Beyond Direct Access: Resource Hijacking in LLM Agents
本文首次系统性地研究了大语言模型（LLM）智能体（Agent）中的“资源劫持”（resource hijacking）安全盲区。以往智能体安全研究主要关注指令注入、数据泄露和工具滥用等攻击，而智能体可访问的高价值资源（如计算基础设施、凭证、
#agent-security
共收录 1542 条相关情报。
← 返回所有主题WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing
本文提出 WeSCE，一个用于量化 LLM 驱动代码编辑过程中“安全漂移”的基准测试。在真实开发场景中，开发者常向 LLM 下达仅包含功能目标的编辑指令（如“增加一个排序功能”），并未显式提出安全要求，但代码修改可能引入或加剧安全漏洞。We
Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference
本文针对网络应急响应中人工推断多阶段攻击耗时费力的问题，提出了一种层次化智能体响应框架。该框架融合了大语言模型（LLM）攻击推断、滚动规划（rollout planning）和数字孪生验证。首先，一个微调的LLM从安全告警和系统测量数据中推
SysEvolve: An AI-native, safe, autonomous adversarial attack-defense co-evolutionary system
这篇论文聚焦于大语言模型（LLM）带来的网络安全攻防不对称问题：攻击正在趋于自主执行，而防御仍高度依赖人工分析，导致攻防失衡。作者认为，这种不对称的根本原因在于攻防双方在三个层面的“进化”陷入停滞。为此，他们提出“共同进化”（co-evol
LIMA: Defining, Benchmarking and Detecting Cross-Layer Vulnerabilities in LLM Inference Frameworks.
本文提出 LIMA，一个面向 LLM 推理框架的跨层漏洞定义、基准测试与检测系统。研究背景在于，现代 LLM 推理框架通常由多层组件构成（如模型加载、运行时调度、内存管理、GPU 内核执行、API 网关等），而现有安全研究往往只关注单层漏洞
Are Neuro-Inspired Multi-Modal Vision-Language Models Resilient to Membership Inference Privacy Leakage?
本文研究多模态视觉-语言模型（VLMs）在成员推断攻击（Membership Inference Attack, MIA）下的隐私泄露问题。随着智能体AI（agentic AI）的发展，多模态模型（MMs）被广泛部署，但其训练数据可能通过黑
Hybrid Trust Multi-party Computation with Trusted Execution Environment.
该论文提出了一种混合信任的多方计算（MPC）框架，旨在解决可信执行环境（TEE）在实际部署中存在的信任分歧问题。传统观点认为，TEE（如Intel SGX）依赖硬件保护，能够以远高于纯软件方案的速度执行安全多方计算，但现有实现中已发现多种侧
PHYjacking: Physical Input Hijacking for Zero-Permission Authorization Attacks on Android.
本文针对 Android 平台提出了一类名为 PHYjacking 的新型攻击，其核心思想是利用零权限恶意应用误导用户，使物理输入（如指纹、面部、触摸等）被错误地用于授权操作，从而导致非预期的授权结果。作者系统分析了 Android 对各种
Workspace Topology as an Attack Vector in Agentic Coding Assistants
本文针对智能体编程助手（agentic coding assistants）在开发工作区中广泛读取和利用第三方代码时引入的安全风险，提出并系统研究了一种新型攻击面——工作区拓扑（workspace topology）。作者将工作区拓扑定义为
Finding Vulnerabilities via LLM-Augmented Semantics-Aware Type-Checking
传统静态分析漏洞检测通常依赖安全专家将不安全的编码模式编码为规则，但这些规则往往只捕捉语法模式，忽略了代码中的深层语义信息，如变量名和函数名的含义。随着软件系统日益复杂，仅使用语法规则来建模漏洞变得愈发困难。针对这一问题，本文提出一种语义感
Trust Without Boundaries: An Architectural Analysis of Satellite Flight Software
随着航天器日益软件驱动化和互联化，星载飞行软件已成为越来越重要的安全边界。然而，主流的飞行软件架构通常将星载组件视为可信对等体，这种设计简化了集成过程，却限制了内部隔离与访问控制。本文以 NASA 的核心飞行软件（cFS）为分析对象，从权威
STINER: Automated Extraction of Strategic Cyber Threat Intelligence from X
本文提出 STINER，一个面向社交媒体（特别是 X/Twitter）的战略级网络威胁情报（CTI）自动提取框架。战略 CTI 关注高级别洞察，如识别受攻击行业、将攻击归因于特定勒索软件组织、评估数据泄露规模等。X 平台往往在官方报告发布前
MazeRunner: Nonlinear Task and Clue Orchestration for LLM-driven Black-Box Automated Penetration Testing
渗透测试是保障系统安全的关键环节，但传统的人工渗透测试耗时耗力。近年来，大语言模型（LLM）在自动化安全审计方面展现出潜力，但现有基于LLM的渗透测试代理主要聚焦于简化线性场景下的端到端执行，难以应对真实世界黑盒测试的非线性特征。在真实黑盒
BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows
本文提出一种名为BGA（Bidirectional Gated Attention）的抗噪神经蒸馏框架，用于在高熵加密流量（如TLS 1.3）中提取恶意签名。研究动机是：在加密流量中，随机性强的密码学噪声会稀释注意力机制对关键控制面特征的关
P2Skill: Privacy Preserving Skill Distillation for Cloud-Local LLM Inference Systems
本文提出了一种名为 P2Skill 的隐私保护技能蒸馏方法，用于云-本地大语言模型（LLM）推理系统。在典型的云-本地架构中，云端大模型提供强大的推理能力，而本地设备负责处理敏感用户数据。为了保护隐私，发送到云端的请求必须剥离个人身份信息（
CoSA: Context-Aware Severity Assessment via Context Analysis with Large Language Models
该论文提出 CoSA，一种基于上下文感知的漏洞严重性评估方法，旨在利用大语言模型（LLM）从代码仓库级工件中自动推断 CVSS 基础指标。传统 CVSS 评估依赖人工分析，耗时且容易出错；现有自动化方法多局限于函数级分析，难以捕获仓库中分散
Beyond Indistinguishability: Measuring Extraction Risk in LLM APIs.
该论文针对大语言模型（LLM）API 中数据提取风险的定义与度量问题展开研究。作者指出，当前广泛使用的不可区分性（indistinguishability）属性——例如差分隐私上界或经验测量的成员推断攻击低风险——通常被当作模型具备足够抵御
"I Thought You Were The Uncensored Place": Norms, Rules, and Moderation in AI-Generated Sexual Content Communities
该研究聚焦于AI生成性内容（AIG-SC）在线社区中的治理问题。随着AI生成性内容的生产日益增多，大量支持创作者需求的在线社区应运而生，其中一些大型社区（成员数超过1万）明确制定了禁止创建和分享滥用性内容（例如AI生成的儿童性虐待材料，CS
LLM-Assisted Dynamic Threat Analysis for Attacker-Reachable Software Weaknesses in Autonomous Vehicles
该论文研究利用大语言模型（LLM）自动化生成可执行的测试工件，以动态确认自动驾驶系统中可被攻击者输入触发的软件弱点。作者以开源自动驾驶栈 Autoware 为对象，首先执行编译器精确的静态分析，覆盖 185 个软件包，识别出 1,375 条
VR-Themis: A Scalable Framework for Virtual Reality Application Clone Detection
该论文首次关注虚拟现实（VR）应用市场中的“克隆应用”（App Cloning）问题，即恶意或非法用户对正版 VR 应用进行重打包（Repackaging），这不仅威胁用户安全隐私，还侵犯开发者版权。现有克隆检测方法主要面向 Android