iOS 26 and iPadOS 26
iOS 26 and iPadOS 26
2026-06-16 归档
今日共收录 1237 条安全情报，包含 420 个 CVE，450 篇安全通告，以及 98 篇研究论文。
← 返回归档列表iOS 18.7 and iPadOS 18.7
iOS 18.7 and iPadOS 18.7
Android Code Search
Android Code Search
Android Devices
Android Devices
Secure an Android device
Secure an Android device
Android 16 QPR2
Android 16 QPR2
Mobile network security
Mobile network security
iOS 26.5 and iPadOS 26.5
iOS 26.5 and iPadOS 26.5
iOS 18.7.9 and iPadOS 18.7.9
iOS 18.7.9 and iPadOS 18.7.9
iOS 16.7.16 and iPadOS 16.7.16
iOS 16.7.16 and iPadOS 16.7.16
iOS 15.8.8 and iPadOS 15.8.8
iOS 15.8.8 and iPadOS 15.8.8
MFSA 2026-49Security Vulnerabilities fixed in Firefox for iOS 151.0
MFSA 2026-49Security Vulnerabilities fixed in Firefox for iOS 151.0
MFSA 2026-52Security Vulnerabilities fixed in Firefox for iOS 151.1
MFSA 2026-52Security Vulnerabilities fixed in Firefox for iOS 151.1
MFSA 2026-53Security Vulnerabilities fixed in Firefox for iOS 151.2
MFSA 2026-53Security Vulnerabilities fixed in Firefox for iOS 151.2
MFSA 2026-55Security Vulnerabilities fixed in Focus for iOS / Klar 151.3.1
MFSA 2026-55Security Vulnerabilities fixed in Focus for iOS / Klar 151.3.1
Transferable Self-Evolving Playbooks for Agentic Security Auditing
本文提出了EvoHunt，一个针对智能体安全审计的剧本演化环境。当前LLM驱动的漏洞发现智能体由三部分组成：用于代码分析的LLM、智能体框架（如Codex或OpenCode）和审计剧本（playbook）。传统方法依赖人工编写剧本，成本高且
The Proxy Knows Too Much: Sealing LLM API Routers with Attested TEEs
该论文揭示了大型语言模型（LLM）API 路由器的一个严重安全缺陷：由于路由器终止客户端传输层安全（TLS）会话并建立单独的上游会话，所有交互数据在路由器内部以明文形式暴露。这使得路由器成为应用层中间人，能够篡改代理工具调用、替换依赖为伪装
SPARK: Security Knowledge Priming and Representation-Guided Knowledge Activation for LLM-based Secure Code Generation
该论文提出SPARK（安全知识启动与表示引导的知识激活）方法，用于提升大语言模型（LLM）生成代码的安全性。研究背景是大语言模型常生成带有可被利用安全缺陷的代码。既有文献认为限制源于模型缺乏安全专业知识，因此防御方法依赖大规模微调或外部知识
Your "Pro" LLM Subscription May Actually Be "Free": Exposing Fingerprint Spoofing Risks in LLM Inference Services
大语言模型（LLM）API的普及使得用户越来越依赖黑盒指纹识别技术来验证服务商是否提供了所宣传的优质模型。然而，这些方法可能忽略对抗性服务商操纵模型权重以欺骗指纹识别过程的风险。本文首次提出了一种名为“指纹欺骗”的新型威胁：恶意服务商偷偷部
Let Them Steal: Trapping Large Language Model Extraction Attacks with Knowledge Honeypot
该论文提出了一种名为“Knowledge Trap”的新型防御方法，用于保护作为商业API部署的大型语言模型（LLM）免受模型提取攻击。模型提取攻击是指攻击者通过大量查询目标模型，试图复制其知识或行为以构建替代模型。现有的防御措施要么在攻击