313 Arbeiten
Der Artikel stellt Lattice (LAT) als eine post-quantenresistente Settlement-Schicht vor, die durch eine Kombination aus CPU-only-Proof-of-Work (RandomX), einer LWMA-1-Schwierigkeitsanpassung und ausschließlich quantenresistenten ML-DSA-44-Signaturen von der Genesis-Block an eine sichere Peer-to-Peer-Währung für das Quantenzeitalter schafft.
Die Arbeit stellt ZK-ACE vor, eine identitätszentrierte Zero-Knowledge-Autorisierungsschicht für Post-Quantum-Blockchains, die durch den Ersatz von Transaktionssignaturen zugunsten von identitätsgebundenen Beweisen die on-chain-Datenmenge um eine Größenordnung reduziert und gleichzeitig Sicherheit gegen Replay-Angriffe sowie Substitution gewährleistet.
Die Arbeit stellt AR-ACE vor, ein PQC-fähiges Attestierungs-Relay-Protokoll für Blockchains, das durch die Verlagerung von Validitätsbeweisen vom Propagationspfad auf den Builder die Bandbreitenanforderungen für die Mempool-Propagierung um eine Größenordnung reduziert.
Diese Arbeit stellt eine Pipeline zur Entdeckung von Token-basiertem MEV (tMEV) vor, die mit dem statischen Analysewerkzeug tSCAN und dem Sucher tSEARCH nicht-standardisierte Token-Funktionen identifiziert und profitable Angriffsvektoren aufdeckt, die bisherige Sucher übersehen und die auf Ethereum ein zehnfach höheres Gewinnpotenzial bieten.
Dieser Bericht beschreibt die Erfahrungen und Techniken bei der automatisierten Konvertierung einer 800.000 Zeilen großen C++-Monolith-Codebasis in eine Java EE-Anwendung für WildFly, einschließlich der Lösung typischer Sprachkonflikte und der Entwicklung eines clang-basierten Tools zur fortlaufenden Code-Generierung.
Die Autoren schlagen ein bipartites Quantenschlüsselverteilungsprotokoll vor, das auf der Ressource der indefiniten kausalen Ordnung (Prozessmatrix) basiert und durch ein „Spiel zur Vorhersage der kausalen Ordnung" eine Roh-Übereinstimmungswahrscheinlichkeit von 85,35 % erzielt, die mit Standard-Fehlerkorrekturverfahren verarbeitet werden kann.
Diese Arbeit bietet eine umfassende vergleichende Analyse fortschrittlicher Techniken und Architekturen von Intrusion-Detection-Systemen für das Internet der Dinge, um die Sicherheit vernetzter Geräte zu gewährleisten.
Die Arbeit stellt SplitAgent vor, eine neuartige verteilte Architektur, die durch kontextbewusste dynamische Bereinigung und differenzielle Privatsphäre eine datenschutzkonforme Zusammenarbeit zwischen Unternehmens- und Cloud-Agenten ermöglicht, ohne die Aufgabenleistung zu beeinträchtigen.
Die Arbeit stellt XTRIDE vor, einen hochoptimierten, n-gram-basierten Ansatz zur praktischen Typinferenz aus binären Dateien, der durch eine 70- bis 2300-fach schnellere Verarbeitung und eine Genauigkeit von 90,15 % den aktuellen Stand der Technik bei der Wiederherstellung von Strukturlayouts und Funktionssignaturen übertrifft.
Die Arbeit stellt BladeChain vor, ein auf Hyperledger Fabric basierendes Blockchain-System, das durch die Integration von KI-Modell-Herkunft, automatisierten Inspektionsauslösungen und einer unveränderlichen, mehrstufigen Ledger-Struktur eine fälschungssichere und vollständig nachvollziehbare Lebenszyklus-Verfolgung für Flugzeugtriebwerksschaufeln ermöglicht.
Diese Arbeit stellt die erste systematische Analyse der Integration von Angriffsgraphen und Intrusion-Detection-Systemen vor, identifiziert die Notwendigkeit eines einheitlichen Rahmens und schlägt einen formalen Lebenszyklus mit kontinuierlicher Rückkopplung vor, um die Bedrohungserkennung und Incident Response zu verbessern.
Die Arbeit stellt SlowBA vor, einen neuartigen Backdoor-Angriff auf VLM-basierte GUI-Agenten, der durch eine zweistufige Belohnungsinjektion und realistische Trigger-Muster gezielt die Antwortlatenz erhöht, ohne dabei die Aufgabengenauigkeit zu beeinträchtigen.
Dieses Papier stellt eine neue Capability-Architektur vor, die auf einer FPGA-Implementierung und einem disaggregierten Zephyr-Betriebssystem basiert, um Echtzeit-Embedded-Systeme ohne vertrauenswürdigen Software-Kernel (TCB) gegen Angriffe von Anwendungen, dem Betriebssystem und Peripheriegeräten zu schützen.
Die Arbeit stellt CliCooper vor, ein kooperatives Split-Learning-Framework für heterogene Umgebungen, das durch differenzielle Privatsphäre und dynamische Wasserzeichen sowohl den Datenschutz als auch die Verifizierbarkeit der Modellintegrität und des Urheberrechts sicherstellt.
Diese Arbeit stellt einen theoretischen Rahmen vor, der menschliches Sicherheitsverhalten in Organisationen durch die Integration von Bewusstsein, Sicherheitskultur und Benutzerfreundlichkeit analysiert und als Blaupause für die Entwicklung von Schutzstrategien gegen Manipulationsangriffe auf autonome KI-Agenten dient.
Diese Studie zeigt, dass Generative KI durch das Tool CAI die Cybersicherheit von Haushaltsrobotern fundamental untergräbt, indem sie hochspezialisierte Angriffe automatisiert und in drei Fallstudien zahlreiche kritische Schwachstellen aufdeckt, was eine dringende Anpassung der Verteidigungsstrategien erfordert.
Diese Arbeit widerlegt die Zuverlässigkeit von Backdoor-Wasserzeichen zur Nachweisführung von Datenurheberrechten, indem sie zeigt, dass Angreifer mit einem neu entwickelten Framework statistisch nicht unterscheidbare Fälschungen erzeugen können, die Urheberrechtsvorwürfe erfolgreich entkräften.
Die Arbeit stellt TCBS-Attack vor, einen neuen black-box Jailbreak-Angriff, der durch die Suche nach Token nahe den Entscheidungsgrenzen von Text- und Bildfiltern die Effizienz und Erfolgsrate beim Umgehen von Full-Chain-Sicherheitsmechanismen bei Text-zu-Bild-Modellen signifikant verbessert.
Die Studie führt erstmals eine systematische Bewertung von clusterbewussten Angriffen auf Graphen-Wasserzeichen durch und zeigt, dass Angreifer, die Community-Strukturen ausnutzen, die Zuordnungsgenauigkeit effektiver untergraben als herkömmliche zufällige Störungen, was die Notwendigkeit robusterer Verteidigungsmechaniken unterstreicht.
Diese Arbeit bietet einen umfassenden Überblick über Differential Privacy im maschinellen Lernen, indem sie deren theoretische Grundlagen, die Integration in Modelle von symbolischer KI bis zu Large Language Models sowie praktische Evaluierungsmethoden untersucht, um sichere und verantwortungsvolle KI-Systeme zu fördern.