FORSCHUNG
Juni 2025: vom Bildschirm getäuschte Agenten, Schiffe unter Beschuss, verräterische Autos
RansomwareOT and industrial securitySupply chain
Der Juni 2025 lenkt den Blick auf die physische Welt. Schiffsoffiziere berichten von gefälschtem GPS und Ransomware an Bord, CAN-Bus-Daten rekonstruieren die Route eines Autos ohne GPS, und ein Video eines 3D-Druckers genügt, um dessen Entwurf zu stehlen. Computer-Agenten fallen auf versteckte Anweisungen im Bild herein, Fuzzing findet zehn CVEs in 5G-Modems.
Archiv: Rekonstruktion, verfasst im November 2026
1. VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
arXiv · Tri Cao, Bennett Lim, Yue Liu, Yuan Sui et al. · KI- und LLM-Sicherheit
Kurz gesagt: Bösartige Anweisungen im Bildschirm täuschen Browser- und Computer-Agenten in bis zu 100% der Fälle.
Computer-Agenten haben vollen Zugriff auf Dateien, Daten und Befehle. VPI-Bench misst ihre Resistenz gegen Visual Prompt Injection, also visuell in die Oberfläche eingebettete bösartige Anweisungen, mit 306 Fällen auf fünf verbreiteten Plattformen. Computer-Agenten fallen bis zu 51% darauf herein, Browser-Agenten bis zu 100%; Abwehr im Systemprompt hilft wenig.
Warum es wichtig ist. Ein Agent mit vollem Computerzugriff lässt sich von jeder Webseite kapern: Seine Rechte sind wie die eines neuen Mitarbeiters festzulegen.
2. Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
ACM Conference on Computer and Communications Security · Zongjie Li, Daoyuan Wu, Shuai Wang, Zhendong Su
Kurz gesagt: Trainingsdaten eines spezialisierten LLM lassen sich über seine Unterschiede zum Basismodell extrahieren.
Fine-Tuning-Datensätze enthalten wertvolle Anweisung-Antwort-Paare und sind ein Ziel. Die erste Studie dazu schlägt Differentiated Data Extraction vor, das die Antwortsicherheit des angepassten Modells und sein abweichendes Verhalten gegenüber dem Basismodell nutzt. Es übertrifft bisherige Methoden in allen Szenarien; eine Abwehr mit geringem Leistungsverlust wird vorgeschlagen.
Warum es wichtig ist. Wer ein mit eigenen Daten trainiertes Modell anbietet, kann genau diese Daten verlieren: ein IP- und Vertraulichkeitsrisiko vor dem Release.
3. A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
ACM Conference on Computer and Communications Security · Anna Raymaker, Akshaya Kumar, Miuyin Yong Wong, Ryan Pickren et al. · Malware und Bedrohungen
Kurz gesagt: 21 Schiffsoffiziere berichten von gefälschtem GPS und Ransomware an Bord, bei schwacher Schulung und zersplitterten Regeln.
Schiffe und Häfen transportieren über 80% der Weltgüter, und Angriffe wie der auf Maersk trafen den Welthandel. Mit Umfragen und Interviews mit 21 Offizieren sammelt die Studie Erfahrungen mit GPS-Spoofing auf hoher See und Ransomware, die die Logistik störte. Systemische Probleme zeigen sich: Schulungen, die nicht zur Seefahrt passen, und zersplitterte Vorschriften.
Warum es wichtig ist. Maritimes Cyberrisiko verbindet Ladungsschäden, Betriebsunterbrechung und Haftung: Marine-Deckungen müssen den Faktor Mensch an Bord berücksichtigen.
4. Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
IEEE European Symposium on Security and Privacy · Tommaso Bianchi, Alessandro Brighente, Mauro Conti, Andrea Valori · Cyber-physische Systeme und IoT
Kurz gesagt: Unverschlüsselte CAN-Bus-Daten rekonstruieren die Route eines Autos zu 95,75% genau, ohne GPS.
Der CAN-Bus eines Autos tauscht physikalische Bewegungsdaten im Klartext aus. OPD-II verbindet ein physikalisches Fahrzeugmodell mit Map Matching, um die gefahrene Route zu rekonstruieren, nur mit Startposition und -richtung, ohne Trainingsdaten oder Zugriff aufs Handy. Bei vier Autos und 59 Strecken erreicht es im Mittel 95,75% Genauigkeit.
