RECHERCHE
Juin 2025 : agents trompés par l'écran, navires attaqués, voitures qui trahissent
RansomwareOT and industrial securitySupply chain
Juin 2025 déplace l'attention vers le monde physique. Des officiers de navire racontent GPS falsifié et ransomware à bord, les données du bus CAN reconstituent le trajet d'une voiture sans GPS et une vidéo d'imprimante 3D suffit à en voler le modèle. Les agents qui pilotent l'ordinateur cèdent aux instructions cachées à l'écran et le fuzzing trouve dix CVE dans des modems 5G.
Archives : reconstitution rédigée en novembre 2026
1. VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
arXiv · Tri Cao, Bennett Lim, Yue Liu, Yuan Sui et al. · Sécurité de l'IA et des LLM
En bref: Des instructions malveillantes placées à l'écran trompent les agents de navigateur et d'ordinateur jusqu'à 100% des cas.
Les agents qui pilotent l'ordinateur ont un accès complet aux fichiers, données et commandes. VPI-Bench mesure leur résistance à la visual prompt injection, des instructions malveillantes intégrées visuellement à l'interface, sur 306 cas et cinq plateformes. Les agents d'ordinateur cèdent jusqu'à 51% des fois, ceux de navigateur jusqu'à 100% ; les défenses du prompt système aident peu.
Pourquoi c'est important. Un agent ayant accès à tout l'ordinateur peut être détourné par n'importe quelle page web : ses droits se fixent comme ceux d'un nouvel employé.
Lire l'article · PDF · Code
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
En bref: Les données d'entraînement d'un LLM spécialisé s'extraient en exploitant ses différences avec le modèle de base.
Les jeux de données de fine-tuning supervisé contiennent des paires instruction-réponse précieuses, donc ciblées. La première étude du sujet définit le problème et propose Differentiated Data Extraction, qui exploite la confiance du modèle affiné et ses écarts avec le modèle de base. Elle surpasse les méthodes existantes dans tous les cas ; une défense à faible coût est proposée.
Pourquoi c'est important. Exposer un modèle entraîné sur des données propres peut faire fuir ces données : un risque de propriété intellectuelle et de confidentialité avant toute mise en ligne.
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 et menaces
En bref: 21 officiers de navire décrivent GPS falsifié et ransomware à bord, avec une formation et des règles inadaptées.
Navires et ports transportent plus de 80% des marchandises mondiales, et des attaques comme celle contre Maersk ont touché le commerce international. Par enquêtes et entretiens avec 21 officiers, l'étude recueille des récits de GPS falsifié en haute mer et de ransomware ayant bloqué la logistique. Des problèmes systémiques ressortent : formation inadaptée et règles fragmentées.
Pourquoi c'est important. Le risque cyber maritime réunit dommages aux marchandises, perte d'exploitation et responsabilité : les garanties marines doivent intégrer le facteur humain à bord.
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 · Systèmes cyber-physiques et IoT
En bref: Les données non chiffrées du bus CAN reconstituent le trajet d'une voiture à 95,75% près, sans GPS.
Le bus CAN d'une voiture échange en clair des données physiques sur le mouvement. OPD-II combine un modèle physique du véhicule et un algorithme de map matching pour reconstituer le trajet, avec seulement la position et le cap de départ, sans données d'entraînement ni accès au téléphone. Sur quatre voitures et 59 trajets, il atteint 95,75% de précision moyenne.
Pourquoi c'est important. Un boîtier OBD-II, comme ceux de la télématique, peut devenir un traceur : les données de conduite sont des données de localisation personnelles.
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.
En bref: Une vidéo d'impression 3D suffit à reconstituer le G-code et voler le modèle, avec 90,87% de précision.
Les imprimantes 3D de l'industrie, de la santé et de la défense sont souvent surveillées à distance par caméra. Le modèle des auteurs suit les mouvements de la buse dans la vidéo et les traduit en G-code, en retrouvant aussi vitesse et extrusion. Un nouvel outil vérifie que l'objet reconstitué équivaut à l'original ; la précision moyenne est de 90,87%.
Pourquoi c'est important. Les caméras de surveillance deviennent un canal de vol de propriété intellectuelle : à considérer par qui fabrique à façon des modèles confidentiels.
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. · Sécurité des systèmes et logiciels
En bref: Le fuzzing radio de téléphones et modems 5G trouve 12 failles inconnues, avec dix CVE chez Qualcomm et MediaTek.
5Ghoul contrôle et manipule en temps réel chaque paquet jusqu'à la couche liaison, construit automatiquement les machines à états du protocole et exploite les failles par radio sur des appareils du commerce. Sur sept téléphones et modems USB 5G et un framework libre, il trouve 12 vulnérabilités inconnues ; dix touchent des appareils de grands fournisseurs comme Qualcomm et MediaTek.
Pourquoi c'est important. Les mêmes puces 5G équipent des millions de téléphones et routeurs de marques diverses : une faille de puce crée un cumul d'exposition au-delà d'un seul fabricant.
