Fuzz'EMup: Leveraging EM Side-Channel Emanation to Guide Black-Box Embedded Firmware Fuzzing
该论文提出了一种名为Fuzz'EMup的方法，利用电磁（EM）侧信道辐射来指导纯黑盒环境下的嵌入式固件模糊测试。随着物联网和嵌入式设备在众多领域的普及，固件安全变得至关重要。模糊测试是一种系统化发现漏洞的有效手段，而覆盖率反馈能通过引导探索
2026-07-21 归档
今日共收录 1301 条安全情报，包含 465 个 CVE，462 篇安全通告，以及 91 篇研究论文。
← 返回归档列表The Language of Security: How Prompt Syntax Shapes Secure Code Generation in Open LLMs
大型语言模型（LLM）在代码生成任务中广泛应用，但其输出常存在安全漏洞。现有研究通过提示工程（prompt engineering）来降低风险，但存在两个局限：一是大多关注高层次提示策略，忽视了细粒度句法变体对模型行为的显著影响；二是主要评
SlotGuard: Stop Oversharing Private Local Context in LLM Agent Transcri
本文针对LLM Agent在与外部工具交互时，将包含敏感信息（如文件路径、电子邮件、API密钥等）的观测记录（如工具输出、Shell日志、文件读取结果）发送给LLM提供商所引发的隐私泄露问题展开研究。现有方法通常采用占位符替换（Placeh
A Systematic Evaluation of Traditional Privacy Policy Analysis Tools Against LLMs
该论文首次系统性地评估了现成的大型语言模型（LLM）能否替代传统的专用隐私政策分析工具。研究选取了六种代表性工具，覆盖三大核心功能：矛盾检测、法规合规性分析、隐私政策摘要与聚合，以及三个中间任务：基于元组的结构化数据提取、语义角色标注（SR
Adaptive Adversaries: A Multi-Turn, Multi-LLM Benchmark for LLM Agent Security
该论文针对基于LLM的智能体面临的安全威胁，特别是提示注入和跨轮次操纵，提出了一种新的自适应对抗基准测试。现有安全评估通常使用固定攻击池，无法捕捉攻击者的自适应行为。作者设计了21个场景的基准测试，其中攻击者LLM可以观察防御者的历史响应，
Insecure Coding Preferences in Long-Term Memory: Security Risks for LLM-based Code Generation
本研究首次系统性地探讨了基于大语言模型（LLM）的代码生成系统中长期记忆存储的不安全编码偏好对安全性的影响。随着LLM系统越来越多地引入长期记忆以保持跨会话连续性，一旦不安全的编码偏好被存储，它们可能会在后续生成中悄然影响安全关键决策。研究
Detection, Attribution, Narration: An End-to-End Pipeline for Explainable Money Mule Identification
本文提出了一种用于识别金融洗钱账户（money mule）的端到端可解释流水线，旨在解决现有规则系统检测率低、可解释性差的问题。该流水线包含三个阶段：首先，利用LightGBM模型，基于280个工程化特征（包括交易模式、账户人口统计、网络拓
ShadowPickle: Evading Machine Learning Model Scanners via Stealthy Pickle Deserialization Attacks
本文提出了一种针对预训练模型（PTM）中心（如 Hugging Face）的新型供应链攻击方法——ShadowPickle。攻击者通过模型中心分发恶意 PTM，利用 Pickle 反序列化过程中的外部模块导入机制执行恶意负载。ShadowP
How Jailbreak Attacks Inform Safety Alignment: A Defender-Centric, Shapley-Based Evaluation of Jailbreak Contributions
本文提出从防御者（模型开发者）的视角重新评估大语言模型越狱攻击的价值。传统评估主要依赖攻击成功率（ASR）等攻击者中心指标，但一个能攻破模型的攻击未必能有效提升模型安全性。作者认为，越狱攻击的真正价值应体现在其作为红队数据用于安全训练后所带
Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture
该论文提出了一种面向零信任物联网架构的联邦学习与大语言模型驱动的威胁情报系统。研究背景在于物联网设备（尤其是老旧设备）面临严重的安全与隐私挑战，且更新成本高昂。核心问题是如何在资源受限的IoT环境中实现隐私保护的异常检测与自动威胁响应。方法
Do Speech Tokens Leak Voiceprints? Speaker Inversion Attacks Against End-to-End Speech Language Models
该论文研究端到端语音语言模型（如Moshi、Higgs3、Kimi-Audio、Qwen3-Omni）中语音令牌（speech tokens）泄露声纹的安全风险。传统的级联式ASR-LLM-TTS流水线中，语音特征通过中间文本表示传递，而端
How Do You Choose Your AI Component? An Interview Study of Secure AI Integration in Practice
本研究通过半结构化访谈调查了22名软件开发者、架构师和AI从业人员，探索他们在选择与集成AI组件（特别是大型语言模型）时的决策过程和安全考量。研究发现，从业者主要基于功能标准（如性能、准确率、成本、工具调用和多模态支持）选择模型，而安全因素
Synchronization-Free Algebraic Fingerprints for Large Language Models: From Autoregressive to Diffusion Models
该论文针对大语言模型（LLM）生成文本的水印归属问题，提出了一种新颖的免同步代数指纹方案。现有基于随机种子或块结构的水印方法存在同步困难、易受编辑和重排攻击等局限。作者利用相邻token对构造自包含的二进制同余，每个水印位由一对相邻toke
Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities
该论文研究了利用开源权重的大语言模型（LLMs）从网联与自动驾驶汽车（CAV）相关的通用漏洞披露（CVE）中生成结构化威胁信息表达（STIX）的问题。CAV依赖互联的软件和硬件组件，漏洞通常以纯文本形式记录在CVE数据库中，但安全从业者需要
AI Watermark Evidence Fails Forensic Readiness: An Empirical Evaluation
本文针对各国政府强制要求LLM生成内容添加水印（如欧盟AI法案、加州SB 942）的背景下，检验水印检测结果是否足以作为法庭证据的可靠性。作者选取三种代表性水印方法——KGW、Unigram以及MarkLLM实现的SynthID-Text，
Refusal is Not Safety! Benchmarking Latent Safety Risks of LLM-Driven Content Humorization
本文针对大型语言模型（LLM）安全防御中的幽默化策略进行了深入研究。传统安全防御主要依赖攻击检测和直接拒绝机制（如“我无法回答”），但固定形式的直接拒绝易受前缀注入攻击。近期研究尝试将幽默作为间接拒绝机制，以缓解越狱场景中的过度拒绝问题并降
Do Agents Dream of False Memories? Black-box Visual Attacks on Long-term Memory in Multimodal AI Agents
多模态AI代理越来越依赖持久性长期记忆来在视觉和文本上下文中进行生成。本文揭示了对视觉数据的无条件信任是一个关键安全漏洞。作者提出了Lucid，一个黑盒对抗性框架，在严格的图像受限威胁模型下攻击多模态记忆管道，无需访问目标多模态大模型（ML
Guzzle: URI fragments disclosed in redirect Referer headers
### Impact When the optional `referer` redirect setting is enabled, affected versions of `RedirectMiddleware` can copy
Guzzle: Unbounded response cookies risk denial of service
### Impact In affected versions, Guzzle's built-in `CookieJar` accepts any number of `Set-Cookie` header fields from on
@astrojs/netlify generates an overly-broad Netlify Image CDN allowlist because remotePatterns.pathname metacharacters are not escaped
## Summary The `@astrojs/netlify` adapter converts each `image.remotePatterns` entry into a regular expression that is