been no SCA attack for these two protocols so far. In this paper, in order to figure out if the authentication protocols of CDMA networks are sufficiently secure against SCA, we investigate the two existing protocols and their cryptographic algorithms. We find the side-channel weaknesses of the two protocols when they are implemented on embedded systems. Based on these weaknesses, we propose specific attack strategies to recover their authentication keys for the two protocols, respectively. We verify our strategies on an 8-bit microcontroller and a real-world SIM card, showing that the authentication keys can be fully recovered within a few minutes with a limited number of power measurements. The successful experiments demonstrate the correctness and the effectiveness of our proposed strategies and prove that the unprotected implementations of the authentication protocols of CDMA networks cannot resist SCA.

As the complexity and the scale of networks continue to grow, the management of the network operations and security defense has become a challenging task for network administrators, and many network devices may not be updated timely, leaving the network vulnerable to potential attacks. Moreover, the static nature of our existing network infrastructure allows attackers to have enough time to study the static configurations of the network and to launch well-crafted attacks at their convenience while defenders have to work around the clock to defend the network. This asymmetry, in terms of time and money invested, has given attackers greater advantage than defenders and has made the security defense even more challenging. It calls for new and innovative ideas to fix the problem. Moving Target Defense (MTD) is one of the innovative ideas which implements diverse and dynamic configurations of network systems with the goal of puzzling the exact attack surfaces available to attackers. As a result, the system status with the MTD strategy is unpredictable to attackers, hard to exploit, and is more resilient to various forms of attacks. There are existing survey papers on various MTD techniques, but to the best of our knowledge, insufficient focus was given on the architectural perspective of MTD strategies or some new technologies such as Internet of Things (IoT). This paper presents a comprehensive survey on MTD and implementation strategies from the perspective of the architecture of the complete network system, covering the motivation for MTD, the explanation of main MTD concepts, ongoing research efforts of MTD and its implementation at each level of the network system, and the future research opportunities offered by new technologies such as Software-Defined Networking (SDN) and Internet of Things (IoT).

随着互联网不断发展，网络功能逐步走向万物互联下自动交互与控制，大数据、云计算、边缘计算等技术不断深入应用，传统网络面临的源地址欺骗、DDoS攻击、路由劫持等安全问题仍然存在，新的应用场景使用户面临更严重的安全问题，现有互联网体系结构面向性能的设计难以承担网络安全的需求. 互联网安全问题的根源在于体系结构设计时没有考虑安全需求，缺乏用户与网络的信任根基，由于体系结构设计缺失带来的问题应该从体系结构设计本身寻找解决方案. 设计自带安全属性和安全能力的体系结构，通过内生的方式提供网络安全，能够从根本上提升网络安全性能. 本文深入研究和总结了近年来针对互联网安全问题提出的各类解决方案，对方案的安全特性进行了分析，在此基础上提出了构建互联网内生安全体系结构的思路.

使用Python编程，采用朴素贝叶斯分类器、Softmax回归和决策树回归3种有监督学习算法，对KDD-CUP99网络入侵监测数据集进行训练，并分析结果。首先通过3种分类器库的函数，对KDD-CUP99数据集进行分析预测；然后通过增量式训练方法探究3种分类器对训练数据量的依赖程度；最后通过特征筛选探究3种分类器算法受样本特征数量的影响程度。

基于传统BP神经网络的入侵检测中,BP神经网络算法模型存在着易陷入局部最优且初始值随机性较大的缺陷"初始值的选择直接影响到BP神经网络的训练效果,较好的初始值有利于BP神经网络跳过局部最优!从而提高训练效率.针对$BP神经网络的缺陷!提出了用改进的和声搜索算法对BP 神经网络的初始值进行优化,使得BP神经网络得到一组较优的初值的方法"实验结果显示!改进的和声搜索算法具有更高的适应度函数值,将该算法优化的BP神经网络用在入侵检测中,能够显著提高算法检测率和收敛速率"

在信息技术快速发展的同时，信息安全变得尤为重要。处理器作为信息系统的核心部件，其安全性对系统安全起到至关重要的决定性作用。在处理器中构建安全可信的执行环境是提升处理器安全性的重要方法，然而很多核心安全技术仍然由片外安全TPM/TCM芯片保证。近年来，作为计算机系统安全基础的安全原点逐渐往处理器中转移。对处理器内安全子系统的安全增强技术展开研究，首先研究安全处理器体系结构；然后对处理器核、互连网络、存储和密码模块等处理器核心模块进行安全增强，同时从系统级角度实现了密钥管理、生命周期、安全启动和抗物理攻击等系统安全防护技术；最后，在一款桌面处理器中实现了一个安全子系统，并进行了分析。

