ScopeJudge: Cost-Aware Pre-Execution Gating for Offensive Security Agents
本文针对LLM驱动的进攻性安全代理（agent）在执行任务时可能出现越界工具调用的问题展开研究。此类越界调用可能违反客户约定边界、中断生产环境或导致漏洞赏金失效。传统的固定安全策略无法应对动态的边界定义，因为边界是由用户请求隐含指定的，而非
2026-07-10 归档
今日共收录 1398 条安全情报，包含 466 个 CVE，522 篇安全通告，以及 115 篇研究论文。
← 返回归档列表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（planning）的自动化安全分析工具，旨在帮助系统管理员为复杂网络创建安
Out of Sight: Compression-Aware Content Protection against Agentic Crawlers
本文提出了一种针对LLM代理型爬虫的内容保护框架CAPE。背景：基于LLM的代理（如自动摘要、记忆推理）能够绕过传统访问控制（如CAPTCHA、机器人检测），因为它们模拟普通浏览器行为；而现有的注入式防御（如对抗性文本）往往破坏人类可读性。
Who Broke the System? Failure Localization in LLM-Based Multi-Agent Systems
该论文针对基于大语言模型（LLM）的多智能体系统中的故障定位问题展开研究。在多智能体系统中，多个LLM驱动的智能体通过协调推理和行动完成复杂任务，但由于长程交互和紧耦合的智能体行为，当系统执行失败时，很难确定是哪个智能体在哪个步骤首次做出不
Mechanistic Interpretability of LLM Jailbreaks via Internal Attribution Graphs
本论文聚焦于大型语言模型（LLM）在面对对抗性提示和越狱攻击时的内部推理机制可解释性问题。现有方法多依赖输入-输出行为分析或简单的归因方法，难以揭示对抗性扰动如何具体改变模型的内部推理过程。作者提出了一种基于内部计算图（paired int
Functional and Secure Code Generation with Task Vectors
本文针对大语言模型（LLM）在代码生成中难以同时保证功能正确性与安全性的问题，提出了一种名为 SecVecCoder 的新方法。现有工作通常将功能与安全分开评估，或仅在生成后检测漏洞，而文本生成领域已发展出基于任务向量（task vecto
NARAD: Non-colluding Aggregator-oblivious Record-And-Decrypt
本文提出了一种名为 NARAD（Non-colluding Aggregator-oblivious Record-And-Decrypt）的新型电子投票架构，旨在解决传统电子投票系统中隐私性与可验证性之间的矛盾。NARAD 无需可信密钥分
Mitigating Taint-Style Vulnerabilities in MCP Servers via Security-Aware Tool Descriptions
本文系统性地研究了基于模型上下文协议（MCP）的服务器中污点风格漏洞的现状与缓解方案。MCP 是一种标准化接口，允许大型语言模型（LLM）作为自主代理动态调用外部工具和服务，但同时也扩大了攻击面，引入跨服务器的通用利用风险。作者首先通过对大
Reason Less, Verify More: Deterministic Gates Recover a Silent Policy-Violation Failure Mode in Tool-Using LLM Agents
本文研究了工具使用型大语言模型（LLM）代理在执行任务时，可能违反其部署所依据的策略，同时表面上成功完成任务的一种静默失败模式。在策略宽松的环境中，工具会执行任何格式正确的调用，即使相应的状态转换被领域策略禁止，导致出现静默的错误状态（例如
Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
该论文针对现有网络犯罪分类模式忽略心理操纵技术的缺陷，提出了一种新的取证模式（Forensic Schema），包含4个类别和35个问题，新增了11个心理操纵指标和加密货币证据字段。研究基于10,994份受害者报告，采用大语言模型（LLM）
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，指出当前常用的直接提示与规划器-执行器流水线之间的对比评估存在局限性：将三种不同机制（有害意图被重新框架化为看似合理的操作、规划器拒绝或转变请求、执行器在暗示已获审批的委托提示下行动
Thinking More, Harnessing Better: State Machine Guided Harness Automatic Generation with Project Digestion and Workflow Decomposition
本文提出 SynapseFlow，一种基于状态机引导的自动化测试 harness 生成工具，旨在解决大语言模型（LLM）在生成模糊测试 harness 时存在的幻觉和覆盖率不足问题。现有方法通常采用单轮生成，依赖粗粒度的函数定位和不适配的生
Controllability-Aware Adversarial Examples Against LLM-Based Network Traffic Classifiers
该论文研究了大语言模型（LLM）在网络流量入侵检测分类任务中的对抗鲁棒性，重点关注现实攻击者约束下的脆弱性。作者提出了一个可控性感知的黑盒迁移攻击框架，针对基于LLM的网络流量分类器。该框架根据网络通信语义将流量特征划分为直接可控（DC）、
Large Language Models (LLMs) and Generative AI in Cybersecurity and Privacy: A Survey of Dual-Use Risks, AI-Generated Malware, Explainability, and Defensive Strategies
本论文系统综述了大型语言模型（LLM）和生成式AI在网络安全与隐私领域的双用风险、AI生成恶意软件、可解释性及防御策略。随着LLM生成恶意软件从2021年仅占2%预计到2025年升至50%，自动化攻击威胁日益严峻。论文回顾了超过70篇学术论
REFORGE: A Method for Benchmarking LLMs' Reverse Engineering Capabilities in Decompiled Binary Function Naming
大型语言模型（LLM）在逆向工程任务中的应用日益广泛，但对其能力的评估却滞后于宣传。现有基准测试通常假设函数级真值能够可靠构建，并报告准确率而不披露可评估函数的数量。本文指出，公平评估的主要障碍并非模型能力，而是编译器优化下二进制到源代码对
When Agents Go Rogue: Activation-Based Detection of Malicious Behaviors in Multi-Agent Systems
该论文聚焦于基于大语言模型的多智能体系统（MAS）中的安全挑战。现有防御方法通常假设攻击是语义显式的，并依赖基于图的拓扑建模来跟踪攻击传播，但实际攻击越来越隐蔽，且MAS执行往往是异步的，图模型难以对齐时间序列。为此，作者提出AcMAS——
Automated Compliance Mapping in Cloud Security with Domain-Adapted Sentence Transformers
该论文针对云安全合规映射中手动流程效率低、易出错的问题，提出了一种基于领域自适应句子变换器（Sentence Transformer）的自动化方法。作者从五个欧洲安全标准（如ENS、ISO 27001等）中构建了包含3,499个语义对的训练
Evaluating Fine-Tuning and Metrics for Neural Decompilation of Dart AOT Binaries
本文对Dart AOT（Ahead-of-Time）二进制文件的神经反编译进行了系统的实证研究，重点评估了微调的有效性和评估指标的有效性。研究背景是：神经反编译通常被视为代码生成问题，但针对现代语言的评估方法尚不完善。作者基于三种基础模型架
Beyond the Syntax: Do Security Experts Trust LLMs for NIDS Rule Engineering?
该论文针对网络入侵检测系统（NIDS）规则工程中的人力瓶颈问题，探索了大型语言模型（LLM）在自动化规则生成方面的潜力。作者首先形式化了一个基于LLM的NIDS规则生成框架，然后通过一项包含10名领域专家的用户研究，评估了LLM生成规则的实
Hidden Amplifiers: Cross-Level Risk in Software Supply Chains
现代软件供应链由数百个传递性依赖组成，但现有分析工具要么在生态系统层面（依赖图）操作，要么在代码层面（包内静态分析）操作。这种分离导致两种失败模式：一是对不可达代码产生误报的CVE警报，二是对结构关键的微依赖存在盲点。本文提出了一种跨层级风