该论文提出 DART（Data Augmentation of Rare ATT&CK Techniques）方法，旨在利用大型语言模型（LLM）作为智能体（Agents）对 MITRE ATT&CK 框架中罕见的攻击技术进行数据增强，以解决安全检测中数据不平衡问题。由于未提供论文摘要，具体技术细节、实验设计及结果未知。推测该方法可能通过 LLM 生成模拟攻击行为的样本，丰富训练数据集，从而提升安全模型对低频但高威胁攻击技术的检测能力。该研究属于网络安全与 AI 交叉方向，潜在应用包括入侵检测、威胁狩猎等场景。

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。