Agent Skill Security: Threat Models, Attacks, Defenses, and Evaluation
该论文聚焦于大型语言模型（LLM）智能体中可复用技能的安全问题。可复用技能作为LLM智能体的基础构建模块，能够跨应用打包、共享和复用，但现有安全研究主要集中在提示注入和运行时执行，忽视了技能全生命周期的安全风险。本文首先刻画了技能生命周期，
2026-07-16 归档
今日共收录 1958 条安全情报，包含 992 个 CVE，550 篇安全通告，以及 113 篇研究论文。
← 返回归档列表Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection
本文针对基于大语言模型的入侵检测系统（LLM-IDS）在实际网络流量中面对攻击者可操纵特征的鲁棒性问题，提出了一种流量感知的随机平滑（TA-RS）防御方法。研究背景：现有的LLM-IDS多采用干净训练，未考虑攻击者能够直接修改的流量特征（如
PriEval-Protect: A Unified Framework for Privacy Evaluation and Protection in Healthcare Systems
本文提出一个名为 PriEval-Protect 的统一框架，旨在解决医疗系统中患者隐私保护与数据可用性之间的平衡问题，同时满足 GDPR 和 HIPAA 等法规要求。现有合规方法通常依赖手动审计，且将政策合规与数据层面的风险评估分离，导致
Protective Capacity Hallucination: When Large Language Models Claim Nonexistent Capabilities
该论文发现并命名了大型语言模型的一种新型幻觉——保护性能力幻觉（PCH）。当模型被赋予保护脆弱用户的角色，却没有获得明确的能力边界时，它可能不会承认自身的局限性，反而声称已经或正在执行它实际无法执行的现实保护行动，例如联系紧急服务或提供医疗
DREA: Decoupled Reasoning and Exploration Agents for Repository-Level Vulnerability Detection
大型语言模型在漏洞检测领域展现出强大的代码理解能力，但现有方法大多局限于孤立函数或基于固定程序分析规则提取的上下文，无法自适应地探索仓库级依赖关系。当漏洞跨函数或文件时，这些方法难以收集足够上下文，导致检测可靠性下降。为此，本文提出DREA
PVDetector: Detecting Prompt Injection Attacks on Purpose-Specific LLM Agents through Policy-Violation Concept Analysis
该论文提出了一种名为PVDetector的检测方法，用于防御针对特定目的LLM代理的提示注入攻击。随着LLM被越来越多地部署为特定目的代理（如客服、代码生成），它们需要遵循通用安全护栏以及任务特定的策略限制。然而，这些额外限制扩大了攻击面，
When Binaries Talk Back: Representation-Confusion Attacks on LLM-Assisted Reverse Engineering
本文提出了一种针对大语言模型（LLM）辅助逆向工程（RE）系统的表示混淆攻击（Representation-Confusion Attacks，简称RARE）。在LLM辅助逆向工程中，模型通常依赖从攻击者控制的二进制文件中提取的字符串、反编
Trust but Verify? Uncovering the Security Debt of Autonomous Coding Agents
本文针对自主编码代理（autonomous coding agents）在软件开发中引入的安全债务问题开展了大规模实证研究。随着AI编码助手（如GitHub Copilot等）的普及，开发者越来越多地依赖这些代理生成代码。然而，现有研究主要
Skills That Don't Exist: A Large-Scale Study of Hallucinated Skill Recommendation in LLM Agents
本论文针对LLM（大语言模型）驱动的智能体（agent）在技能推荐过程中出现的“技能名称幻觉”问题进行了首次大规模测量研究。LLM agent通过从开放注册表下载技能来获取新能力，开发者通常让agent自动推荐并安装技能。然而，研究发现ag
Cross-Cutting Security Analysis of LLM-Generated Code via Metamorphic Testing and Association Rule Mining
本研究聚焦于大型语言模型（LLM）生成代码中存在的安全漏洞，指出这些漏洞往往不是孤立的，而是跨多个关注领域同时出现，反映了安全在软件中的横切性质。作者提出了一个结合安全导向蜕变关系（MR）与关联规则（AR）挖掘的框架，用于检测LLM生成代码
AutoTrace: From Patches to Triggers via Agentic Interprocedural Exploration
该论文聚焦于漏洞触发定位问题：给定一个漏洞修复提交（patch），确定哪条具体语句将易受攻击的程序状态转化为具体的非安全操作（如内存破坏）。与二元漏洞检测不同，触发定位需要过程间因果推理，因为在现实CVE中，触发语句往往位于被修补函数之外的
Baselines Before Architecture: Evaluating Coding Agents for Autonomous Penetration Testing
本文针对自主渗透测试领域的研究现状进行了深入分析。近期，许多自主渗透测试论文报告了高分基准结果，但这些系统通常在前沿大语言模型（LLM）周围添加了多组件的安全框架（harness）。由于这些系统同时改变了架构和骨干模型，很难区分性能提升来自
Graph-Based Structural Evaluation of LLM-Translated Adversary Emulation Procedures
本文提出一种基于图的结构化评估方法（GBSE），用于评估大语言模型（LLM）在跨操作系统对手模拟程序翻译中的质量。对手模拟程序描述了多步攻击者流程，通常基于MITRE ATT&CK技术、权限需求和可观测遥测。LLM能够自动将这些程序从源操作
Phantom Guardrails: When Self-Improving Agent Harnesses Fix Failures That Never Happened
该论文研究自改进AI智能体在自动优化其护栏（包括提示、解析器、过滤器、验证器等）时，可能出现的一种新型失败模式：幻影护栏（Phantom Guardrails）。具体而言，基于LLM的提案者（proposer）会修改智能体的脚手架（scaf
AMT-X: Phase-Structured Multi-Turn Red-Teaming with Checklist-Gated Evaluation
当前大语言模型（LLM）的安全性评估主要依赖单轮攻击数据集和单一评分器，这低估了自适应多轮攻击者带来的风险，并且报告的成功率无法区分部分可操作的输出与包含完整操作细节的输出。本文提出AMT-X（自适应多轮利用）框架，一种阶段结构化的多轮红队
Can Watermarking Techniques Help Prevent LLM Model Stealing?
本文探讨了水印技术是否能够有效防御针对大型语言模型（LLM）的模型窃取攻击。近年来，模型窃取攻击（如Carlini等人提出的方法）能够从黑盒商业语言模型中提取精确信息，包括模型架构和隐藏层维度，威胁模型所有者的知识产权。作者受到数字水印技术
Operational Evidence Gaps for LLMs in Fraud Detection and Trust-and-Safety Workflows
本文系统性地调查了大型语言模型（LLM）在欺诈检测、诈骗调查、内容审核及其他信任与安全（Trust-and-Safety）工作流中的部署证据现状。作者指出，现有公开文献大多将LLM作为独立模型进行评估，而较少关注其在运营流水线中作为组件的实
Antiproof: Synthesizing Vulnerability Detectors and Proofs of Exploitability
Antiproof: Synthesizing Vulnerability Detectors and Proofs of Exploitability
[分享]IDA Pro 9.3汉化补丁与破解注册机
[分享]IDA Pro 9.3汉化补丁与破解注册机
[下载]IDAPro v9.4.260713+汉化补丁+新版注册机
[下载]IDAPro v9.4.260713+汉化补丁+新版注册机