安全学术圈

本文提出了一种新型的加密流量分类方法ATVITSC（Attention-based Vision Transformer and Spatiotemporal for Traffic Classification）

本研究首次系统性揭示了app-in-app生态中动态凭证泄漏的严重性，提出高效检测工具KeyMagnet，并通过大规模实证分析验证其有效性。

本文针对加密与规避技术日益复杂所带来的恶意流量检测难题，提出了一种基于图结构的网络行为建模方法——ST-Graph。

本文基于CESNET-QUIC22这一规模最大、类别标签最多、跨度最长的QUIC流量数据集，系统评估了多种分类模型在连续时间段上的性能，揭示了不同分类器的性能差异及其性能随时间的变化。

本文提出了一种利用语法和语义分析的新型攻击检测引擎 SWIDE，用于大规模系统性地检测成功的 Web 注入攻击。

在本文中，作者分析了 Web 应用程序指纹识别的现状，填补了关于所用技术及其在实践中的有效性的知识空白。

本文提出了一个以协议为中心的框架，以理解指纹识别方法为何在受控环境下有效，以及如何将其应用到实际的攻击和防御中。

本文提出了一种基于开源大语言模型（LLM）的双阶段微调框架——TrafficLLM，旨在通过专家指令和原始流量数据学习通用流量表示，从而提升泛化能力。

本文所提出的 CrossPUSH 与 CrossSXG 攻击，不仅是协议层面的安全漏洞，更反映出现代 Web 信任模型在“证书共享”与“资源分发”之间的严重断层。

基金申报截止时间为 2025 年 6 月 15 日 24:00

本文提出了一种基于网络流量分析的统计分类技术。

本文提出了一种新型小程序漏洞 MiniCPRF，其根源在于小程序框架的页面路由与用户状态管理的设计缺陷。

本文利用无监督学习技术，通过聚类算法在流量样本中识别相似模式，以实现对Tor用户的画像分析。

这篇论文提出了一种基于图神经网络（Graph Neural Networks, GNN）的去中心化应用（Decentralized Applications, DApp）识别方案——GraphDApp。

本文首次对蓝牙前向和未来保密性保证进行了安全评估，并提出了 6 种 BLUFFS 攻击。

本文首次对蓝牙前向和未来保密性保证进行了安全评估，并提出了 6 种 BLUFFS 攻击。

本文提出了 Phantom，一种针对半监督学习（SSL）的无目标投毒攻击。

本文提出了 Phantom，一种针对半监督学习（SSL）的无目标投毒攻击。