SQLIA漏洞破坏Web后台数据库的完整性，一直是Web应用安全的主要威胁。提出一种检测和验证Java Web程序的SQLIA漏洞的解决方案，将静态分析与动态验证相结合，并且形式化定义指令级污点传播操作语义，能够有效跟踪跨文件和跨页面的污点传播。静态分析首先对Source进行预处理和分类得到真实可靠的Source集合，然后应用方法、请求、会话、方法调用等多重关系匹配潜在的Source和Sink对，使得分析过程可以过滤无关Source和Sink，最后结合静态污点分析和活跃变量分析排除不可能存在污点传播路径的Source和Sink。动态验证首先对程序插桩，然后在执行程序的同时进行动态污点传播并生成Trace，基于Trace验证静态分析结果的正确性，获得真实污点传播路径的漏洞集合。原型系统基于Soot框架实现，对若干开源程序的实验结果表明了方法的有效性。

近年来，随着恶意代码家族变种的多样化和混淆等对抗手段的不断加强，传统的恶意代码检测方法难以取得较好的分类效果。鉴于此，提出了一种融合注意力机制的恶意代码家族分类模型。首先，使用逆向反汇编工具获取恶意样本的各区段特征，并利用可视化技术将各区段转化为RGB彩色图像的各通道；其次，引入通道域和空间域注意力机制来构建基于混合域注意力机制的深度可分离卷积网络，从通道和空间两个维度提取恶意样本的图像纹理特征；最后，选取九类恶意代码家族对模型进行训练和测试。实验结果表明，使用单一区段特征对恶意代码家族分类的准确率较低，采用融合特征能够有效地区分各类恶意代码家族，同时该模型相比于传统的神经网络模型取得了更好的分类效果，模型的分类准确率达到了98.38%。

针对现有的内存相关漏洞检测方法中存在依赖指针数据流而导致大量误报漏报、缺乏漏洞特征的形式化描述以及漏洞特征描述不全面的问题，提出一种基于抽象内存模型的内存相关漏洞检测方法。首先，对抽象内存模型进行相关定义；然后基于抽象内存模型，对内存泄露、重复释放内存和读写释放后的内存这三种与内存相关的漏洞类型的特征进行形式化符号表示；其次，基于代码的控制流图，利用可行路径求解算法得到代码的所有可行路径，并对所有可行路径上的抽象内存进行运行时状态判定，从而检测代码是否存在内存相关的漏洞；最后，使用Juliet Test Suite中的CWE401、CWE415、CWE416三个内存相关漏洞的测试数据集对本文提出的检测方法进行验证，实验结果表明，相比依赖指针数据流的检测方法，该方法在内存相关漏洞检测的误报率和漏报率均降低。

近年来，深度学习技术广泛应用于侧信道攻击（side channel attack，SCA）领域。针对在基于深度学习的侧信道攻击中训练集数量不足的问题，提出了一种用于侧信道攻击的功耗轨迹扩充技术，使用条件生成对抗网络（conditional generate against network，CGAN）实现对原始功耗轨迹的扩充，并使用深度神经网络进行侧信道攻击。通过选择密码运算中间值的汉明重量（hamming weight，HW）作为CGAN的约束条件，将CGAN生成模拟功耗轨迹作为多层感知器（multi-layer perceptron，MLP）神经网络的训练数据，构建模型实现密钥恢复。通过实验对不同类型训练集的攻击效果进行比较，结果表明，使用CGAN生成的功耗轨迹和原始功耗轨迹具有相同的特征，使用扩充后的功耗轨迹对MLP神经网络进行训练和测试，训练精度和测试精度分别提高15.3%和14.4%。

为了实现入侵检测系统对未知攻击类型的检测，提出基于深度学习的网络异常检测方法。利用置信度神经网络，对已知类型流量和未知攻击流量进行自适应判别。基于深度神经网络，制定置信度估计方法评估模型分类结果，训练模型面向已知类型流量时输出高置信度值，识别到未知攻击流量时输出低置信度值，从而实现对未知攻击网络流量的检测，并设计自适应损失平衡策略和基于学习自动机的动态正则化策略优化异常检测模型。在网络异常检测UNSW-NB15和CICIDS 2017数据集上进行仿真实验，评估模型效果。结果表明，该方法实现了未知攻击流量的有效检测，并提高了已知类型流量的分类效果，从而增强了入侵检测系统的综合性能。