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 et mobile
En bref: Seuls 30,56% du fingerprinting des apps Android viennent des SDK publicitaires ; près d'un quart, de SDK au rôle inconnu.
La plus vaste analyse du comportement des SDK à ce jour couvre plus de 228 000 SDK et 178 000 apps Android et détecte l'envoi de plus de 500 signaux. Les SDK publicitaires, visés par App Tracking Transparency et Privacy Sandbox, n'expliquent que 30,56% du fingerprinting ; 23,92% viennent de SDK au but inconnu ou flou.
Pourquoi c'est important. Encadrer la seule publicité laisse une large part du pistage : l'éditeur d'app reste exposé via des bibliothèques qu'il ne contrôle pas.
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. · Matériel et canaux auxiliaires
En bref: Rowhammer modifie l'adresse de retour sur la pile pour sauter un contrôle d'authentification ou des étapes de chiffrement.
LeapFrog est un nouveau type de gadget Rowhammer : quand le code stocke l'adresse de retour sur la pile, une faute provoquée la déplace au-delà d'un bloc critique, comme un contrôle d'authentification ou des tours de chiffrement. Les auteurs trouvent ces gadgets automatiquement, contournent le chiffrement d'OpenSSL et analysent la bibliothèque Open Quantum Safe.
Pourquoi c'est important. Un défaut mémoire peut annuler un contrôle de sécurité bien écrit : sur serveur partagé, c'est un risque que le logiciel seul ne supprime pas.
9. Identity Deepfake Threats to Biometric Authentication Systems: Public and Expert Perspectives
arXiv · Shijing He, Yaxiong Lei, Zihan Zhang, Yuzhou Sun et al. · Identité et authentification
En bref: 408 professionnels et 37 entretiens : les experts craignent les deepfakes contre visage et voix, le public fait confiance à la biométrie.
L'étude combine une enquête auprès de 408 professionnels et 37 entretiens avec experts et non-experts. Un paradoxe ressort : le public recourt de plus en plus à la biométrie par commodité, tandis que les experts craignent la falsification du visage et de la voix par IA ; la finance est la plus sceptique. Une Deepfake Kill Chain et des défenses par signaux dynamiques sont proposées.
Pourquoi c'est important. Banques et assureurs authentifient leurs clients par visage et voix : le risque de fraude à l'identité par deepfake doit être évalué dans ces processus.
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. · Chaîne d'approvisionnement logicielle
En bref: MalGuard détecte les paquets PyPI malveillants avec des modèles légers et explique pourquoi un paquet est suspect.
La détection des paquets PyPI malveillants s'est tournée vers des modèles toujours plus complexes et lents. Les auteurs montrent qu'un jeu de caractéristiques assez complet permet aux modèles classiques d'excellents résultats. MalGuard trouve automatiquement les API sensibles par analyse de centralité de graphes, les affine avec un LLM et explique chaque détection avec LIME.
Pourquoi c'est important. Une détection rapide et explicable des paquets malveillants est un contrôle réaliste pour qui exploite des dépendances open source en production.
Les tendances du mois
Systèmes cyber-physiques et IoT
42 articles du mois sur ce thème
Le mois regarde les systèmes physiques sous des angles inhabituels. Des officiers confirment que GPS falsifié et ransomware à bord sont déjà une réalité, le bus CAN d'une voiture révèle où elle a roulé et les caméras qui surveillent une imprimante 3D suffisent à en copier le modèle. Dans les trois cas, la donnée sensible sort par un composant conçu pour autre chose.
Articles cités:
- 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
Sécurité de l'IA et des LLM
292 articles du mois sur ce thème
Avec 292 articles sur 1 447, la sécurité de l'IA reste le premier thème. Les agents qui pilotent navigateurs et ordinateurs suivent des instructions écrites dans l'interface, et les modèles affinés sur des données propres laissent extraire ces données par comparaison avec le modèle de base. Plus l'IA approche des données et droits réels, plus le risque devient opérationnel.
Articles cités:
- VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
- Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
Vie privée
74 articles du mois sur ce thème
Le pistage ne passe pas que par la publicité. Dans les SDK Android, l'essentiel du fingerprinting vient de bibliothèques non publicitaires, souvent au but flou, et les données de conduite lues par un boîtier OBD-II suffisent à reconstituer les trajets. Des règles pensées pour un seul secteur laissent l'essentiel de la collecte hors champ.
Articles cités:
- 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
Comment ce digest est réalisé
Ce numéro fait partie des archives du digest, reconstituées a posteriori. Les articles du mois ont été collectés depuis arXiv, l'archive IACR ePrint et les principales conférences et revues de sécurité ; la sélection tient aussi compte des citations reçues depuis la publication. Un modèle d'intelligence artificielle a évalué les candidats et rédigé les synthèses, qui reposent sur les abstracts : pour les détails, l'article original fait foi.
Articles du mois évalués : 1447.