本文提出了一个针对AI沙箱的威胁模型、分类法和测量框架。随着AI系统越来越多地在受限环境中进行评估（结合隔离、仿真、检测、监督和证据捕获），尤其是物理AI、AIoT和网络物理系统，测试环境的可信度和安全性变得至关重要。作者首先形式化了沙箱边界的概念，并定义了将各维度证据组合成有界部署声明的最弱链规则。接着，他们区分了主要的沙箱原型（如数字AI沙箱、具身自主沙箱和网络物理沙箱）。在此基础上，提出了一个涵盖物理过程和网络设备的网络物理威胁模型，该模型不仅考虑对被测系统的攻击，还考虑对保证装置本身的攻击（例如操纵传感器数据、干扰通信链路或欺骗监督机制）。最后，引入了一个测量框架，包括保真度、可控性、可观察性、隔离性、可重复性和治理工件等维度，并通过三个真实沙箱的案例研究进行了实例化。该框架帮助从业者理解沙箱能够有效测试什么、可以控制哪些风险以及能支持哪些形式的安全、安保和监管保证证据。本文的主要贡献在于为AI沙箱的安全评估提供了系统化的理论基础和实践指导，适合AI安全工程师、测试验证团队及监管机构阅读。

本文提出了一种面向全自主AI渗透测试工具的智能保证系统（IAS）。随着AI驱动的自动化攻击模拟工具日益复杂，其运行过程的完整性、合规性及伦理问题变得至关重要，尤其是在人类监督有限或缺失的场景下。该系统通过监控执行轨迹、强制合规约束、提供实时反馈以及促进自我改进，实现了对自主渗透测试行为的持续监督和问责。核心贡献在于设计了一种资源高效的保证架构，能够与EU AI Act等法规对齐，并支持审计跟踪和自我增强。实验部分（摘要未详述）验证了系统在保持低开销的同时有效检测违规行为。该研究适用于AI安全工具开发者、合规官员及研究自动化安全测试系统可靠性的学者。