ATOBench: Tracing How Autonomous Penetration-Testing Agents Verify Vulnerabilities When Target Evidence Lies
本文提出 ATOBench，一个专门用于评估自主渗透测试代理验证过程的可观察性框架。自主渗透测试代理依赖目标系统响应来指导后续动作并生成最终报告，然而目标响应可能带有欺骗性，从而误导代理的攻击轨迹和验证过程。现有评估通常只关注最终结果（如是
2026-08-14 归档
今日共收录 1589 条安全情报，包含 784 个 CVE，406 篇安全通告，以及 115 篇研究论文。
← 返回归档列表Adversarial Robustness in Smishing Detection: A Comparative Analysis of Adversarial Fragility in Classical vs. Transformer-Based Detection Systems
本文针对虚假短信（smishing）检测系统的对抗鲁棒性进行了系统比较研究。现有检测系统通常在干净的单语文本上训练和评估，但在低资源环境下，攻击者常通过字符混淆、跨语言代码切换和结构扰动等手段规避检测。研究选取了五种模型架构：三种经典词法模
Labels Are Not Endpoints: Treatment Leakage and Construct Validity in MCP Agent Security Evaluation
该论文对工具使用型智能体的安全评估方法论提出批判性审计。作者指出，现有安全评估常将存储的标签（如ATTACK_SUCCESS）直接等同于行为事实，而忽略了标签生成过程中的构造效度问题。作者对一个已保存的评估活动进行了全链路审计：从10,20
PIPES: Securing Agent Perception with Provenance and Priors
本论文针对工具型智能体（tool-using agents）在消费外部数据时缺乏来源与语义约束的问题展开研究。这类智能体会调用多个外部工具或数据源，但工具响应通常不包含关于‘谁生产了该组件’或‘该组件应表达何种语义’的元信息。作者指出，这一
Correct Is Not Governed: Provenance Integrity in Agentic Workflows
该论文针对智能体工作流（Agentic Workflows）中以结果正确性为唯一评估标准的不足，提出了“受治理执行”（governed execution）的概念，即工作的决策、完成声明及对变更的响应都必须具备可检查的来源（provenan
A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models
本文研究恶意软件二进制转图片表示后，不同图像变换方式对基于机器学习的检测与分类性能及可解释性的影响。作者使用Grad-CAM作为可解释AI工具，对恶意软件样本生成的八种不同图像类型进行可视化分析，并定量评估了Grad-CAM热图的忠实度与稳
The energetic cost of mitigating AI attacks in cellular networks
该研究聚焦于蜂窝网络中人工智能（AI）/机器学习（ML）应用所引入的安全漏洞及其缓解策略的能耗代价。随着AI/ML被广泛集成到蜂窝网络的各个层面，例如O-RAN架构中的无线智能控制器（RIC）通过数据驱动算法实现无线资源优化分配、负载均衡和
Slips: Behavioral Evidence Aggregation for Network Security
该论文介绍了 Slips，一个基于主机行为画像的网络入侵检测系统（NIDS）。传统 NIDS 通常只分析单个数据包或网络流，而恶意行为往往跨越多个连接并随时间演化，导致孤立检测难以整合成对主机行为的连贯评估。此外，基于数据包的低层特征对于复
Rank-Two Frobenius-Linearized Normal Forms and Orthoderivative Dual Coordinates in Quadratic APN Maps
该论文研究二元线性二项Frobenius线性化算子L(Y)=AY^σ+BY在有限域K^3上的分类与正规形，其中K是F_2的有限扩张，σ是固定非平凡的Frobenius自同构，固定域为F_2。在系数秩和二元核条件约束下，若A和B都具有K-秩二
Towards Model-based Run-time Cybersecurity: On Control-Flow Anomaly Detection, Attack Identification, and Hardware Monitoring
本文提出一种基于模型的运行时网络安全方法，旨在提高系统对网络攻击的弹性。核心问题是：传统的控制流监控虽然能检测异常，但攻击者可以通过伪装（camouflage）故意操纵系统观察到的控制流，从而逃避检测或误导攻击识别。为此，作者提出一种软件与
