AirDrop and Quick Share Flaws Let Nearby Attackers Trigger Crashes and Bypass Checks
Two researchers have found six security flaws in AirDrop and Quick Share, the wireless features that beam files between
2026-07-01 归档
今日共收录 1573 条安全情报，包含 770 个 CVE，406 篇安全通告，以及 100 篇研究论文。
← 返回归档列表Decades-Old Bash Tricks Expose AI Coding Agents to Supply Chain Attacks
Decades-old Bash shell tricks can bypass safeguards in most open source AI coding agents, potentially turning malicious
Supreme Court Rules Constitutional Privacy Protections Apply to Cellphone Users’ Location History
The ruling was made in the case of a bank robber whose identity was discovered through a geofence warrant. The post Supr
On the Internet, Nobody Knows You're an LLM Bot: Unmasking Web Agents with Multi-Layer Fingerprinting
该论文针对2023年以来出现的新型自动化程序——基于大语言模型（LLM）的Web Agent进行了研究。这些Agent能够执行复杂的网页任务，超越了Selenium、Puppeteer等传统自动化工具，具备绕过反爬机制、模拟人类行为的能力，
Symbolon: Symbolic Execution by Learning Code Transformation
符号执行是一种强大的程序分析技术，广泛应用于漏洞检测、安全测试和恶意软件分析等领域。然而，该技术面临可扩展性问题，例如路径爆炸和复杂约束，这些问题往往源于真实程序中常见的特定结构和语义模式。现有方法尝试通过将程序转换为新表示来规避这些模式，
Words Speak Louder Than Code: Investigating Cognitive Heuristics in LLM-Based Code Vulnerability Detection
本文首次系统性地探索了大型语言模型（LLM）在代码漏洞检测中的认知启发式偏差。作者设计了一个受控实验框架，在保持代码本身不变的情况下，仅通过改变上下文来触发三种认知启发式：光环效应（通过作者归属）、框架效应（通过任务目标和后果描述）以及锚定
EnclaveX: End-to-End Confidential AI with CPU/GPU TEEs
本文针对大型语言模型（LLM）在云环境中部署带来的隐私和安全问题，提出了一种结合CPU和GPU可信执行环境（TEE）的端到端机密AI工作流。随着LLM的广泛应用，用户通常需要将敏感数据和训练代码托管于Microsoft Azure、Goog
CSO-LLM: Class Subspace Orthogonalization for Post-Training Backdoor Detection and Trigger Inversion in LLMs
本文针对大型语言模型（LLM）在微调后可能被植入后门的安全问题，提出了一种新的后门检测与触发器反转框架CSO-LLM。现有后门检测方法多用于图像领域，难以直接迁移到LLM，原因有二：LLM的输入空间是离散的，且可能触发器令牌长度较大，导致搜
Probing Memorization of Tabular In-Context Learning
本文首次系统性地研究了大型表格模型（LTM）在上下文学习（ICL）中的参数记忆化问题。尽管大型语言模型（LLM）已被证明会无意中记忆训练数据，但LTM的记忆化动态尚不明确。作者提出了一种名为ICLMEM的探测框架，旨在将基于上下文的预测与参
An Empirical Study of Security Calibration in Large Language Models for Code
本文对大型语言模型（LLM）在代码生成中的安全校准问题进行了首次大规模实证研究。校准是指模型对其输出正确性的置信度与实际正确性之间的对齐程度。研究评估了 GPT-4o-mini、Gemini-2.0-Flash 和 Qwen3-Coder-
Certified Speculative Execution for Untrusted AI Agents
本文针对受限顺序决策系统中AI智能体执行时的安全与效率矛盾问题，提出了一种名为“证书门控前缀接受”（CGPA）的认证推测执行框架。传统方法中，使用信任求解器（如优化器）保证可行性会牺牲AI的快速性，而直接让AI（如学习策略或冻结LLM）执行
Curvature-Guided Module Localization for Low-Rank Detoxification of Backdoored Large Language Models
该论文研究大语言模型（LLM）面临的后门攻击威胁，即攻击者在模型中植入隐蔽触发器，使模型在遇到特定输入时产生恶意行为。作者聚焦于实际防御场景：防御者拥有被污染的模型，但不想从头重新训练。他们提出一种机制引导的权重空间修复框架，首先利用激活修
AI-Generated PowerShell Malware: An Experimental Framework and Dataset
本文针对生成式AI（尤其是大型语言模型LLM）被用于生成恶意代码的安全威胁，提出了一个实验框架来评估LLM生成的PowerShell恶意软件。该框架包含一种新颖的沙箱方法，用于对AI生成的恶意软件进行动态分析。此外，作者构建并公开了一个手动
Security--Fidelity Tradeoffs: The Hidden Cost of Prompt Injection Defense
该论文揭示了防御LLM免受间接提示注入攻击时存在安全性与保真度之间的根本性权衡。传统攻击成功指标无法区分两种截然不同的行为：模型忽略注入指令（安全但可能丢失信息）与模型将注入内容作为正常数据处理（保真度高但易受攻击）。为此，作者构建了Sec
Forensic Trajectory Signatures for Agent Memory Poisoning Detection
该论文针对LLM代理中的持久性内存中毒（memory poisoning）攻击，发现了一个行为不变性（behavioral invariant）：在通过可观察的内存工具调用来检索路由信息的架构中，成功的攻击必须在调用email_send_e
An Empirical Evaluation of Prompt Injection Vulnerabilities in Large Language Models Across Multilingual and Obfuscated Attack Scenarios
本论文对六种主流大型语言模型（DeepSeek、GPT、Gemini、Grok、Llama 和 Qwen）在多种对抗性提示注入场景下的安全性进行了实证评估。研究背景：随着LLM在关键领域的广泛应用，提示注入漏洞日益突出，攻击者可利用这些漏洞
SurrogateShield: Beyond Redaction for High-Utility, Privacy-Preserving LLM Interactions
本文提出了一种名为 SurrogateShield 的客户端代理机制，旨在解决大型语言模型（LLM）助手在将用户查询发送至第三方 API 时可能泄露个人身份信息（PII）的问题。现有的占位符红action方法虽然能抑制 PII，但会破坏语义
Closing the Activation-Cone Blind Spot: Response-Time Probing and Unified Defense
本文系统评估了大语言模型推理时安全的五种防御范式（无防御、静态引导、CAST、AlphaSteer、探针门控）在七个指令微调模型（7B-31B）和五种攻击类型（GCG、AutoDAN、DeepInception、预填充攻击、意图洗钱）下的表
Breaking the Rounding Trap: Securing LLMs against Quantization-Conditioned Backdoors
本文针对大语言模型（LLM）在量化部署中面临的新型安全威胁——量化条件后门（Quantization-Conditioned Backdoor, QCB）攻击——提出了一种名为QuantGuard的主动防御方法。模型量化通过降低参数精度来减
FlipGuard: Defending Large Language Models Against Quantization-Conditioned Backdoor Attacks
模型量化是实现大型语言模型（LLM）高效部署的关键技术，但本文揭示了一种新型安全威胁：量化条件后门攻击（QCB）。攻击者通过在预训练或微调阶段植入与特定量化边界精确对齐的恶意权重模式，使得后门在完整精度模型中保持休眠，仅在经过特定量化（如I