Robin算法是Grosso等人在2014年提出的一个分组密码算法。研究该算法抵抗不可能差分攻击的能力。利用中间相错技术构造一条新的4轮不可能差分区分器，该区分器在密钥恢复阶段涉及到的轮密钥之间存在线性关系，在构造的区分器首尾各加一轮，对6轮Robin算法进行不可能差分攻击。攻击的数据复杂度为2118.8个选择明文，时间复杂度为293.97次6轮算法加密。与已有最好结果相比，在攻击轮数相同的情况下，通过挖掘轮密钥的信息，减少轮密钥的猜测量，进而降低攻击所需的时间复杂度，该攻击的时间复杂度约为原来的2?8。

With the quick development of the sharing economy, ride-hailing services have been increasingly popular worldwide. Although the service provides convenience for users, one concern from the public is whether the location privacy of passengers would be protected. Service providers (SPs) such as Didi and Uber need to acquire passenger and driver locations before they could successfully dispatch passenger orders. To protect passengers’ privacy based on their requirements, we propose a cloaking region based order dispatch scheme. In our scheme, a passenger sends the SP a cloaking region in which his/her actual location is not distinguishable. The trade-off of the enhanced privacy is the loss of social welfare, i.e., the increase in the overall pick-up distance. To optimize our scheme, we propose to maximize the social welfare under passengers’ privacy requirements. We investigate a bipartite matching based approach. A theoretical bound on the matching performance under specific privacy requirements is shown. Besides passengers’ privacy, we allow drivers to set up their maximum pick-up distance in our extended scheme. The extended scheme could be applied when the number of drivers exceeds the number of passengers. Nevertheless, the global matching based scheme does not consider the interest of each individual passenger. The passengers with low privacy requirements may be matched with drivers far from them. To this end, a pricing scheme including three strategies is proposed to make up for the individual loss by allocating discounts on their riding fares. Extensive experiments on both real-world and synthetic datasets show the efficiency of our scheme.

In software-defined networking (SDN), controllers are sinks of information such as network topology collected from switches. Organizations often like to protect their internal network topology and keep their network policies private. We borrow techniques from secure multi-party computation (SMC) to preserve the privacy of policies of SDN controllers about status of routers. On the other hand, the number of controllers is one of the most important concerns in scalability of SMC application in SDNs. To address this issue, we formulate an optimization problem to minimize the number of SDN controllers while considering their reliability in SMC operations. We use Non-Dominated Sorting Genetic Algorithm II (NSGA-II) to determine the optimal number of controllers, and simulate SMC for typical SDNs with this number of controllers. Simulation results show that applying the SMC technique to preserve the privacy of organization policies causes only a little delay in SDNs, which is completely justifiable by the privacy obtained.

Cloud computing is a technology that provides users with a large storage space and an enormous computing power. However, the outsourced data are often sensitive and confidential, and hence must be encrypted before being outsourced. Consequently, classical search approaches have become obsolete and new approaches that are compatible with encrypted data have become a necessity. For privacy reasons, most of these approaches are based on the vector model which is a time consuming process since the entire index must be loaded and exploited during the search process given that the query vector must be compared with each document vector. To solve this problem, we propose a new method for constructing a secure inverted index using two key techniques, homomorphic encryption and the dummy documents technique. However, 1) homomorphic encryption generates very large ciphertexts which are thousands of times larger than their corresponding plaintexts, and 2) the dummy documents technique that enhances the index security produces lots of false positives in the search results. The proposed approach exploits the advantages of these two techniques by proposing two methods called the compressed table of encrypted scores and the double score formula. Moreover, we exploit a second secure inverted index in order to manage the users' access rights to the data. Finally, in order to validate our approach, we performed an experimental study using a data collection of one million documents. The experiments show that our approach is many times faster than any other approach based on the vector model.

