Android Devices
Android Devices
2026-06-23 归档
今日共收录 1003 条安全情报，包含 243 个 CVE，376 篇安全通告，以及 99 篇研究论文。
← 返回归档列表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
MFSA 2026-56Security Vulnerabilities fixed in Firefox for iOS 152.0
MFSA 2026-56Security Vulnerabilities fixed in Firefox for iOS 152.0
Exposing the Illusion of Erasure in Knowledge Editing for LLMs
知识编辑（Knowledge Editing, KE）旨在无需昂贵重新训练即可更新大型语言模型（LLM）中的特定事实，但其可靠性和底层机制尚不明确。本文从对抗性引出（adversarial elicitation）角度系统研究了KE的安全性
Understanding the (In)Security of Vibe-Coded Applications
本文系统性研究了“vibe coding”这一新兴软件开发范式下的应用安全性。Vibe coding是指用户通过自然语言与AI智能体交互来创建应用程序，因门槛极低而快速普及。与传统AI辅助编程不同，开发者在此模式下将大量开发工作委托给AI系
Black-Box Forensics for Conversational LLM Agents
随着大语言模型（LLM）驱动的诈骗行为日益猖獗，对隐藏在匿名端点背后的对话型LLM智能体进行黑盒取证，成为追踪溯源、追究责任的关键手段。该论文针对两大核心问题展开实证研究：一是归因（attribution），即在无法访问模型参数或系统提示（
Evidence-Bound Gateway-Path Provenance for Third-Party LLM Inference
第三方LLM网关作为应用与外部LLM提供商之间的关键基础设施层，其功能远超简单的流量转发：它决定调用哪个提供商和模型、是否发生回退、交付哪个流、以及如何计费。由于这些决策和记录在运营商控制的服务内部生成，客户端无法独立区分诚实的中介与路由替
Toward Open Weight Models Without Risks: Separating Public and Private Capabilities in LLMs
当前开放权重的大型语言模型（LLM）在推动科学进步的同时，也带来了对敏感能力进行访问控制的挑战。现有做法要么在发布前抑制危险能力，要么通过封闭服务（如API权限、输入输出监控）进行访问管理。前者易受越狱攻击，且为了少数风险而对所有用户牺牲能
LLM-assisted Generation of Pseudo-C2 Servers for IoT Malware Dynamic Analysis
该论文提出了一种结合 Ghidra 和大语言模型（LLM）的系统，用于从 IoT 恶意软件二进制文件中自动提取通信规范并生成伪 C2 服务器，从而解决动态分析中因攻击基础设施短暂存活而导致的样本休眠问题。大多数 IoT 恶意软件作为依赖 C
AgenticOS: An Intent-Oriented Secure Operating System Architecture for Autonomous AI Agents
随着大语言模型驱动的自主代理获得规划、工具使用、网络访问和代码执行等能力，传统基于“资源暴露+权限检查”的操作系统安全模型面临结构性挑战。一旦代理运行时遭受提示注入或恶意工具输出攻击，攻击者可以组合POSIX风格的资源原语，产生远超用户任务