Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models
本文针对可信执行环境（TEE）下的大语言模型（LLM）推理加速方案展开安全研究。此类方案将模型线性层以混淆形式卸载到不受信任的加速器上，同时在TEE内保留少量校正参数，以平衡隐私与性能。早期轻量级混淆方法因保持权重向量方向而被ArrowMa
2026-08-29 归档
今日共收录 1687 条安全情报，包含 687 个 CVE，604 篇安全通告，以及 114 篇研究论文。
← 返回归档列表Benchmarking Confidential Computing Performance on NVIDIA Blackwell GPUs
该论文针对在NVIDIA Blackwell B200 GPU上运行大语言模型（LLM）推理与训练时，使用可信执行环境（TEE）所带来的性能开销进行了系统测量。研究基于Intel Trust Domain Extensions（TDX）机密
SILK: Closing the Time-of-Check-to-Time-of-Use Gap in RoT-Protected AI Systems
本文针对AI系统在可信根（RoT）认证后、权重在执行路径上可能被篡改的TOCTOU安全问题，提出SILK机制。RoT认证通常只在加载时验证DNN模型，但权重在被计算引擎消耗前会经过DRAM、DMA、互连和预取等多条路径，攻击者可在此路径上修
How Do LLM Agents Actually Get the Flag? Trace-Level Provenance for Agentic Offensive Security Evaluation
大型语言模型（LLM）代理在自主攻防领域（如CTF）的能力评估通常依赖二元成功判定或总分，未能反映代理到达Flag的完整轨迹。这种浅层评估方式将真正的利用行为与直接暴露Flag、记忆或外部检索、猜测以及无依据的声明混为一谈，可能高估代理的网
Vulnerable Code Search: Transferable Attack for Code Language Models
该论文聚焦于代码语言模型（CLM）在代码检索任务中的脆弱性，首次提出了一种编程语言无关、可迁移的对抗性攻击方法。研究背景在于，当前基于神经代码语言模型的检索工具虽然能提升开发者查找代码的效率，但其对非功能性的文本元素（如标识符命名）高度敏感
A Self-Evolving Multi-Agent Framework Defense against LLM Jailbreak Attacks
本论文针对大型语言模型（LLM）面临的越狱攻击问题，提出了一种自进化的测试时防御框架。越狱攻击通常利用角色扮演、混淆、代码转换、多步间接诱导等技术，使模型输出有害内容。现有防御大多在部署时固定不变，无法积累防御经验或适应未见过的新型攻击策略
Beyond the Editing Canvas: Evidence Divergence in OOXML-to-LLM Ingestion
该论文揭示了LLM管道在处理Office Open XML（OOXML）文档（如Word、Excel、PowerPoint）时存在的一种系统性语义完整性缺失问题。研究背景是：在金融、合规和检索增强生成（RAG）等工作流中，LLM常将OOXM
SkillShield: Prompt-Space Security Skills for LLM Coding Agents
该论文提出 SkillShield，一种针对 LLM 编程智能体（coding agent）的系统提示词（system-prompt）防御方法。编程智能体通常以开发者的权限编辑文件和执行 shell 命令，因此恶意请求可能直接导致有害操作或
Closing the Gap: Automated Discovery of Secure Dockerfile Reference Standards via Semantic Clustering in Enterprise Inner Source
该论文针对企业内源（inner-source）环境中 Dockerfile 普遍存在的安全配置缺陷与技术债务问题展开研究。作者指出，虽然容器化已成为企业软件交付的主流方式，但构建容器镜像的 Dockerfile 经常带有安全错配和结构性问题
EVOMAL: Self-Poisoning in Self-Evolving Coding Agents
本文研究自我进化 LLM 编码代理的安全漏洞。这类代理能够通过模仿共享技能库中检索到的技能来编写自己的工具，本文发现该过程中存在可被利用的脆弱性：当代理在编写新技能时，若以检索到的恶意技能为模板，生成的技能会保留原恶意负载，作者称之为“自我
Are LLM-Enhanced GNNs Privacy-Safe?
本论文系统性地评估了由大语言模型增强的图神经网络（LLM-enhanced GNNs）在隐私安全方面存在的风险。近年来，LLM 通过为图节点注入语义信息，显著提升了 GNN 在文本属性图任务上的表现，但这类模型对隐私攻击的脆弱性尚未得到充分
Reassembling Distributed Risk: Trajectory-Conditioned Action Generation for Multi-Turn Agent Safety
本文针对工具调用型大语言模型（LLM）智能体面临的多轮分解攻击提出了一种生成时防御方法。在这种攻击下，一个有害目标被拆解为多个单独看似合理的请求和工具调用，只有从完整轨迹中才能识别出累积风险。现有防御手段要么依赖辅助在线推理来还原长程安全证
Here is a GIFT: Enforcing User Data Isolation in LLM Serving via GPU Information Flow Tracking
LLM serving 框架在共享基础设施上处理大量用户数据，这些数据常包含敏感信息。在多租户环境中，确保用户数据隔离至关重要：一方面要防止共享同一 serving 框架（CPU 侧）的用户之间相互访问；另一方面要防止 LLM 操作者（GP
FuzzingBrain-Bench V1: Evaluating Open-Ended Bug Discovery by LLMs
大型语言模型（LLM）在软件漏洞发现中的应用日益受到关注，但现有评估基准通常要求模型生成针对预定义目标的 PoC 输入，这种方式可能忽略模型发现的、与预期目标不一致但确属有效的崩溃，从而低估模型真实能力。针对这一问题，本文提出了 Fuzzi
Prompt Structure Redistributes, Not Reduces: An Empirical Analysis of Security-Weaknesses in LLM-Generated Python Code
本文针对大型语言模型（LLM）从自然语言提示生成代码时，提示工程如何影响生成软件安全性的问题展开实证研究。现有观点认为结构化、面向安全的提示可以促使模型生成更安全的代码，但作者指出，其影响不能仅通过检测到的弱点是否存在来衡量。为此，研究者使
StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing
StepGuard 提出了一种面向 LLM 智能体的步骤级防护模型，专注于在执行工具调用前检查每一步动作的安全性。现有防护机制通常对已完成的完整轨迹进行审查，缺少对执行前步骤级动作的监控，导致恶意或危险操作可能在执行后才被发现。StepGu
SeriCrypt: An LLM-Driven Context-Aware Serialization Framework for Cryptographic Protocols
SeriCrypt 提出了一种由大语言模型驱动的、上下文感知的序列化框架，用于自动构造符合语法且密码学有效的协议消息序列。该问题对于协议状态机学习、一致性测试和模糊测试至关重要。与明文协议不同，密码协议存在跨消息的状态依赖和复杂的密码学计算
Towards LLM-Enhanced Android Taint Analysis
该论文探讨了使用大型语言模型（LLM）增强 Android 应用污点分析的可能性。污点分析是检测敏感数据泄露的关键技术，但传统静态分析工具（如 FlowDroid）在准确建模 Android 框架时面临诸多挑战，导致漏报和误报。作者提出了一
Are We Shooting Flies with Cannons? Trade-off Analysis for AI-based 5G Intrusion Detection
本文研究5G网络入侵检测中，基于AI的模型在检测性能与计算成本之间的权衡问题。随着AI在网络入侵检测中的广泛应用，复杂的深度模型是否必要成为一个关键问题。作者使用5G网络遥测数据集，对比了传统机器学习模型（XGBoost作为树集成代表）、表
AGFlow 三洞审计：补丁追着漏洞跑，有个版本掉队了
AGFlow 三洞审计：补丁追着漏洞跑，有个版本掉队了