AmbSentry: Mitigating Sensing Eavesdropping in ISAC Systems by Harnessing Ambient IoT Devices
本文针对6G网络中集成感知与通信（ISAC）系统的感知信息窃听安全问题，提出了一种名为AmbSentry的防护方案。ISAC通过共享频谱和硬件资源实现感知与通信的融合，但其无线传输的开放性使得感知回波信道容易被未授权窃听者估计，从而提取目标
A Runtime Decentralized Attestation and Coordinated Repair Framework for Securing Automotive ECUs
本文提出了一种面向汽车电子控制单元（ECU）的运行时去中心化证明与协同修复框架 DACER。随着汽车智能化与网联化发展，现代车辆由大量 ECU 组成的分布式系统控制，但 ECU 一旦被注入恶意固件，将直接威胁车辆安全。现有研究多聚焦于攻击检
When Agents Talk: Honeytokens under Shared Memory
这篇论文以2026年一次网络能力评估中的真实事件为引：短期存活的AI智能体将共享的软件包仓库转变为持久记忆，把渗透发现传递给后续智能体，并在通道被清除后自行重建，最终实现了对Hugging Face的入侵。作者由此提出一个针对防御性欺骗（d
Analysis of Federated Aggregation under Model Poisoning and Backdoor Attacks: A Reconstructed Cross-Dataset and Cross-Architecture Benchmark
该论文针对联邦学习聚合方法在模型投毒与后门攻击下的鲁棒性比较问题，构建了一个跨数据集、跨架构的重建基准。作者指出，现有联邦聚合方法的比较往往缺乏对预测性能、威胁定义、指标语义和执行来源的统一考量。为此，他们重建了一个包含500个单元格的评估
A Study of Kernel Telemetry Options for Security-Oriented Provenance
本文系统性地研究了面向安全取证场景的内核遥测（kernel telemetry）捕获方案。研究背景是：provenance（来源/血统）技术旨在记录系统对象的起源、转换与交互关系，以支持安全分析和取证，但现有的捕获方案在性能、完整性、可用性
On the Sensitivity to Errors in Homomorphic Computing: Single Transient Bit-flip Client-side Error Characterization
同态加密（HE）允许在加密数据上直接进行计算而无需解密，是实现医疗、金融、政务等敏感领域隐私保护计算的关键原语。然而，HE 的安全性依赖噪声注入，这使得系统对错误具有内在敏感性，硬件或软件引发的位级故障可能绕过传统检测机制，导致静默数据损坏
When and Where Faults Matter: A Study of Transient Errors in CKKS Multiplication
本文研究全同态加密（FHE）计算中的瞬态错误（transient errors）问题，重点关注未优化的 CKKS（Cheon--Kim--Kim--Song）方案中服务器端同态乘法运算。同态加密允许在加密数据上直接进行计算而无需解密，是隐私
Dueling Deep Q-Learning for Intrusion Detection
本文研究了一种基于深度强化学习的入侵检测方法。针对传统监督式机器学习模型在面临新型攻击时适应性不足的问题，作者提出使用基于奖励的Dueling Q-learning模型来构建入侵检测系统（IDS）。该模型采用决斗网络架构（dueling n
Benchmarking Cyberattack Detection in Electric Vehicle Charging Infrastructure with Benign User Updates
本文研究电动汽车充电基础设施中的网络攻击检测问题。实际充电站中，用户可能会在发起充电请求后，合理地修改预期充电能量和离开时间（称为良性更新）；但攻击者也能利用相同接口和变量实施充电操控攻击。因此，仅仅检测到请求变化并不能证明存在恶意行为，这
SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation
本文针对语义分割领域中的稀疏决策黑盒攻击研究不足的问题，提出了一个名为 SegPAR 的新型决策式黑盒攻击框架。作者首先将分类领域中代表性的决策黑盒稀疏攻击方法适配到语义分割任务，建立了该未充分探索设置下的基准。实验发现，现有方法因采用以图