网络安全公司SquareX发布报告，揭示了一种新型的“AI侧边栏欺骗”攻击。这种攻击通过恶意扩展伪装成AI侧边栏，诱导用户执行危险指令，导致凭证被窃取和设备被劫持。攻击者利用用户对AI的信任，可能造成严重的安全隐患。

网络缓存技术自互联网初期就已存在，主要通过密钥识别请求。近年来，内容分发网络（CDN）提高了系统效率，但也面临缓存中毒和欺骗攻击的风险，攻击者可能利用缓存存储动态信息，导致敏感数据泄露。此外，不同服务器对URL的解析差异可能影响缓存安全。

本研究探讨了大语言模型在欺骗攻击下的脆弱性，尽管经过训练以抵制误导性内容，但仍可能被突破，导致生成仇恨言论和刻板印象。因此，保护这些模型免受欺骗攻击至关重要。

本文探讨了水印技术在鉴别机器生成文本中的有效性，强调其在复杂样本中的可靠性。研究指出，水印的质量、大小和防篡改性是关键指标。尽管现有技术可用，但仍需改进以应对水印窃取和移除攻击。通过引入双层签名方案，研究提升了源头追踪能力，显示出水印技术在检测和防范欺骗攻击中的潜力。

本研究分析了自动说话人验证（ASV）系统对抗欺骗攻击的有效性，提出了一种基于深度神经网络的通用独立式自动说话人验证系统（G-SASV）。实验结果表明，该系统在欺骗检测中表现优异，等错误率显著降低。研究强调了ASV系统与欺骗攻击之间的演变关系，并提出多种防御技术以增强系统的鲁棒性。

本文研究了提高自动说话人验证系统对欺骗攻击的稳健性，采用概率线性判别分析和无监督领域适应技术。针对重放音频攻击，系统在真实和伪造情况下的改进率分别为36.1%和5.3%。此外，提出了基于异常检测的面部活体检测框架和轻量级反欺骗模型，实验结果显示其性能优于现有技术。

本文研究了基于LiDAR传感器的自动驾驶汽车感知系统的安全性，探讨了LiDAR欺骗攻击及其对机器学习模型的影响。提出了CARLO和SVF两种检测方法，并评估了LiDAR-相机融合模型的对抗鲁棒性。模拟实验显示攻击成功率高达90%，并提出了对抗训练策略以增强安全性。