NDSS 2025 录用论文深度解读（211 篇）
NDSS 2025（第 32 届网络与分布式系统安全研讨会）于 2025 年 2 月在加州圣地亚哥举行，共录用 211 篇论文。本文按研究方向分类，对每篇论文基于全文精读给出深度解读（含独立分析思考），并附可获取的 PDF 链接。 全部 211 篇录用论文深度解读（按研究方向分类）AI/ML安全（32 篇）VoiceRadar: Voice Deepfake Detection using Micro-Frequency and Compositional Analysis 作者: Kavita Kumari, Maryam Abbasihafshejani, Alessandro Pegoraro, Phillip Rieger, Kamyar Arshi, Murtuza Jadliwala, Ahmad-Reza Sadeghi 方向: AI/ML安全 解读: TTS 与语音转换（VC）模型的进步使语音深度伪造（audio deepfake）能以假乱真，攻击者可冒充公众人物散布虚假信息、绕过声纹认证（如拜登语音机器人电话事件），造成广泛社会影响。但现...
IEEE S&P 2026 录用论文深度解读（252 篇）
IEEE S&P（Oakland）2026 于 2026 年 5 月在旧金山举行，共录用 252 篇论文。本文按研究方向分类，对每篇论文给出深度解读（含独立分析思考），有 arXiv 全文的基于精读，其余基于摘要，并附可获取的 PDF 链接。 全部 252 篇录用论文深度解读（按研究方向分类）AI/ML安全（20 篇）SoK: Critical Evaluation of Quantum Machine Learning for Adversarial Robustness. 作者: Saeefa Rubaiyet Nowmi, Jesus Rafael Lopez, Md Mahmudul Alam Imon, Shahrooz Pouryousef, Mohammad Saidur Rahman 方向: AI/ML安全 解读: 问题：量子机器学习（QML）将量子计算原理融入学习算法，有望带来更强的表示能力与计算效率，但其在对抗条件下的安全与鲁棒性研究严重不足。本文提出首个QML对抗鲁棒性系统化（SoK）研究，将概念分类与实证评估相结合，覆盖黑盒、...
IEEE S&P 2025 录用论文深度解读（256 篇）
IEEE S&P（Oakland）2025 于 2025 年 5 月在旧金山举行，共录用 256 篇论文。本文按研究方向分类，对每篇论文给出深度解读（含独立分析思考），有 arXiv 全文的基于精读，其余基于摘要，并附可获取的 PDF 链接。 全部 255 篇录用论文深度解读（按研究方向分类）AI/ML安全（24 篇）Secure Transfer Learning: Training Clean Model Against Backdoor in Pre-Trained Encoder and Downstream Dataset. 作者: Yechao Zhang, Yuxuan Zhou, Tianyu Li, Minghui Li, Shengshan Hu, Wei Luo, Leo Yu Zhang 方向: AI/ML安全 解读:基于预训练编码器的迁移学习已成为现代机器学习的核心范式，但预训练与下游微调的结合扩大了攻击面：后门既可能被植入预训练编码器，也可能出现在下游数据集中，而这一双重威胁常被以往研究忽视；此外资源受限用户难以承受端到端重...
NDSS 2026 录用论文深度解读（265 篇）
NDSS 2026 于 2026 年 2 月在加州圣地亚哥举行，共录用 265 篇论文。本文按研究方向分类，对每篇论文基于全文精读给出深度解读（含独立分析思考），并附论文 PDF 链接。 全部 265 篇录用论文深度解读（按研究方向分类）AI/ML安全（19 篇）CatBack: Universal Backdoor Attacks on Tabular Data via Categorical Encoding. 作者: Behrad Tajalli, Stefanos Koffas, Stjepan Picek 方向: AI/ML安全 解读: 问题：后门攻击研究集中于图像等数据，表格数据因数值与类别特征混合、特征弱相关、无空间信息，触发器设计困难；已有攻击只能作用于数值特征，能力受限。 方法：核心创新是把类别特征转换为浮点表示，统一特征空间使单一梯度扰动可作用于全部特征，干净准确率与 one-hot 等编码相当且不增加列数；投毒后可将数据集还原为原始形式隐藏攻击；在 4 种模型与 5 个数据集上评估（XGBoost 作黑盒）。 结果：白盒与黑盒场景 AS...
USENIX Security 2025 录用论文深度解读（440 篇）
USENIX Security 2025（第 34 届）于 2025 年 8 月在华盛顿州西雅图举行，两轮共录用 440 篇论文。本文按研究方向分类，对每篇论文基于全文精读给出深度解读（含独立分析思考），并附可获取的 PDF 链接。 全部 440 篇录用论文深度解读（按研究方向分类）AI/ML安全（57 篇）Analyzing the AI Nudification Application Ecosystem. 作者: Cassidy Gibson, Daniel Olszewski, Natalie Grace Brigham, Anna Crowder, Kevin R. B. Butler, Patrick Traynor, Elissa M. Redmiles, Tadayoshi Kohno 方向: AI/ML安全 解读: 基于 AI 的”脱衣”应用(nudification)能由一张衣着人物的照片生成其裸体图像,且现实世界中已存在大量未经图像主体同意的滥用案例,可能侵犯个人权利并造成下游伤害。尽管此类应用广受关注,此前却没有跨应用、系统化的生态研究...
