RAILS: Verification-Native Clearing For Agentic Commerce
本文提出了一种面向自主智能体(agent)商业交易的结算完整性协议 RAILS(Real-Time Agent Integrity & Ledger Settlement)。当前,智能体可以自主谈判、购买、部署代码和转账,但缺乏一个中立机制
今日共收录 1730 条安全情报,包含 831 个 CVE,478 篇安全通告,以及 120 篇研究论文。
← 返回归档列表本文提出了一种面向自主智能体(agent)商业交易的结算完整性协议 RAILS(Real-Time Agent Integrity & Ledger Settlement)。当前,智能体可以自主谈判、购买、部署代码和转账,但缺乏一个中立机制
本文针对小型办公室/家庭办公室(SOHO)设备固件中普遍存在的Linux内核版本过旧导致的安全漏洞问题进行了系统研究。作者首先利用基于模板的高精度CVE检测机制,分析了306款SOHO设备的900多个GPL固件源码,实际识别出内核相关的漏洞
随着物联网设备数量的激增,网络攻击面显著扩大,包括零日攻击和对抗性入侵在内的复杂威胁日益严重。传统的入侵检测系统(IDS)难以泛化至未知攻击,计算资源需求高且缺乏可解释性,尤其在资源受限、异构的物联网网络中。本文提出一种基于语义的多智能体入
本文针对大型语言模型在多轮交互中长期上下文推理的安全性问题展开研究。在多轮对话中,LLM需要维护一个动态演变的上下文,而不仅仅是生成孤立回复,这使得模型容易受到提示注入和上下文投毒攻击——攻击者通过注入局部的看似合理的对抗性片段,逐步扭曲模
本文研究了工具使用的大语言模型(LLM)代理面临的两类安全缺陷:一是未经授权的外部操作(如恶意调用外部工具),二是在最终输出检查之前运行时内部敏感明文泄露。现有防御通常仅保护单一边界(规划器/运行时或动作目标),无法同时保障两个面的安全。为
本文聚焦于基于LLM的智能体系统(Agentic AI Systems)中委托执行的可观测性问题。在智能体系统中,代理可以动态选择工具、改变执行序列、并生成协作子代理,导致执行轨迹碎片化和交织。标准审计日志和执行追踪无法区分不同委托分配下的
本文探索了大型语言模型(LLM)在对称密码学神经区分器中的应用。神经区分器是一种通过训练机器学习模型来区分具有特定差异的明文-密文对,从而恢复密钥的密码分析方法。已有工作主要使用ResNet等传统深度学习模型,但尚无研究将LLM用于神经区分
## Summary `server/handlers.go::handleTokenExchange` (lines 1804-1893) does not call `isConnectorAllowed(client.Allowed
CrowdStrike Named a Leader in Frost & Sullivan 2026 Radar for Cloud-Native Application Protection Platforms
CrowdStrike Expands Real-Time Cloud Detection and Response to Google Cloud
CrowdStrike Falcon Cloud Security Delivered 264% ROI Through Unified Cloud Protection
Security & Identity
SAP on Google Cloud
Inside Google Cloud
Google Cloud Next & Events
Google Cloud Consulting
Transform with Google Cloud
Threat IntelligenceNorth Korea-Nexus Threat Actor Compromises Widely Used Axios NPM Package in Supply Chain AttackBy Goo
Google Cloud Products
Cloud & Application Security