Free Apps Are Quietly Turning Smart TVs Into Web-Scraping Proxies for AI
A researcher has reverse-engineered the iOS SDK that Bright Data embeds in consumer apps and documented how it turns dev
2026-06-07 归档
今日共收录 735 条安全情报，包含 30 个 CVE，368 篇安全通告，以及 77 篇研究论文。
← 返回归档列表Miasma Worm Hits 73 Microsoft GitHub Repositories in Major Supply Chain Attack
Microsoft's GitHub repositories have become the latest to fall victim to the ongoing Miasma self-replicating supply chai
Opal Security Raises $23 Million for AI-Native Identity Governance
Raising $59 million to date, Opal also announced five senior leadership appointments. The post Opal Security Raises $23
Search-Time Contamination in Deep Research Agents: Measuring Performance Inflation in Public Benchmark Evaluation
本文系统研究了深度研究Agent在公共基准评测中因推理时进行网络搜索而引发的“搜索时污染”（Search-Time Contamination, STC）问题。STC是指Agent在回答问题时，通过Web搜索检索到基准测试的元数据、问题上下
Sequential Data Poisoning in LLM Post-Training
本文研究了大语言模型（LLM）后训练阶段中的顺序数据投毒威胁。LLM后训练通常包括多个阶段，如监督微调（SFT）和基于人类反馈的强化学习（RLHF）或直接偏好优化（DPO），每个阶段的数据来自不同、可能不可信的来源。现有文献假设每个训练阶段
Description-Code Inconsistency in Real-world MCP Servers: Measurement, Detection, and Security Implications
本文针对模型上下文协议（Model Context Protocol, MCP）服务器中普遍存在的描述-代码不一致（Description-Code Inconsistency, DCI）问题进行了系统性研究。MCP是大语言模型（LLM）调
WebMCP Tool Surface Poisoning: Runtime Manipulation Attacks on LLM Agents
本文研究了新兴的 WebMCP 协议（一种允许网站直接向 AI 代理暴露工具、绕过传统用户界面的协议）面临的安全威胁。作者识别出一类新的潜在攻击——中期会话工具注入（MSTI），攻击者利用第三方脚本在活跃会话期间注入恶意工具，从而操纵代理的
SecRL-Prune: Structured Reinforcement Learning-Based Pruning of CodeLLMs for Preserving Adversarial Code Mutation
大型代码语言模型（CodeLLMs）能够生成和重写程序，实现功能保留的代码变异，这一能力可能被用于创建多样化的恶意软件变种并绕过基于签名的检测。一个关键的安全问题是，这种变异能力在模型压缩后是否仍能保持，因为压缩使得模型在有限硬件预算下部署
Steering LLM Viewpoints through Fabricated Evidence Injection
随着聊天机器人在日常决策中日益普及，其生成误导性回答的潜在风险对用户构成严重威胁。本文研究了大型语言模型（LLM）的一种关键认知脆弱性：当面对带有可信度标记的捏造证据时，模型倾向于不加批判地信任外部上下文。作者提出了Ghostwriter，
GenTI: Benchmarking LLMs for Autonomous IDPS Rule Generation for Unseen Attacks
基于规则的入侵检测与防御系统（IDPS）能够实现精确的检测和缓解，但其手动构建的签名驱动规则限制了面对新兴威胁和零日攻击的适应能力。现有公开数据集（如CICIDS2017、UNSW-NB15）主要关注流量分类，缺乏支持自动规则合成或防御逻辑
Membrane: A Self-Evolving Contrastive Safety Memory for LLM Agent Defense
该论文针对大语言模型（LLM）及其Agent在面对不断演化的越狱攻击时的安全防御问题，提出了一种名为Membrane的自演化防护机制。现有方法包括微调安全分类器无法适应新型攻击，而基于自适应记忆的防护则容易对良性查询过度拒绝。Membran
An Embarrassingly Simple Detector for Model Extraction Attacks in Large Language Model API Traffic
本文针对大型语言模型（LLM）通过托管API部署时面临的模型提取攻击威胁，提出了一种极其简单的检测方法。模型提取攻击是攻击者通过大量查询来窃取模型知识或功能，而单个查询通常与正常请求难以区分。现有工作多聚焦于单查询异常检测或纯良性vs攻击者
SlotGCG: Exploiting the Positional Vulnerability in LLMs for Jailbreak Attacks
随着大语言模型（LLM）的广泛部署，通过越狱攻击识别其脆弱性变得至关重要。基于优化的攻击（如Greedy Coordinate Gradient, GCG）通常将对抗性token插入到提示的末尾，但固定插入点可能不是最有效的。本文实证研究了
ZERO-APT: A Closed-Loop Adversarial Framework for LLM-Driven Automated Penetration Testing under Intelligent Defense
该论文提出ZERO-APT，一个闭环对抗框架，用于在智能防御环境下评估LLM驱动的自动化渗透测试代理。针对现有评估的三个主要不足：真实性（攻击目标静态且无防御）、一致性（多步攻击链因果一致性依赖不稳定的LLM推理）和可审计性（决策过程不透明
GuardNet: Ensemble Strategies of Shallow Neural Networks for Robust Prompt Injection and Jailbreak Detection
大型语言模型（LLM）在自然语言处理任务中展现出强大能力，但易受提示注入（PI）和越狱（JB）攻击。此外，现有基准评估可能受到数据污染和部分信息泄露的影响，导致性能估计不可靠。本文提出 GuardNet——一种基于浅层神经网络（BiLSTM
SHIELDS: Automating OS Hardening with Iterative Multi-Agent Remediation
本文提出 SHIELDS，一个基于多智能体系统和大语言模型（LLM）的自动化操作系统加固框架。针对安全配置错误是操作系统级漏洞的主要成因，而手动维护系统合规性（如符合 DISA STIGs 标准）既繁琐又昂贵的问题，现有自动化工具依赖静态预
CRESS: Quantifying Vulnerabilities of Attack Scenarios in Hardware Reverse Engineering
本文提出CRESS（通用反向工程评分系统），旨在量化硬件反向工程（RE）相关攻击场景的脆弱性。微电子系统的安全依赖于可信的供应链和设计流程，但全球分布的供应链或设计缺陷可能导致硬件层面攻击，如伪造、硬件木马或设备攻击。这些攻击常依赖硬件反向
Willing but Unable: Separating Refusal from Capability in Code LLMs via Abliteration
本文研究了一种名为“abliteration”的低秩权重编辑方法，用于解除代码大语言模型（LLM）在生成指定漏洞代码时的安全对齐拒绝行为。在基于学习的安全漏洞检测任务中，大规模有标注漏洞代码数据集的构建一直面临标签噪声问题，现有的LLM增强
SharedRequest: Privacy-Preserving Model-Agnostic Inference for Large Language Models
随着ChatGPT等公共大语言模型(LLM)的广泛部署，用户提示(prompt)的隐私保护成为关键问题。现有的隐私保护推理方法要么牺牲效用，要么牺牲效率，并且通常需要针对特定模型进行修改，兼容性受限。本文提出SharedRequest，一种
From Agent Traces to Trust: Evidence Tracing and Execution Provenance in LLM Agents
本文系统综述了基于大语言模型（LLM）的智能体中证据追踪与执行溯源问题。随着LLM智能体通过与外部工具、检索系统、记忆模块、环境及其他智能体交互解决复杂任务，其自主性增强，但行为验证、调试和审计难度增加。仅靠最终答案正确性无法解释输出如何产