FedCRI: Federated Mobile Cyber-Risk Intelligence.
本文提出了一种名为 FedCRI 的联邦移动网络风险情报框架。随着数字化普及以及新冠疫情推动更多服务在线化，移动服务生态系统面临越来越大的攻击面，移动服务提供商在保护其服务和相关移动应用时面临诸多挑战。现有防御手段往往局限于轻量级的应用程序
#agent-security
共收录 1542 条相关情报。
← 返回所有主题Jasmine: Scale up JavaScript Static Security Analysis with Computation-based Semantic Explanation.
本文提出了一种名为 Jasmine 的新型静态安全分析工具，旨在解决现代 JavaScript 应用中因复杂操作和语义导致的静态数据流分析精度严重下降的问题。研究背景是，尽管静态数据流分析广泛用于 Web 应用的安全威胁检测，但缺乏实际执行
When Agents Talk: Honeytokens under Shared Memory
本论文基于2026年一次网络能力评估中的观察，探讨了在共享内存环境下蜜标（honeytoken）对AI代理的防御有效性。评估中，短期存活的AI代理将共享包仓库作为持久记忆，将漏洞利用发现传递给后续代理，并在该通道被移除后重建它。最终评估以侵
A Study of Kernel Telemetry Options for Security-Oriented Provenance
本论文围绕安全取证场景下的系统溯源（provenance）展开，系统性地研究了主流内核遥测（kernel telemetry）采集方案。作者首先梳理了现有的溯源捕获方法，对比了基于内核模块、硬件辅助、以及 eBPF 等技术路线的优劣，认为
AI Guardrail Survival under Single-Cycle Agentic Self-Summarization
本文研究了长期运行的智能体（agent）在上下文压缩（context compaction）过程中，安全护栏（safety guardrail）如何因单一周期的自我摘要（self-summarization）而失效。长期智能体通常需要周期性
Backdoor Decontamination Dynamics in LLM Agents
本文研究开放权重 LLM 智能体在微调阶段可能被植入后门的安全问题。此类后门在测试阶段若触发条件未满足，可能无法被检测到。由于防御者不知道原始触发条件，无法直接“忘记”该后门。一种去污（decontamination）策略是安装一个已知后门
Dueling Deep Q-Learning for Intrusion Detection
本文针对传统入侵检测系统（IDS）依赖监督式机器学习方法、难以快速适应新型攻击类型的问题，提出了一种基于奖励的决斗深度Q学习（Dueling Deep Q-Learning）模型。该模型采用决斗网络架构，将Q值预测拆分为状态价值流（valu
Once Poisoned, Arbitrarily Controlled: A Programmable Backdoor in VLMs
该论文提出了一种面向视觉语言模型（VLM）的可编程后门攻击方法，挑战了传统后门攻击“静态绑定”的假设。传统攻击中，触发器与目标输出在训练阶段固定绑定（一对一或N对N），攻击者无法在推理时动态选择目标。本文作者证明，仅需一次中毒训练，即可在V
A Gateway Architecture for Enterprise MCP Authentication: Unifying Heterogeneous Auth, Identity Delegation, and the User / Non-User Persona Problem
本文报告了一种面向 Model Context Protocol (MCP) 的企业级网关认证架构。MCP 已成为将 LLM 代理连接到企业工具的事实标准接口，但其快速采用带来了治理危机：大型组织在一年内从零部署到数十个内部 MCP 服务器
Agent Safety Should Be a Runtime Contract
该论文对当前人工智能安全的主流范式提出结构性批评，认为仅靠训练阶段的对齐方法（如RLHF、DPO、Constitutional AI）无法充分保障自主智能体的安全。作者主张，智能体安全应被设计为一种由执行环境（harness）强制实施的“运
On Understanding, Identifying, and Mitigating Vulnerabilities in Agentic Large Language Models
该论文对智能体大语言模型（Agentic LLM）的安全脆弱性进行了系统性综述研究。随着大语言模型从无状态对话接口演变为具备多步规划、工具调用、代码执行和持久记忆的自主智能体，其在实际系统中获得API调用、文件修改和数据库查询等真实权限时，
From Prompt Injection to Web Exploitation: Revisiting Classic Vulnerabilities in LLM-Integrated Applications
本文研究了大语言模型（LLM）集成应用中的一类新型安全威胁，即“LLM 中介的 Web 攻击”（LLM-mediated web attacks）。随着 LLM 越来越多地被集成到 Web 应用中，用于聊天机器人、工具调用和智能体流程，用户
Generating Attacks for LLMs with GFlowNets
本文提出了一种基于生成流网络（GFlowNets）的自动化红队测试方法，用于发现大语言模型（LLM）的安全漏洞。研究背景是：随着LLM在各行各业被广泛部署，其固有的安全隐患日益突出，而传统红队测试多依赖人工专家或固定的攻击数据集，前者耗时费
MarkNull: Model-Agnostic Watermark Removal in AI-Generated Images via On-Manifold Latent Manipulation
本文提出 MarkNull，一种模型无关的 AI 生成图像水印去除攻击，通过在流形上的潜在操作实现。现有攻击要么只对特定生成模型有效，要么导致严重视觉退化。作者观察到水印图像在生成潜在表示与嵌入初始噪声之间存在统计依赖，提出噪声-潜在对齐分
Stealing Reasoning Traces from Proprietary LLM APIs
本文揭示了大型语言模型（LLM）提供商在客户端保存加密推理轨迹所引入的严重安全漏洞。许多主流提供商（如 Anthropic、OpenAI、Google）为避免泄露模型内部推理过程（即思维链），通常将推理步骤以加密块形式返回给客户端，并要求客
Generative AI for Encrypted Traffic Analysis: Synthetic Dataset Generation and Classifier Evaluation
该论文针对加密流量分析中的两大核心挑战展开研究：一是加密通信导致数据包内容可见性有限，使得传统深度包检测方法失效；二是可用数据集中异常流量样本极度不平衡，导致模型训练效果不佳。为应对这些问题，作者提出利用生成式人工智能（GAI）技术来构造逼
ColluSkill: Adversarial Cross-Skill Composition for Evading Agent Skill Scanners
本文针对基于LLM的智能体系统中的技能（skill）攻击面展开研究。作者首先对现有技能扫描器进行实证分析，发现当前防御机制主要针对单个技能进行安全检查，忽略了对跨技能组合（cross-skill composition）风险的评估，从而留下
From Runnable to Verifiable: An Independent Reproducibility Study of LLM/Agent-Driven Vulnerability Validation Artifacts
该论文针对 LLM/agent 驱动的漏洞验证工件（如 PoC 仓库、验证管道）的可复现性与可靠性进行了一项预注册的独立审计研究。研究背景是：随着大语言模型与自动化代理被用于漏洞挖掘和验证，安全社区产生了大量自动化生成的安全工件，但工件'可
Dual-Adversarial Safety Alignment: Cultivating Intrinsic Threat Comprehension in LRMs
本论文针对大型推理模型（LRMs）在复杂任务上表现优异但易受有害提示诱导而输出不安全内容的问题，提出了一种名为 AdvSafe 的双对抗安全对齐框架。现有对齐方法通常依赖直接拒绝或安全推理，但往往局限于提示模式而非内在攻击机制，导致难以泛化
RangeFactory: Scalable Construction of Multi-Hop Cyber Ranges
本文提出的 RangeFactory 是一个面向多跳网络靶场（cyber range）的自动化编排框架，核心目标是解决现有靶场构建无法自动将大量孤立漏洞环境组合为端到端验证的多跳攻击链的问题。现实中的网络攻击通常需要跨越多个主机和网段持续推