LLM 攻击涵盖提示优化、多轮上下文操纵、检索投毒和模型后门等多种机制，但现有白盒防御通常仅在孤立的攻击家族上评估，因此异构攻击是否会在内部表示中留下可泛化的位移信号仍属未知。本文提出 MechAudit-40，一个系统性的评估框架，在 5 个开源权重模型架构上测试了 40 种攻击机制。通过威胁特定的成功标准、10 万对匹配的“干净-攻击”表示、预定义类别与分组留出，该方法将真正的攻击诱导位移与目标规模、语料库偏差和数据泄漏捷径隔离开来。实验发现，攻击会引发结构化的多深度轨迹，而非孤立的层尖峰；原始峰值在不同架构间不可移植，但目标校准后的轮廓保留了可迁移的几何特征——在完全机制留出条件下，仅凭隐藏状态即可对未见攻击的威胁类别达到 82.5% 的准确率。基于此，作者设计了 MechAudit，一个运行时审计器，它在严格的零预言机约束下工作，无需干净基线痕迹或攻击元数据。MechAudit 在 0.70% 的假阳性率下检测出 81.1% 的留出攻击，当整个功能类别被屏蔽时仍保持 78.1% 的召回率。在匹配对比中，MechAudit 是唯一未发生机制级覆盖崩溃的检测器，在全部 40 种机制上均保持超过 50% 的召回率。研究结论表明，内部表示能够支持基于校准良性参考的跨机制攻击暴露审计，但这种能力与下游任务危害及参数完整性脱钩。该工作为 LLM 白盒安全评估和运行时监控提供了新的视角与方法基础。

该论文提出了一种名为 SAIN（State-Aware Invariants）的工业控制系统（ICS）攻击检测方法，旨在提升攻击检测的敏感性和准确性。研究背景是：现有基于不变量的 ICS 入侵检测系统（IDS）通常依赖静态的物理系统模型，但这些模型难以捕捉工业过程在不同运行状态下的动态行为变化，导致漏报率较高，尤其是在复杂攻击场景下。核心问题是如何设计一种能够感知系统状态变化、同时保持较低误报率的检测机制。SAIN 的核心方法包括：首先，从 ICS 的传感器和执行器数据中自动学习状态相关的物理不变量，即针对不同系统运行状态分别建立正常行为模型；其次，通过在线监测当前系统状态并匹配相应的不变量，从而检测偏离预期行为的异常。该方法与传统的单一全局不变量方案不同，它能够适应状态切换，对稳态和瞬态过程都能提供更细粒度的监控。实验部分，作者在多个 ICS 测试平台（包括 SWaT、HIL 等）上使用真实攻击数据进行了评估，结果表明 SAIN 在检测精度和召回率上显著优于现有最先进的检测方法，同时保持了可接受的误报率。主要贡献包括：提出状态感知不变量的概念和建模框架；设计了一种自动化提取状态不变量并在线匹配的算法；通过大量实验验证了该方法在检测隐蔽攻击（如篡改传感器读数或执行器指令）时的优越性。适合 ICS 安全研究人员、工业控制系统防御者以及入侵检测系统开发者阅读，尤其关注物理过程感知的异常检测技术。

该论文针对5G移动网络中层三（L3）协议面临的安全威胁，提出了一种基于O-RAN（开放无线接入网络）架构的攻击检测服务——5G-SPECTOR。传统蜂窝网络基础设施封闭且专有，而5G正向智能、开放标准化的O-RAN架构迁移，这为安全监测提供了新的机会。论文设计了两个核心组件：MOBIFLOW，一种新型安全审计流，用于传输细粒度的蜂窝网络遥测数据；MOBIEXPERT，一个可编程的控制平面xApp，用于实时分析数据并检测异常。该系统可检测7种已知的L3协议攻击，并能扩展至11种未知攻击以及31个真实世界蜂窝网络流量样本。实验结果表明，5G-SPECTOR具有高准确率、零误报，且CPU开销低于2%、内存消耗低于100 MB，展示了良好的实时性、可扩展性和低性能开销。该研究为O-RAN环境下的蜂窝网络安全监测提供了一个全面且实用的框架。

本文提出了一种系统化的方法来理解和发现以太坊去中心化应用（DApps）中的攻击。研究者首先通过对真实世界攻击案例的因果分析，总结了攻击的根本原因和交易发起路径（transaction-originating path），并识别出常见的攻击模式，如重复交易攻击、闪电贷攻击、重入攻击等。基于这些发现，他们设计并实现了一个名为 EoS（Evil under the Sun）的自动化工具，用于在以太坊上大规模检测 DApp 攻击。EoS 通过静态分析智能合约字节码和动态监控交易序列，能够高效地识别可疑交易模式并定位攻击。在实验中，EoS 在超过 10 万个 DApp 上运行，成功发现了大量尚未公开的攻击，其中包括 1000 多起重复交易攻击和 200 多起闪电贷攻击。论文还讨论了攻击的经济影响，并提出了防御建议。这项工作首次系统性地揭示了 DApp 攻击的多样性和复杂性，为区块链安全研究提供了新的视角，对于去中心化金融（DeFi）生态的安全防护具有重要参考价值。