该论文是一篇关于多智能体LLM系统（MAS）安全的系统化综述（SoK）。研究背景是：多智能体LLM系统在多个主体之间传递信息、状态、决策和权限，这种跨主体的交互可能引发局部安全检查无法发现的系统性故障。作者指出，如果没有执行级别的视图，多智能体设置很容易被误认为是真正的多智能体安全效应的证据。因此，论文通过对197篇相关工作的执行中心化分析，系统化地梳理了MAS安全，涵盖了六个交互接口、四种对手位置、七类系统级风险和八种反复出现的攻击路径。论文提出了一个A-I-R框架，按照对手位置、交互接口和产生的系统级风险来组织攻击，统一了原先碎片化的攻击机制。在防御方面，论文提出了一个五部分契约，涵盖路径目标、观察、干预、信任边界和恢复，并指出路径闭合和恢复是关键挑战。此外，论文还审计了44个评估与基准工作，指出了在隔离交互效应、设计可比较和诊断性指标、支持跨MAS设计复用以及评估开放系统运行方面的开放挑战。总体而言，论文呼吁采用交互感知的MAS安全视角：端到端追踪攻击，测试防御是否能闭合这些路径，并使用适当的反事实来评估系统级效果。该研究适合安全研究人员、LLM系统设计者以及关注多智能体安全性的蓝队人员阅读。

本文针对虚假基站（FBS）检测领域面临的现实挑战展开研究。过去二十年来，由于获取商用FBS（C-FBS）设备存在巨大的财务和监管壁垒，研究者无法直接观察真实攻击行为，导致检测系统多基于自建原型进行设计与评估，可能遗漏实际攻击面的关键盲区。为此，作者提出Devilray——一种可重构、参考级的对抗基线模型，旨在系统性地探索现实对抗空间，识别现有检测方案中的盲点。研究通过首次对商用FBS进行学术分析，建立了经验性的事实基础，并扩展至3GPP标准允许的规范驱动操作变体。Devilray能够系统生成2592种可行且真实的FBS实例，覆盖广泛的操作可能性。利用Devilray，作者评估了七种代表性可获取FBS检测器，发现所有检测器均存在覆盖率缺口，这些盲点源于假设限制性的设计与评估方法。本工作提供了第一个基于真实行为和规范分析的强健对抗模型，使社区能够以严谨的方式开发和评估未来的检测机制。适合移动安全、蜂窝网络防御领域的研究者阅读。