Informatique - Cryptographie et sécurité

Améliorer les méthodes de détection de botnets grâce à l'apprentissage machine et aux stratégies de défense contre les attaques.

Le nouveau dataset ORBITAAL offre un aperçu détaillé des transactions Bitcoin de 2009 à 2021.

Apprends comment le watermarking protège les modèles d'IA et défend les droits des créateurs.

Une nouvelle méthode renforce la sécurité de l'apprentissage fédéré en combattant efficacement les attaques byzantines.

Examiner de nouvelles méthodes pour améliorer l'efficacité et la sécurité des réseaux neuronaux.

Combiner la sécurité et la fiabilité pour améliorer les systèmes de traitement d'image des véhicules autonomes.

Cet article examine les problèmes liés à la création de SBOM efficaces en Python.

Cet article examine l'impact des attaques sur les modèles de machine learning et les stratégies de défense.

Évaluer les risques de sécurité dans la conception du réseau d'accès radio ouvert.

Explorer le rôle de l'agrégation sécurisée dans l'apprentissage fédéré dans les milieux de la santé.

Traiter les risques de sécurité dans les systèmes de démarrage réseau pour les environnements académiques.

Un cadre pour la vérification à plusieurs niveaux pour améliorer la sécurité des données dans les systèmes décentralisés.

Une étude sur les tactiques de phishing dans la blockchain Ethereum et des moyens de riposter.

NoiseAttack modifie plusieurs classes dans des attaques backdoor en utilisant des motifs de bruit subtils.

De nouvelles méthodes améliorent la sécurité des signatures numériques contre les menaces informatiques futures.

Apprends comment des déclencheurs cachés peuvent manipuler les modèles de langage et poser des risques sérieux.

Présentation d'un cadre pour sécuriser les réseaux sans fil contre les menaces émergentes.

Des recherches montrent des méthodes pour se protéger contre les attaques par canaux secondaires sur les FPGAs.

Un nouveau cadre améliore les simulations pour l'efficacité de la réponse aux urgences.

Un aperçu des nouvelles approches pour améliorer les méthodes de programmation sécurisée.

Améliorer la cybersécurité grâce à une détection d'anomalies améliorée avec des GNN.

Découvrir des méthodes sécurisées pour le partage de données dans des systèmes de communication avancés.

Une méthode pour surveiller le respect des règles de protocole de sécurité par les logiciels.

Améliorer l'efficacité dans le traitement sécurisé des tâches d'apprentissage machine.

La sécurité IoT a besoin d'une attention urgente pour des interactions entre appareils plus sûres.

LoRD améliore l'efficacité des attaques par extraction de modèle sur les grands modèles de langage.

Découvrez comment les solutions Layer Two améliorent la vitesse et l'efficacité des transactions Bitcoin.

Le nouveau cadre GenDFIR améliore l'analyse des chronologies d'événements cyber.

Un nouveau cadre améliore la résilience des puces face aux menaces de sécurité grâce à la diversité.

Un aperçu du rôle du tamisage quantique dans l'amélioration de la cryptographie basée sur des codes.

Examen des questions clés sur la sécurité et la sûreté des véhicules autonomes.

Ce document aborde les menaces de fuite de flux de contrôle et propose une nouvelle approche matériel-logiciel.

Examiner comment des points de données importants attirent plus de risques de sécurité dans le machine learning.

Un nouveau modèle IDS offre une détection DDoS efficace dans les réseaux définis par logiciel.

FTLGAN améliore la reconnaissance faciale pour les images basse résolution, garantissant une meilleure identification.

Une nouvelle méthode crée des visages virtuels pour les interactions en ligne tout en garantissant la vie privée des utilisateurs.

Découvre comment les pratiques de sécurité peuvent améliorer le développement logiciel et réduire les risques.

Un aperçu de la confidentialité différentielle et de son rôle dans la protection des données individuelles tout en garantissant l'utilité.

Explorer l'importance de la cryptographie légère et des matrices MDS pour une communication sécurisée.

Une approche pratique pour améliorer les modèles de ML contre les entrées adverses dans la gestion des réseaux.