Warum es wichtig ist. Ein OBD-II-Dongle, wie er für Telematik genutzt wird, kann zum Tracker werden: Fahrdaten sind als personenbezogene Standortdaten zu behandeln.
5. One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
ACM Conference on Computer and Communications Security · Twisha Chattopadhyay, Fabrício Ceschin, Marco E. Garza, Dymytriy Zyunkin et al.
Kurz gesagt: Ein Video des 3D-Drucks genügt, um den G-Code zu rekonstruieren und den Entwurf zu stehlen, zu 90,87% genau.
3D-Drucker in Fertigung, Medizin und Verteidigung werden oft per Kamera fernüberwacht. Das Modell der Autoren verfolgt die Düsenbewegungen im Video und übersetzt sie in G-Code, einschließlich Vorschub und Extrusion. Ein neuer Äquivalenzprüfer bestätigt, dass das rekonstruierte Objekt dem Original entspricht; die mittlere Genauigkeit liegt bei 90,87%.
Warum es wichtig ist. Überwachungskameras werden zum Kanal für IP-Diebstahl: relevant für alle, die vertrauliche Entwürfe im Auftrag fertigen.
6. 5Ghoul: Unleashing Chaos on 5G Edge Devices via Stateful Multi-Layer Fuzzing
IEEE Transactions on Dependable and Secure Computing · Matheus E. Garbelini, Zewen Shang, Shijie Luo, Sudipta Chattopadhyay et al. · System- und Softwaresicherheit
Kurz gesagt: Funk-Fuzzing von 5G-Handys und -Modems findet 12 unbekannte Lücken, mit zehn CVEs bei Qualcomm und MediaTek.
5Ghoul steuert und manipuliert jedes Paket in Echtzeit bis zur Sicherungsschicht, baut automatisch Protokoll-Zustandsautomaten und nutzt Lücken per Funk an handelsüblichen Geräten aus. Bei sieben 5G-Handys und USB-Modems sowie einem Open-Source-Framework findet es 12 unbekannte Schwachstellen; zehn betreffen Geräte großer Anbieter wie Qualcomm und MediaTek.
Warum es wichtig ist. Dieselben 5G-Chips stecken in Millionen Handys und Routern verschiedener Marken: Ein Chipfehler bedeutet Kumulrisiko über einzelne Hersteller hinaus.
7. Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
ACM Conference on Computer and Communications Security · Michael A. Specter, Mihai Christodorescu, Abbie Farr, Bo Ma et al. · Web und Mobile
Kurz gesagt: Nur 30,56% des Fingerprintings in Android-Apps stammt aus Werbe-SDKs, fast ein Viertel aus SDKs unklaren Zwecks.
Die bisher größte Analyse von SDK-Verhalten umfasst über 228.000 SDKs und 178.000 Android-Apps und erkennt den Abfluss von über 500 Signalen. Werbe-SDKs, auf die sich App Tracking Transparency und Privacy Sandbox konzentrieren, erklären nur 30,56% des Fingerprintings; 23,92% stammen aus SDKs mit unbekanntem oder unklarem Zweck.
Warum es wichtig ist. Nur Werbung zu regulieren lässt viel Tracking offen: App-Anbieter bleiben über Bibliotheken exponiert, die sie nicht kontrollieren.
8. LeapFrog: The Rowhammer Instruction Skip Attack
IEEE European Symposium on Security and Privacy · Andrew Adiletta, M. Caner Tol, Kemal Derya, Berk Sunar et al. · Hardware und Seitenkanäle
Kurz gesagt: Rowhammer verändert die Rücksprungadresse auf dem Stack, um Authentifizierung oder Verschlüsselungsschritte zu überspringen.
LeapFrog ist ein neuer Rowhammer-Gadget-Typ: Legt der Code die Rücksprungadresse auf den Stack, verschiebt ein ausgelöster Fehler sie hinter einen kritischen Block wie eine Authentifizierungsprüfung oder Verschlüsselungsrunden. Die Autoren finden solche Gadgets automatisch, umgehen die Verschlüsselung in OpenSSL und durchsuchen die Bibliothek Open Quantum Safe.
Warum es wichtig ist. Ein Speicherdefekt kann eine korrekt geschriebene Sicherheitsprüfung aushebeln: Auf geteilten Servern ist das ein Risiko, das Software allein nicht beseitigt.