USENIX Security 2026 录用论文深度解读（165 篇）
USENIX Security 2026（第 35 届）于 2026 年 8 月在波士顿举行，第一轮录用 165 篇。本文按研究方向分类，对每篇论文基于全文精读给出深度解读（含独立分析思考），并附论文 PDF 链接。 全部 165 篇录用论文深度解读（按研究方向分类）AI/ML安全（17 篇）Imitative Membership Inference Attack 作者: Yuntao Du and Yuetian Chen; Hanshen Xiao; Bruno Ribeiro and Ninghui Li 方向: AI/ML安全 解读: 成员推断攻击（MIA）是衡量模型隐私泄漏的基准工具，但 SOTA 攻击（LiRA、PMIA）需训练数百个影子模型：LiRA 在 CIFAR-10 上用官方实现约需 6 天（单块 A100），令隐私审计与复现难以负担。作者指出根源在于影子训练”目标无关”——只学到成员/非成员的一般模式，对难攻击样本方差大，故需海量模型平均。 IMIA 提出”模仿训练”：用加权 logits 匹配损失（对真实类与次高置信类加权...
ACM CCS 2025 录用论文深度解读（395 篇）
ACM CCS 2025 于 2025 年 10 月在中国台北举行，两轮共录用 395 篇论文。本文按研究方向分类，对每篇论文给出深度解读（含独立分析思考），有 arXiv 全文的基于精读，其余基于摘要，并附可获取的 PDF 链接。 全部 395 篇录用论文深度解读（按研究方向分类）AI/ML安全（44 篇）Hardening Deep Neural Network Binaries against Reverse Engineering Attacks. 作者: Zheng Zhong, Ruoyu Wu, Junpeng Wan, Muqi Zou, Dave (Jing) Tian 方向: AI/ML安全 解读:训练精良的DNN模型是厂商的专有资产——模型蕴含专业知识、机密数据与高昂训练成本，编译成二进制后广泛部署于边缘设备与云端；近期二进制反编译研究显示攻击者可通过逆向工程窃取模型，而通用混淆方案并非针对DNN二进制设计，难以隐藏其特有的结构信息。方法上，论文针对DNN二进制的独特特征设计加固/混淆方案，在编译或二进制层面隐藏模型的结构信息（...
反射型dll注入
核心思路反射型dll注入与其他注入不同的是，其不需要使用LoadLibrary这一函数，而是自己来实现整个装载过程。我们可以为待注入的DLL添加一个导出函数，ReflectiveLoader，这个函数实现的功能就是装载它自身。那么我们只需要将这个DLL文件写入目标进程的虚拟空间中，然后通过DLL的导出表找到这个ReflectiveLoader并调用它，我们的任务就完成了。 于是，我们的任务就转到了编写这个ReflectiveLoader上。由于ReflectiveLoader运行时所在的DLL还没有被装载，它在运行时会受到诸多的限制，例如无法正常使用全局变量等。而且，由于我们无法确认我们究竟将DLL文件写到目标进程哪一处虚拟空间上，所以我们编写的ReflectiveLoader必须是地址无关的。也就是说，ReflectiveLoader中的代码无论处于虚拟空间的哪个位置，它都必须能正确运行。这样的代码被我们称为“地址无关代码”(position-independent code, PIC)。 优点 反射式注入方式并没有通过LoadLibrary等API来完成DLL的装载，DLL并...
使用SetWindowsHookEx进行dll注入
相关函数介绍钩子(Hook)，是Windows消息处理机制的一个平台，应用程序可以在上面设置子程以监视指定窗口的某种消息，而且所监视的窗口可以是其他进程所创建的。当消息到达后，在目标窗口处理函数之前处理它。钩子机制允许应用程序截获处理window消息或特定事件。 钩子实际上是一个处理消息的程序段，通过系统调用，把它挂入系统。每当特定的消息发出，在没有到达目的窗口前，钩子程序就先捕获该消息，亦即钩子函数先得到控制权。这时钩子函数即可以加工处理（改变）该消息，也可以不作处理而继续传递该消息，还可以强制结束消息的传递。 我们通常使用通常使用SetWindowsHookEx来安装消息钩子，函数原型如下： 1234567//SetWindowsHookExHHOOK SetWindowsHookExA( int idHook,//设置钩子的类型.意思就是我要设置的钩子是什么钩子. 可以是监视窗口过程.可以是监视消息队列. HOOKPROC lpfn, //根据钩子类型.设置不同的回调函数. HINSTANCE hmod, //钩子设置的Dll实例句柄,就是DLL的句柄 ...
使用APC进行dll注入
异步过程调用是一种能在特定线程环境中异步执行的系统机制。往线程APC队列添加APC，系统会产生一个软中断。在线程下一次被调度的时候，就会执行APC函数，APC有两种形式，由系统产生的APC称为内核模式APC，由应用程序产生的APC被称为用户模式APC。每个线程都拥有自己的APC队列。应用程序可以使用函数把APC添加到指定线程的APC队列，函数定义如下： 12345DWORD WINAPI QueueUserAPC( _In_ PAPCFUNC pfnAPC, //APC函数地址 _In_ HANDLE hThread, //目标线程 _In_ ULONG_PTR dwData //APC函数的参数 ); 当用户模式APC被添加后，线程并不会直接调用APC函数，只有当线程处于“可变等待状态”时才会调用。如果希望线程执行APC函数，就要让线程进入可变等待状态。当线程调用SleepEx、SignalObjectAndWait、MsgWaitForMultipleObjectEx、WaitForMultipleObjectsEx或WaitForSingleObj...
