315 Arbeiten
Diese Arbeit bietet eine umfassende vergleichende Analyse von fünf führenden Cross-Chain-Token-Standards und Frameworks, wobei sie deren technische Designs, Vertrauensmodelle und Zielökosysteme hinsichtlich Architektur, Nachrichtenmechanismen und Sicherheitsfeatures gegenüberstellt.
Die Arbeit stellt SIABENCH vor, ein agentic Evaluierungsframework mit einem neuartigen Datensatz und einem autonomen Agenten, das die Leistung von 11 großen Sprachmodellen bei der Sicherheitsvorfallanalyse umfassend bewertet und so die Lücke in der rigorosen Benchmarking für diesen Bereich schließt.
Die Arbeit stellt Proteus vor, ein praktisches Framework für die privatsphärewahrende Protokollierung von Geräten, das durch eine zweischichtige Architektur aus pseudonymisierten Feldern und zeitlich rotierender Verschlüsselung forensische Analysen ohne Offenlegung von personenbezogenen Daten und unter Beibehaltung hoher Datenintegrität ermöglicht.
Die Studie identifiziert und nutzt eine bisher unbekannte Radiofrequenz-Seitenkanal-Schwachstelle in gefangenen-Ionen-Quantenprozessoren aus, bei der abgestrahlte Steuersignale von Akusto-optischen Modulatoren zur Extraktion von Informationen über Quantengatter-Abläufe ausgenutzt werden können, und schlägt gleichzeitig Gegenmaßnahmen vor.
Diese Arbeit stellt ein neuartiges Framework für die differentielle Privatsphäre bei der Schätzung von Verteilungsfunktionen vor, das empirische CDFs mittels funktionaler Approximationsmethoden wie Polynomprojektionen und Matching Pursuit in verschiedene Funktionenräume projiziert und deren Koeffizienten privatisiert, um dabei eine hohe Genauigkeit und Effizienz in dezentralen oder Streaming-Szenarien zu gewährleisten.
Die Arbeit stellt SHIELD vor, ein host-unabhängiges Framework, das tiefgehende Dateisystemmerkmale direkt auf der Speicherebene nutzt, um Ransomware-Angriffe mit hoher Genauigkeit zu erkennen und in Echtzeit zu stoppen, ohne dass ein kompromittiertes Betriebssystem die Erkennung umgehen kann.
Die Arbeit stellt StegoAttack vor, einen steganografischen Framework, der schädliche Anfragen in harmlose, fließende Texte einbettet, um die Lücke zwischen semantischer und linguistischer Tarnung zu schließen und damit bei gleichzeitiger hoher Erfolgsrate eine bisher unerreichte Stealth-Fähigkeit gegenüber Sicherheitsmechanismen und Detektoren von Large Language Models zu erreichen.
Diese Arbeit stellt das CREO-Framework vor, das durch die Optimierung der eingeschränkten Rényi-Entropie die Quantenresistenz von RSA verbessert und dabei die vollständige Abwärtskompatibilität bewahrt, um eine Brücke zu zukünftigen Post-Quantum-Standards zu schlagen.
Dieses Paper führt das Konzept des „refereed learning" ein, bei dem ein Lernalgorithmus zwei konkurrierende Beweiser nutzt, um mit minimalem Zugriff auf eine Ground-Truth-Funktion und geringem Kommunikationsaufwand die überlegene von zwei Black-Box-Modellen zu identifizieren, wobei die Effizienz durch untere Schranken als optimal nachgewiesen wird.
Die Studie zeigt, dass eine Text-Rekonstruktsionsattacke auf Mixture-of-Experts-Modelle allein durch die Analyse der Expertenauswahlentscheidungen bis zu 91,2 % der Tokens mit hoher Genauigkeit wiederherstellen kann, was diese Routings als ebenso sensibel wie den ursprünglichen Text entlarvt.
Diese Arbeit bietet einen umfassenden Überblick über den Stand der Technik bei quantitativen Vertrauensmodellen für Online-Sozialnetzwerke, indem sie psychologische Grundlagen analysiert, algorithmische Ansätze kategorisiert und ein praxisorientiertes Handbuch mit Datensätzen, Merkmalen und Anwendungsszenarien bereitstellt.
Die Studie stellt ein dreistufiges Framework vor, das durch Vorfilterung von AIS-Kommunikationsfehlern und anschließende kinematische sowie räumlich-zeitliche Analyse in der Lage ist, GNSS-Spoofing und -Jamming im maritimen Bereich zuverlässig zu erkennen und dabei die Fehlalarmrate um 98,6 % zu senken.
Diese Arbeit bietet die erste umfassende systematische Übersicht über die Sicherheitslandschaft von KI-Agenten, indem sie Angriffsvektoren, Verteidigungsmechanismen und offene Herausforderungen analysiert und ein neues Rahmenwerk zur Sicherung agenter KI-Systeme einführt.
Die Arbeit stellt WebWeaver vor, ein Angriffskonzept, das die Topologie von LLM-Multi-Agenten-Systemen durch kompromittierte Agenten und kontextbasierte Inferenz unter Umgehung bestehender Abwehrmechanismen effizient und unauffällig rekonstruiert.
Diese systematische Übersichtsarbeit analysiert die Sicherheits- und Privatsphäre-Anforderungen von sicherem codierten Caching, bewertet bestehende Lösungen hinsichtlich ihres Sicherheitsgewinns und der damit verbundenen Kosten, identifiziert deren Grenzen und leitet daraus priorisierte offene Herausforderungen für die Zukunft ab.
Diese Arbeit führt ein Skalierungsgesetz-Framework für Jailbreak-Angriffe auf Large Language Models ein, das zeigt, dass promptbasierte Methoden im Vergleich zu optimierungsbasierten Ansätzen rechnerisch effizienter sind und bei der Erzeugung von Desinformation besonders anfällig sind.
Diese Arbeit beweist unconditionally, dass die Dichte von Matrizen über endlichen Körpern mit Determinante als primitivem Wurzelwert von der Ordnung $1/\log\log x$ ist, und leitet daraus explizite, für kryptografische Anwendungen relevante Schranken für die Ablehnungsstichprobeneffizienz des PRIM-LWE-Problems ab.
Die Studie stellt DNS-GT vor, einen graphbasierten Transformer-Ansatz, der durch selbstüberwachtes Vortraining und Feinabstimmung auf DNS-Abfrage-Sequenzen aussagekräftige Domain-Name-Embeddings lernt, um die Genauigkeit bei der Erkennung von Botnets und der Klassifizierung von Domains im Vergleich zu bestehenden Methoden zu verbessern.
Die Arbeit stellt „Secure Concept Steering for CodeLLMs" (SCS-Code) vor, eine Methode, die die internen Repräsentationen von Sicherheitskonzepten in Large Language Models nutzt, um während der Token-Generierung gezielt sichere und funktionale Codeausgaben zu steuern und dabei bestehende State-of-the-Art-Methoden in puncto Sicherheit und Korrektheit zu übertreffen.
Die vorgestellte Arbeit entwickelt ein auf Multi-Agenten-Reinforcement-Learning basierendes Framework, das in einem strategischen Nullsummenspiel eine optimale Nash-Gleichgewichts-Strategie zur Erkennung von False-Data-Injection-Angriffen in Verkehrsnetzwerken berechnet und so die Resilienz des Gesamtsystems gegen Manipulationen sicherstellt.