9. Identity Deepfake Threats to Biometric Authentication Systems: Public and Expert Perspectives
arXiv · Shijing He, Yaxiong Lei, Zihan Zhang, Yuzhou Sun et al. · Identität und Authentifizierung
Kurz gesagt: 408 Fachleute und 37 Interviews: Experten fürchten Deepfakes gegen Gesicht und Stimme, die Öffentlichkeit vertraut Biometrie.
Die Studie verbindet eine Umfrage unter 408 Fachleuten mit 37 Interviews mit Experten und Laien. Ein Paradox zeigt sich: Die Öffentlichkeit nutzt Biometrie zunehmend aus Bequemlichkeit, Experten fürchten KI-Fälschungen von Gesicht und Stimme; die Finanzbranche ist am skeptischsten. Vorgeschlagen werden eine Deepfake Kill Chain und Abwehr über dynamische Signale wie Augenbewegungen.
Warum es wichtig ist. Banken und Versicherer authentifizieren Kunden per Gesicht und Stimme: Das Risiko von Identitätsbetrug mit Deepfakes gehört in diese Prozesse.
10. MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem
USENIX Security Symposium · Gao, Xingan, Xiaobing Sun, Sicong Cao, Kaifeng Huang et al. · Software-Lieferkette
Kurz gesagt: MalGuard erkennt bösartige PyPI-Pakete mit schlanken Modellen und erklärt, warum ein Paket verdächtig ist.
Die Erkennung bösartiger PyPI-Pakete setzt auf immer komplexere, langsamere Modelle. Die Autoren zeigen, dass ein ausreichend umfassender Merkmalssatz auch klassischen Modellen sehr gute Ergebnisse erlaubt. MalGuard findet sensible APIs automatisch per Graph-Zentralitätsanalyse, verfeinert sie mit einem LLM und erklärt jede Erkennung mit LIME. Es übertrifft sechs Vergleichsverfahren.
Warum es wichtig ist. Schnelle, erklärbare Erkennung bösartiger Pakete ist eine realistische Kontrolle für alle mit Open-Source-Abhängigkeiten im Betrieb.
Die Trends des Monats
Cyber-physische Systeme und IoT
42 Paper des Monats zu diesem Thema
Der Monat betrachtet physische Systeme aus ungewohnten Blickwinkeln. Schiffsoffiziere bestätigen, dass gefälschtes GPS und Ransomware an Bord bereits Realität sind, der CAN-Bus eines Autos verrät, wo gefahren wurde, und Kameras an einem 3D-Drucker genügen, um den Entwurf zu kopieren. In allen drei Fällen fließen sensible Daten über ein Bauteil ab, das für anderes gedacht war.
Zitierte Paper:
- A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
- One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
KI- und LLM-Sicherheit
292 Paper des Monats zu diesem Thema
Mit 292 von 1.447 Arbeiten bleibt KI-Sicherheit das wichtigste Thema. Agenten, die Browser und Computer steuern, folgen in die Oberfläche geschriebenen Anweisungen, und mit eigenen Daten angepasste Modelle geben diese Daten im Vergleich zum Basismodell preis. Je näher KI an echte Daten und Rechte rückt, desto operativer wird das Risiko.
Zitierte Paper:
- VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
- Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
Datenschutz
74 Paper des Monats zu diesem Thema
Tracking läuft nicht nur über Werbung. In Android-SDKs stammt das meiste Fingerprinting aus Nicht-Werbebibliotheken, oft mit unklarem Zweck, und von einem OBD-II-Dongle gelesene Fahrdaten reichen, um Routen zu rekonstruieren. Auf einen Sektor zugeschnittene Regeln lassen den Großteil der Erhebung unberührt.
Zitierte Paper:
- Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
Wie dieser Digest entsteht
Diese Ausgabe gehört zum Archiv des Digests und wurde nachträglich rekonstruiert. Die Paper des Monats stammen aus arXiv, dem IACR-ePrint-Archiv und den wichtigsten Sicherheitskonferenzen und -zeitschriften; bei der Auswahl zählen auch die seit der Veröffentlichung erhaltenen Zitierungen. Ein KI-Modell hat die Kandidaten bewertet und die Zusammenfassungen verfasst, die auf den Abstracts beruhen: Für Details gilt das Original-Paper.
Bewertete Paper des Monats: 1447.