区块链作为对等网络中的一种分布式账本技术，集成了密码学、共识机制、智能合约等多种技术，提供一种新型信任体系构建方法.智能合约具有公开透明、实时更新、准确执行等显著特点，在区块链中为信息存储、交易执行和资产管理等功能的实现提供了更安全、高效、可信的方式.但是，智能合约本身仍然存在安全问题，影响了区块链技术的进一步推广使用.所以，近年来围绕智能合约安全问题的相关研究比较多，为了帮助相关人员更好地理解和掌握其中的研究思路，本文采用Mapping Study方法，通过收集2015年以来公开发表的关于智能合约安全问题的各类文献，并进一步通过文献筛查、问题设置、信息提取、结果获取和分析等步骤，总结智能合约安全相关研究的现状和未来发展趋势如下：(1)目前智能合约自身面临的安全问题和挑战主要体现在合约安全和隐私安全两方面(问题和挑战).在调查的45篇文献中，有29篇文献针对合约安全，16篇文献针对隐私安全;(2)智能合约安全保障目前采用的方法主要包括形式化验证、模糊测试、零知识证明、可信执行环境等(保障方法);(3)针对合约安全的研究目前主要集中在合约实现、测试阶段，而针对智能合约设计、部署及运维阶段的研究比较少；针对隐私安全的研究主要集中在合约数据隐私保护，而针对合约代码隐私安全的比较少(覆盖范围);(4)智能合约安全保障研究目前主要从合约实现人员、合约测试人员的角度进行，而从合约维护人员和合约用户角度展开的研究较少(研究角度);(5)未来研究应该围绕智能合约的全生命周期的每个阶段安全问题进一步推进，先验方法和后验方法、定性方法和定量方法、静态方法和动态方法的结合是大势所趋(发展趋势).综上，本文通过调研发现了现有研究的不足，并建议了进一步的研究方向.

To date, bitcoin has been the most successful application of blockchain technology and has received considerable attention from both industry and academia. Bitcoin is an electronic payment system based on cryptography rather than on credit. Regardless of whether people are in the same city or country, bitcoin can be sent by any one person to any other person when they reach an agreement. The market value of bitcoin has been rising since its advent in 2009, and its current market value is US160 billion. Since its development, bitcoin itself has exposed many problems and is facing challenges from all the sectors of society; therefore, adversaries may use bitcoin's weakness to make considerable profits. This survey presents an overview and detailed investigation of data security and privacy in bitcoin system. We examine the studies in the literature/Web in two categories:1) analyses of the attacks to the privacy, availability, and consistency of bitcoin data and 2) summaries of the countermeasures for bitcoin data security. Based on the literature/Web, we list and describe the research methods and results for the two categories. We compare the performance of these methods and illustrate the relationship between the performance and the methods. Moreover, we present several important open research directions to identify the follow-up studies in this area.

While Bitcoin gains increasing popularity in different payment scenarios, the transaction fees make it difficult to be applied to micropayment. Given the wide applicability of micropayment, it is crucial for all cryptocurrencies including Bitcoin to provide effective support therein. In light of this, a number of low-cost micropayment schemes for Bitcoin have been proposed recently to reduce micropayment costs. Existing schemes, however, suffer from drawbacks such as high computation cost, inflexible payment value, and possibly unfair exchanges. The paper proposes two new micropayment schemes, namely the basic MicroBTC and the advanced MicroBTC, for Bitcoin by integrating the hash chain technique into cryptocurrency transactions. The basic MicroBTC realizes micropayment by exposing hash pre-images on the hash chain one by one, and it can also make arbitrary micropayments by exposing multiple hash pre-images. We further design the advanced MicroBTC to achieve non-interactive refund and efficient hash chain verification. We analyze the complexity and security of the both MicroBTC schemes and implement them using the Bitcoin source code. Extensive experiments were conducted to validate their performance, and the result showed that a micropayment session can be processed within about 18 ms for the basic MicroBTC and 9 ms for the advanced MicroBTC on a laptop. Both schemes enjoy great efficiency in computation and flexibility in micropayments, and they also achieve fairness for both the payer and the payee.

An effective and secure system used for evidence preservation is essential to possess the properties of anti-loss, anti-forgery, anti-tamper as well as perfect verifiability. Traditional architecture which relies on centralized cloud storage is depressingly beset by the security problems such as incomplete confidence and unreliable regulation. Moreover, an expensive, inefficient and incompatible design impedes the effort of evidence preservation. In contrast, the decentralized blockchain network is qualified as a perfect replacement for its secure anonymity, irrevocable commitment and transparent traceability. Combined with subliminal channels in blockchain, we have weaved the transaction network with newly designed evidence audit network. In this paper, we have presented and implemented a lightweight digital evidence-preservation architecture which possesses the features of privacy-anonymity, audit-transparency, function-scalability and operation-lightweight. The anonymity is naturally formed from the cryptographic design, since the cipher evidence under encrypted cryptosystem and hash based functions leakages nothing to the public. Covert channels are efficiently excavated to optimize the cost, connectivity and security of the framework, transforming the great computation power of Bitcoin network to the value of credit. The transparency used for audit, which relates to the proof of existence, comes from instant timestamps and irreversible hash functions in mature blockchain network. The scalability is represented by the evidence chain interacted with the original blockchain, and the extended chains on top of mainchain will cover the most of auditors in different institutions. And the lightweight, which is equal to low-cost, is derived from our fine-grained hierarchical services. At last, analyses of efficiency, security, and availability have shown the complete accomplishment of our system.

