make smarter security investments and mitigate future risks
make smarter security investments and mitigate future risks
2026-08-10 归档
今日共收录 768 条安全情报，包含 81 个 CVE，374 篇安全通告，以及 66 篇研究论文。
← 返回归档列表Inside Astaroth's New Spambot Component
Inside Astaroth's New Spambot Component
Falcon Platform IOAs Arrive in Falcon Next-Gen SIEM to Identify New Threats
Falcon Platform IOAs Arrive in Falcon Next-Gen SIEM to Identify New Threats
CrowdStrike 2026 Threat Hunting Report: Exploitation Window Closes as AI Use Accelerates
CrowdStrike 2026 Threat Hunting Report: Exploitation Window Closes as AI Use Accelerates
Secure Agent Harness Execution: Preventing EscapeAug 04, 2026
Secure Agent Harness Execution: Preventing EscapeAug 04, 2026
Expanding AI Benchmarks in Cybersecurity Beyond Vulnerability DiscoveryAug 06, 2026
Expanding AI Benchmarks in Cybersecurity Beyond Vulnerability DiscoveryAug 06, 2026
CrowdStrike Threat Hunts for Shell Command Obfuscation on VMware ESX
CrowdStrike Threat Hunts for Shell Command Obfuscation on VMware ESX
LoRAScan: Detecting Backdoor Prompts in Low-Rank Adapters for Large Language Models via Down-Projection Activation Spikes
本文针对大型语言模型（LLM）微调中广泛使用的低秩适配（LoRA）技术引入的供应链安全威胁展开研究。LoRA 通过紧凑的适配器实现模型的高效定制与分发，但不可信的适配器可能被植入后门：当输入包含特定隐藏触发器时，模型会被诱导生成有害内容、恶
Understanding and Improving Model Editing for Secure Code Generation
本文首次系统研究模型编辑（model editing）作为代码生成模型层面安全加固手段的有效性。大型语言模型（LLM）被广泛用于代码生成，但会从训练数据中习得易受攻击的编码模式。以往研究多采用推理时加固（如 CoSec），这类方法不修改模型
MMAligner: Safeguarding Multimodal Large Language Models through Representation Calibration
多模态大语言模型（MLLMs）在处理文本输入时往往能正确拒绝不安全内容，但对语义等价的多模态输入（如图像+文本）却可能生成有害响应。现有防御手段要么依赖外部护栏，增加推理开销且无法修复模型内在缺陷；要么采用安全微调，但这种黑盒优化可能牺牲模
Breaking Customized LLMs for Coding: Automated Red Teaming for Instruction Backdoor Attacks
本文研究了大语言模型定制化平台中的指令后门攻击问题。这类平台允许用户通过将指令嵌入系统提示来构建面向特定编码任务（如代码补全、代码摘要等）的定制模型，而无需修改底层模型参数。虽然这降低了开发门槛，但也引入了新的攻击面：恶意攻击者可以构造包含
Beyond Text Matching: Towards Reference-Free Evaluation for Human-Oriented Binary Reverse Engineering
人类导向的二进制逆向工程（HOBRE）旨在将反编译伪代码转换为更接近人类阅读习惯的表示形式，以降低逆向分析人员的认知负担并提升分析效率。然而，如何可靠地评估 HOBRE 输出质量始终是一个基础性难题：人工评估成本高、耗时长且难以扩展；现有自
When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse
该论文聚焦于检索增强生成（RAG）系统的投毒攻击检测问题。RAG 通过注入外部文档增强大语言模型，但攻击者可能注入对抗性文档以操纵模型输出。以往检测方法主要依赖输出侧信号，如困惑度（perplexity）和一致性检查。然而，作者发现蓄意攻击
SynChain: Inducing Computer-Use Agent Systems to Construct Their Own Attack Chains
该论文聚焦于计算机使用代理（Computer-Use Agents, CUA）面临的新型安全威胁。CUA 将大型语言模型转变为可持久执行的系统，能够生成、存储和复用技能（skills）与记忆条目等工件（artifacts）。现有安全防御大多
When Coordination Becomes a Threat: Communication Attacks in LLM-Controlled Multi-Robot Systems
大型语言模型（LLM）正被越来越多地用作具身多机器人系统的高层规划器，使机器人能够理解自然语言指令并协调可执行动作。然而，这种对LLM规划器的依赖也引发了安全担忧。以往研究主要聚焦于单个机器人，而多机器人协作中的通信风险尚未得到充分理解。现
Retrieval-Constrained Policy Optimization for Attack Technique Extraction from Cyber Threat Intelligence
本文提出一个名为 TTP-R1 的两阶段框架，用于从网络威胁情报（CTI）文本中自动提取 MITRE ATT&CK 攻击技术。研究背景是：将 CTI 文本映射到 ATT&CK 技术对于结构化威胁分析至关重要，但人工标注成本高且无法扩展；AT
CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity
本文提出 CyberLLM，一个面向软件定义汽车（SDV）的多智能体 LLM 编排框架，旨在自主检测漏洞并在运行时安全护栏约束下执行修复。随着 SDV 的兴起，汽车攻击面扩展至源代码、运行时日志和部署拓扑，但安全约束禁止自主代理无监督地行动
From Documentation to Zero-day Vulnerabilities: LLM-Driven Fuzzing of JavaScript Engines in PDF Readers
该论文提出 PDFuzzer，一种面向 PDF 阅读器中 JavaScript 引擎的新型模糊测试工具。现有 PDF 模糊测试器（如 TypeOracle、Favocado、Cooper）主要依赖简单测试用例，仅涉及单个 API 调用，导致
Hardware Keystores for AI Agent Signing Workflows: A Zero-Trust MCP Enforcement Architecture
该论文针对 AI 代理在执行密码学操作（如 Git 提交签名、API 调用认证、证书签发）时私钥存储不安全的问题展开研究。当前常见做法将私钥存放在软件可访问的位置（明文文件、环境变量或容器内存），任何具备足够读权限的进程都能提取原始密钥材料
RustGo: Fairly Directed Greybox Fuzzing for Enforcing Rust Memory Safety
Rust作为一种系统编程语言，以其强内存安全性和低性能开销而闻名。通过所有权、借用等严格安全策略，Rust编译器能够保证大部分代码的内存安全。然而，在unsafe代码块中，这些安全策略并未完全启用，导致内存错误仍可能发生。尽管这类unsaf