本文提出 NAUTILUS，一种自动化检测 RESTful API 漏洞的系统。RESTful API 在现代微服务架构中广泛使用，但其安全测试面临状态依赖、参数组合爆炸等挑战。NAUTILUS 通过解析 API 规范（如 OpenAPI）构建状态机模型，并基于符号执行和模糊测试生成有效测试用例。系统覆盖常见漏洞类型，包括 SQL 注入、路径遍历、参数篡改等。在 GitHub 上的多个真实 API 以及人工构造的基准测试中，NAUTILUS 相比于现有工具（如 RESTler、EvoMaster）发现更多漏洞，且误报率更低。实验证明其能够有效处理复杂状态依赖和深层路径探索。该研究为自动化 API 安全测试提供了新的思路，适合安全工程师和开发者在 CI/CD 流程中集成。

本文首次展示了一种攻击方法，能够通过仅对语言模型（LM）进行典型的API访问，以极低的经济成本窃取其解码算法的类型和超参数。解码算法是语言模型生成文本的关键组件，决定了如何从LM输出的内部概率分布中选出文本。选择和调优解码算法需要大量时间、人工努力和计算资源，并且需要广泛的人工评估，因此其身份和超参数对模型拥有者极具价值。攻击针对GPT-2、GPT-3和GPT-Neo等流行文本生成API所用LM，作者证明了仅需几美元（例如，针对GPT-3的四个版本分别只需0.8、1、4和40美元）即可成功窃取这些信息。该攻击通过精心设计的输入输出查询，利用模型行为差异推断解码算法类型及参数设置。研究揭示了API感知的模型机密信息泄露风险，对模型提供商的商业秘密和知识产权保护提出警示。适合安全研究人员、AI模型提供商及依赖第三方LLM API服务的组织阅读。

本文针对 REST API 安全中因文档不完整或缺失导致传统安全方案失效的问题，提出了一种无监督异常检测方法 HRAL（HTTP REST API Learning）。HRAL 直接从网络流量中学习 API 端点结构（如 URL 路径、参数、方法等）及正常行为模式，无需依赖 OpenAPI 规范或预定义规则。其核心创新在于利用图结构建模 API 调用间的关联，并基于统计异常检测识别偏离正常行为的恶意请求。实验在多个真实 API 数据集上进行，评估了不同 OpenAPI 文档覆盖度下的性能。结果显示，HRAL 在仅有部分文档时平均召回率达 82.07%，F1 分数为 87.24%，显著优于现有方法；当与 OWASP ModSecurity CRS 等签名规则结合时，检测率达到 100%。该方法特别适合 DevOps 和 API 安全团队在缺乏完整 API 文档的生产环境中构建基线检测能力。论文贡献包括：提出一种轻量级、不依赖文档的 API 行为建模方法；在部分文档场景下实现接近全文档定义的检测效果；验证了无监督学习与签名规则互补的可行性。

本文针对现代企业面临日益严重的API安全威胁问题，提出了一种基于零信任架构（Zero-Trust Architecture）的“安全优先”API流水线开发框架。研究背景指出，API已占Web流量主导地位，成为数据泄露的主要载体，99%的组织在过去一年遭遇过API安全事件，22%因此发生实际数据泄露。同时，漏洞披露数量激增（2023年28,818个CVE，2024年40,009个），漏洞利用时间缩短至数天（2023年平均约5天）。为此，作者提出五支柱方法：治理与规划、安全设计、持续测试、流水线控制、运行时保护，并遵循OWASP API Security Top 10 2023、NIST安全软件开发框架等标准。该方法将安全嵌入DevSecOps实践，通过案例研究展示了显著效果：安全事件减少30%，发布后漏洞减少40%。论文还讨论了实施挑战、不断演变的威胁态势，并给出了组织采用安全优先流水线与零信任的建议。本文适合API安全从业者、DevSecOps工程师和安全架构师阅读。

本文研究大型语言模型（LLM）推理API中提示缓存（prompt caching）实现的安全隔离问题。提示缓存通过复用请求的KV缓存来节省计算资源并加速响应，但许多实现存在时序攻击或元数据泄露风险。Gu等人（ICML 2025）已提出一种审核LLM中提示缓存的方法。本研究重点关注OpenRouter API网关架构，该网关充当多个LLM提供商的前端，使用共享组织凭据路由请求。作者利用缓存探测技术，验证了OpenRouter是否引入跨用户缓存共享漏洞，从而破坏提供商层面本应提供的每账户或每组织缓存隔离。实验结果表明，OpenRouter的缓存机制确实存在全局共享现象，导致一个用户的缓存内容可能被其他用户访问，进而泄露敏感提示信息。该发现揭示了API网关在实现缓存功能时可能忽视的隔离缺陷，对多租户LLM服务的安全设计具有重要警示意义。

该论文对公开披露的漏洞赏金报告中的“对象级授权失效”（BOLA）漏洞进行了首次大规模实证分析。作者从HackerOne平台收集了200份标记为IDOR或不当访问控制的报告（2021-2026年），并应用三标准包含过滤器，最终得到107份已分类的报告。分类采用LLM辅助的模式补全程序，在人类裁决的约束标准下，针对一个六族BOLA分类法进行。在107份分类报告中，84份（78.5%）被确认为有效范围内的BOLA。其中，行为级对象BOLA（定义为对他人对象执行未经授权的状态更改操作）占确认案例的41.7%，与直接对象引用BOLA一同成为数据集中观察到的两个主要族。这表明在实践指南中历史性地未被充分代表的模式。约21.5%的分类报告在严格标准下属于范围外，表明在HackerOne等平台上的标签计数显著夸大了BOLA特定信号。论文报告了各家族、操作类型、授权方向、行业领域、标识符格式和利用机制的分布。关键次要发现包括11.9%的垂直（用户到管理员）权限故障率，以及跨主要平台系统性地利用GraphQL全局ID。这些发现对API安全测试协议、开发者教育和OWASP指南具有直接影响。

本文提出了一种名为PEMark的API响应水印方案，旨在解决API数据泄露后的溯源问题。现有水印技术通常需要修改数据库或API响应数据，这会迫使业务系统代码变更，甚至因数据值改变而影响正常业务。作者创新性地利用JSON/XML键值对顺序中固有的排列冗余——这一被忽视的维度不携带语义信息，但提供了丰富的编码容量。方案包含两个核心组件：水印代理网关和基于位置编码的水印嵌入。首先，服务器响应被转发至水印代理网关，该设计无需对现有业务系统进行任何修改；然后，通过位置编码对键值对进行重新排序来嵌入水印，而不改变任何数据值。据作者所知，这是首个通过代理网关上的位置编码实现无损API响应水印的工作。实验结果显示，该框架在保持业务可用性的同时，确保返回的API数据可追溯。与当前主流方案相比，该方法对篡改和插入攻击具有鲁棒性（100%相似度），并能抵御一定程度的删除攻击。论文主要贡献包括：零业务代码修改、零数据值修改、高鲁棒性、以及首创性的位置编码水印方法。适合关注API安全、数据泄露防护、水印技术的研究人员和工程师阅读。