With the development of network technology and cloud computing, data sharing is becoming increasingly popular, and many scholars have conducted in-depth research to promote its flourish. As the scale of data sharing expands, its privacy protection has become a hot issue in research. Moreover, in data sharing, the data is usually maintained in multiple parties, which brings new challenges to protect the privacy of these multi-party data. In this paper, we propose a trusted data sharing scheme using blockchain. We use blockchain to prevent the shared data from being tampered with, and use the Paillier cryptosystem to realize the confidentiality of the shared data. In the proposed scheme, the shared data can be traded, and the transaction information is protected by using the (p, t)-threshold Paillier cryptosystem. We conduct experiments in cloud storage scenarios and the experimental results demonstrate the efficiency and effectiveness of the proposed scheme.

Blockchain is becoming popular as a distributed and reliable ledger which allows distrustful parties to transact safely without trusting third parties. Emerging blockchain systems like Ethereum support smart contracts where miners can run arbitrary user-defined programs. However, one of the biggest concerns about the blockchain and the smart contract is privacy, since all the transactions on the chain are exposed to the public. In this paper, we present ShadowEth, a system that leverages hardware enclave to ensure the confidentiality of smart contracts while keeping the integrity and availability based on existing public blockchains like Ethereum. ShadowEth establishes a confidential and secure platform protected by Trusted Execution Environment (TEE) off the public blockchain for the execution and storage of private contracts. It only puts the process of verification on the blockchain. We provide a design of our system including a protocol of the cryptographic communication and verification and show the applicability and feasibility of the ShadowEth by various case studies. We implement a prototype using the Intel SGX on the Ethereum network and analyze the security and availability of the system.

当前区块链数字货币被众多恶意交易者利用，导致了“粉尘”注入、“空投”操作、勒索、骗局等一系列异常交易行为.因此，研究区块链数字货币异常交易行为的识别方法对于规范交易行为、保障网络空间安全具有重要意义.在众多区块链数字货币中，比特币市值超过所有区块链数字货币市值和的一半，具有高代表性.比特币系统的用户数量多、交易规模大、地址匿名化等特性，为异常交易行为的准确识别带来巨大挑战.鉴于任何比特币异常交易行为背后都存在着明确的动机，本文以分析交易动机为切入点，设计了一种新颖的比特币异常交易行为识别方法.具体地，我们以空投糖果和贪婪注资两类异常交易行为作为典型代表，分别设计了两类异常交易行为的判定规则，进而抽象出异常交易模式图.在此基础上，利用子图匹配技术设计实现了比特币异常交易行为的识别算法.为了评估本方法的效果，我们收集了近30个月的比特币历史交易数据，通过人工分析确定了异常交易行为的真值集.实验结果显示，空投糖果行为的识别召回率为8571%、准确率为4362%，贪婪注资行为的识别召回率为8125%、准确率为5432%.此外，我们重点分析展示了三个比特币异常交易行为的典型实例，通过真实案例进一步验证了本文所提方法的有效性.

密码算法是网络安全的关键技术，它的高速实现与破译，是电子信息侦查、算法安全性验证的重要手段。针对DES、DES Crypt和3DES算法的快速破解，提出了一种混合可重构的DES算核高效能口令恢复方案。通过对DES算法特征的分析，结合算核的设计思想，以循环控制和全流水架构，分别实现了串行和并行2种DES算核。其次，对这2种算核进行重构以适配各种应用，并布局多个算子协同工作，完成应用的并行计算。最后，利用策略缩小DES口令搜索空间，并设计了2种高速口令生成算法，进一步加快DES的恢复速度。实验结果表明，相比于CPU、GPU实现，该方案在计算速度上分别提高了2 35314倍、14.19倍，能效比分别提高了584.96倍、11.02倍，最快可在几秒内恢复原始口令，其效率有了明显提高。