2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-1

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-SOFT系统软件2025获奖作品方便学习

SOFT007——一种新型自适应对抗防御技术

社会运行对人工智能 (AI) 图像识别模型的日益依赖，使其更容易受到对抗性攻击带来的安全风险。这些攻击会操纵输入数据，欺骗 AI 模型错误分类图像，从而导致诸如自动驾驶汽车闯红灯等危险后果。目前的攻击检测方法（例如自编码器）是二元分类器，这限制了其对攻击进行分类和缓解的能力。因此，现有的防御方法虽然对特定类型的攻击有效，但却无法适应其他类型的攻击。为了解决这一局限性，我们开发了一种新型的一体化流水线 SplitSafe，它能够根据每张图像中识别出的攻击类型调整其防御策略。我们创建了一种独特的攻击分类方法，该方法利用一个五元攻击分类器，该分类器基于被攻击图像和原始图像像素之间的差异进行训练，从而突出不同攻击产生的不同噪声。我们设计了五种针对特定攻击的防御模型，供 SplitSafe 使用，以对被攻击图像进行分类并缓解攻击。与基于自编码器的攻击分类器相比，SplitSafe 的攻击分类准确率显著更高（95% vs. 69%，配对 t(14)=44.2，p=2.33 ×10^−26）。在攻击缓解方面，SplitSafe 对受攻击图像的下游图像分类准确率也显著高于非攻击相关的对照流程（85% vs. 74%，McNemar χ²(3599)= 308，p= 2.93×10^−52）。两个流程均采用了预训练的 EfficientNetV2 图像分类器，以确保基线分类准确率尽可能具有竞争力。将 SplitSafe 集成到现有的图像识别模型中，将增强实际系统抵御对抗性攻击的能力。

SOFT008 - Gate OS：通过静态分析确保 Rust Exokernel 的安全

传统操作系统使用多层抽象来简化开发，但限制了定制和优化。Gate OS 是一个基于 Rust 的外内核，它最大限度地减少了抽象开销，使应用程序能够直接管理硬件，同时确保稳定性和安全性。本项目探索了外内核架构、静态代码分析和形式化验证在进程隔离和管理方面的可行性，旨在减少对内存管理单元 (MMU) 的依赖，从而提高性能和跨 RISC-V 和 ARM Cortex-M 等架构的兼容性。\n\nGate OS 使用 Rust 开发，以利用其固有的代码不变性。该系统实现了对系统调用的静态分析，以确保符合安全策略，并使用借用检查器来强制执行线程边界，而无需 MMU。在 x86-64 UEFI 硬件上进行的基准测试测量了 I/O 性能和网络吞吐量，并通过集成部分 POSIX 和 xv6 系统调用支持测试了兼容性。\n\n基准测试表明，与传统内核架构相比，Gate OS 的性能有所提升，尤其是在高吞吐量网络和快速存储方面。静态分析成功地强制执行了编译时边界，确保应用程序和内核运行时的安全，同时防止对资源的未经授权访问。\n\nGate OS 展示了如何通过在编译时而非运行时强制执行安全性，利用编程语言特性和新型架构来创建安全、高性能的操作系统。它无需虚拟化和过度权限分离，为嵌入式系统和网络设备提供了一种极具前景的替代方案。

SOFT013 - 完整性：广义人工图像检测

如今，人工智能图像生成模型能够大规模地创建和增强照片。近期报告预测，到2027年，人工智能辅助的虚假信息将超越战争和自然灾害，成为全球经济安全面临的最大威胁。人工智能生成图像检测器的发展一直难以跟上图像质量的提升，使得未经训练的人难以识别人工智能生成的内容。现有的检测器在测试未知生成器时会失效，而且资源消耗巨大，严重依赖机器学习，并容易受到攻击。我开发了Integrity，这是一款不使用机器学习的软件工具，它通过分析噪声模式中的统计偏差来检测任何模型生成的图像，寻找的是图像真实性的指标，而不是人工痕迹。我将一个包含高分辨率真实图像的原始数据集与来自多个模型的合成图像配对，并运行Integrity的算法。经验表明，真实图像的得分符合一个与人工智能内容不符的阈值。该算法在自定义数据集上实现了平均 98.6% 的分类准确率，显著降低了计算成本，性能比其他检测器提升了 23% 以上。Integrity 还能识别被篡改的真实图像中的小区域，内置了用于检测潜在攻击的保护机制，并采用一种新颖的统计方法，在局部层面上检测人工智能生成的图像内容，是一款综合性工具。Integrity 在准确性、速度、安全性和效率方面均优于基于机器学习的检测器，并有望实现全球覆盖，使更多人能够比以往任何时候都更容易地获得图像认证服务。

SOFT015 - PSID.DB：新增已删除文件聚焦痕迹

如今计算机无处不在，数字痕迹往往会留下，有助于重现过往事件。在法律诉讼中，计算机取证数据对于判定被告有罪或无罪至关重要。然而，已知的数据往往无法捕捉到驱动器上所有先前文件的信息。本研究旨在通过研究、分析和脚本开发，从 Apple Spotlight 取证数据中识别、分析并提取更全面的历史文件信息。\n\n之前的 Spotlight 研究和工具已经识别并映射了 Store.db 数据（Atwal 等人，2019）。\n\n本研究发现了一个新的数据 PSID.DB，其中可能包含有关先前文件和文件夹的信息。通过分析先前的研究、十六进制模式、压缩、编码、加密以及常见的数据时间戳格式，对 PSID 的专有结构进行了解读。基于这张映射图，我开发了一个用于解析 PSID 的 Python 脚本。\n\n为了评估 PSID 的价值以及影响恢复的因素，我进行了模拟典型用户存储驱动器活动的测试，并将 PSID 恢复结果与 (a) 已知文件记录和 (b) Store.db 恢复结果进行了比较。结果表明，只要存在 PSID，其恢复效果就能达到或超过 Store.db。在某些测试中，PSID 恢复了所有先前的文件记录，而在另一些测试中，它恢复的记录数量是 Store.db 的五倍。存储驱动器文件系统被发现是影响 PSID 恢复的关键因素。\n\n这项研究绘制了 PSID 工件的映射图，证明在某些情况下，它可以提供比之前研究过的 Spotlight 工件更完整的历史文件列表，并开发了一个供取证人员解析 PSID 的脚本。

ISEF历年获奖作品集&解析&资料免费下载⬇️