ShadowProbe: Language-Extensible Detection of Hidden Algorithmic Complexity Vulnerabilities
算法复杂度漏洞（ACV）是指攻击者通过精心构造的输入触发目标系统的最坏情况执行行为，导致严重性能退化或拒绝服务。现有ACV检测工具通常依赖模糊测试、符号执行或混合分析，但存在语言特异性、需要大量人工构建测试框架以及运行时插桩开销大等问题。本
2026-07-09 归档
今日共收录 1410 条安全情报，包含 455 个 CVE，561 篇安全通告，以及 105 篇研究论文。
← 返回归档列表Multi-Channel Spread-Spectrum Code Watermarking
该论文提出了一种名为多通道扩频代码水印（Multi-Channel Spread-Spectrum Code Watermarking）的新方法，旨在解决大型语言模型（LLM）生成代码的归属问题。现有方案分为两类：生成时水印需要访问产生模型
NARAD: Non-colluding Aggregator-oblivious Record-And-Decrypt
本文提出 NARAD（Non-colluding Aggregator-oblivious Record-And-Decrypt）架构，旨在解决电子投票中隐私性与可验证性的矛盾。传统方案依赖可信密钥分发者，存在单点风险。NARAD 无需可信
Evaluating Fine-Tuning and Metrics for Neural Decompilation of Dart AOT Binaries
该论文系统性地评估了神经反编译中微调的有效性和度量标准的可靠性，以 Dart Ahead-of-Time (AOT) 二进制文件为研究对象。作者构建了新的 HumanEval-Dart 基准（包含154个任务），并针对三种基础架构（参数量4
Mitigating Taint-Style Vulnerabilities in MCP Servers via Security-Aware Tool Descriptions
本文系统性地分析了基于模型上下文协议（MCP）的服务器中存在的安全漏洞，重点关注污点风格漏洞（taint-style vulnerabilities）。MCP 是一种标准化接口，允许大型语言模型（LLM）以动态方式调用外部工具和服务，虽然简
The Blind Curator: How a Biased Judge Silently Disables Skill Retirement in Self-Evolving Agents
这篇论文研究了自我进化智能体（self-evolving agents）中的技能退役机制。智能体通过观察技能失败来淘汰不良技能，但该机制依赖于无偏奖励评估。然而，在无参考任务（reference-free tasks）中，LLM评判者必然存
Reason Less, Verify More: Deterministic Gates Recover a Silent Policy-Violation Failure Mode in Tool-Using LLM Agents
该论文研究了使用工具的LLM代理在执行任务时可能静默违反策略的失败模式。在策略宽松的环境中，工具可以执行任何格式正确的调用，即使对应的状态转换被域策略禁止。这导致“静默错误状态”（例如，预订被取消、乘客人数被更改、索赔未经验证即被操作），而
Operational Reframing and Approval-Framed Delegation in Multi-Agent LLM Safety
该论文针对多智能体大语言模型（LLM）系统的安全评估问题，指出传统方法将直接提示与规划-执行流水线进行对比，得到的单一“流水线效应”难以解释，因为它混叠了三种不同机制：有害意图被重新构建为合理的操作工作（operational refram
Thinking More, Harnessing Better: State Machine Guided Harness Automatic Generation with Project Digestion and Workflow Decomposition
高质量的fuzz harness是进行有效灰盒测试的关键，但手动编写harness耗时且容易出错。现有基于大语言模型（LLM）的自动生成方法存在因粗粒度的函数定位和不匹配的生成工作流导致的幻觉和覆盖率不足问题。本文提出SynapseFlow
When Agents Go Rogue: Activation-Based Detection of Malicious Behaviors in Multi-Agent Systems
该论文针对基于大语言模型的多智能体系统（LLM-based MAS）面临的安全挑战，提出了一种新的恶意行为检测框架AcMAS。现有防御方法通常基于两个假设：攻击的语义显式性和基于图的MAS拓扑建模。然而，实际攻击日益隐晦，且MAS执行往往是
Automated Compliance Mapping in Cloud Security with Domain-Adapted Sentence Transformers
本文针对云安全合规映射中手动操作效率低下的问题，提出了一种基于领域适应的句子变换器模型的自动化方法。研究背景是，将云安全控制映射到技术指标目前完全依赖人工，而现有的自然语言处理模型在专业领域（如安全标准）表现欠佳。核心方法包括：首先从五个欧
Hidden Amplifiers: Cross-Level Risk in Software Supply Chains
本文针对软件供应链安全中现有分析工具的局限性，提出了跨层级风险传播框架。当前的工具要么在生态系统层面分析依赖图，要么在代码层面进行静态分析，两者脱节导致两个问题：一是对不可达代码产生误报的CVE告警，二是对结构上关键的微依赖存在盲区。作者提
i-EXAM: Instructable and Explainable Attack Connectivity Graph Modeler
本文提出 i-EXAM（Instructable and Explainable Attack Connectivity Graph Modeler），一个基于规划编译（planning compilation）的工具，旨在帮助系统管理员为
When Agents Remember Too Much: Memory Poisoning Attacks on Large Language Model Agents
本文提出了一种针对大型语言模型（LLM）驱动的个人AI代理的新型攻击向量——GhostWriter，该攻击利用代理的记忆子系统进行投毒。当前的长时记忆代理主要分为对话型和动作规划型两类，而个人助理代理恰好处于两者的交汇点，在处理敏感信息的同
Selective Disclosure Watermarking for Large Language Models
大型语言模型（LLM）生成的文本中嵌入水印是一种追踪合成内容来源或验证其真实性的技术。现有方法分为零比特方案（仅区分机器与人类写作）和多比特方案（嵌入元数据如时间戳、模型版本）。然而，当前多比特水印方案存在一个关键缺陷：验证器必须解码整个嵌
PiSAs: Benchmarking Contextual Integrity in Multi-User Agentic Systems
该论文提出了 PiSAs（Privacy in Shared Agentic Systems）基准，用于评估多用户共享智能体系统中的隐私泄露风险。随着大语言模型（LLM）智能体从单用户助手发展为共享组织基础设施，新的隐私风险随之出现：不适当
Agent Data Injection Attacks are Realistic Threats to AI Agents
本文提出了一种针对AI智能体的新型攻击类别——Agent数据注入攻击（ADI）。与传统的间接提示注入（IPI）主要关注指令注入不同，ADI攻击者将恶意数据伪装成可信数据，例如安全关键的元数据（资源标识符、数据来源等）或智能体上下文数据（工具
Large Language Models (LLMs) and Generative AI in Cybersecurity and Privacy: A Survey of Dual-Use Risks, AI-Generated Malware, Explainability, and Defensive Strategies
本文是一篇关于大型语言模型（LLM）和生成式AI（GenAI）在网络安全与隐私领域双重用途风险的综合性综述。研究背景：随着ChatGPT、Claude、Gemini、LLaMA、Copilot、Stable Diffusion等模型的广泛应
Beyond the Syntax: Do Security Experts Trust LLMs for NIDS Rule Engineering?
Beyond the Syntax: Do Security Experts Trust LLMs for NIDS Rule Engineering?
Trapster Community: Unauthenticated malformed DNS compression pointers crash per-packet honeypot handler
## Summary `trapster.libs.dns.decode_labels()` decodes DNS names from attacker-supplied UDP packets and recurses **once