该论文提出了一种名为 PURA 的新型多比特水印方法，用于对 AI 生成文本进行细粒度归因。现有方法在保持原始生成分布、支持大容量负载以及编辑后恢复能力之间难以兼顾。PURA 的核心创新在于不在 token 概率层面直接扰动，而是在潜在采样空间中通过密钥化的逆变换采样嵌入负载，并将观测到的 token 视为软区间证据进行序列级聚合来恢复水印。这种设计严格保持基础生成分布不变，同时显著提升在文本编辑和信道扰动下的恢复稳定性。作者还建立了一种统一的鲁棒性分析框架，证明在有界攻击强度下，每比特错误概率随序列长度呈指数衰减。大量实验表明，PURA 在高负载场景下显著优于现有无偏基线：例如在 200 个 token 中嵌入 36 比特时，PURA 达到 91.7% 的消息匹配率，是最强无偏基线的三倍以上，同时保持文本质量，统计上与无水印文本接近，验证开销仅为毫秒级。该研究为 AI 生成文本的追踪与审计提供了一种高容量、高鲁棒性的技术路径。适合关注生成式 AI 安全、内容溯源、模型审计的研究人员和安全工程师阅读。

本文提出了一种名为拓扑归因距离（Topological Attribution Distance, TAD）的新方法，用于解决大语言模型（LLM）在网络安全运营中输出证据归因与溯源的问题。随着LLM和Agentic AI被集成到安全运维系统中，模型生成的决策必须可信任、可追溯；当自主智能体做出正确或错误决策时，团队需要能够回溯决策链，定位究竟是哪一段输入数据导致了模型输出。现有归因方法在区分复杂且高度相似的证据源（如网络事件日志）时存在困难，无法充分捕捉检索证据与生成响应之间的整体几何关系。TAD受拓扑学启发，通过刻画模型输出在嵌入空间中的全局几何形状，并测量特定日志嵌入改变该几何形状的程度，来判断该日志是否为关键归因源。该方法采用段级消融归因（segment-level ablation attribution），对真实网络攻击事件日志进行分析，能够自适应地找出对LLM输出影响最大的日志片段。TAD利用每个LLM的隐藏状态，提供可解释、可信任的溯源能力，帮助理解几何上不同的检索日志如何影响模型生成，为网络安全和Agentic-AI工作流提供证据验证手段。实验部分展示了TAD在实际攻击日志上的有效性，表明其能准确识别关键归因日志。本文的主要贡献包括：提出基于拓扑的归因距离度量，引入段级消融归因机制，以及将几何形状变化与证据溯源相结合，弥补现有方法在复杂相似证据区分和全局几何关系捕捉上的不足。适合AI安全研究人员、LLM可解释性研究者、以及负责安全运营自动化的工程师阅读。

本次输入仅提供了论文标题、作者列表及其 arXiv 分类（Algorithms and the Foundations of Software technology），未包含完整摘要。根据标题和作者的研究背景，该论文聚焦于勒索软件归因中高级入侵指标（IOC）的有效性问题。标题中的“High Stakes, Low Certainty”暗示了在攻击归因这一高风险、低确定性场景下，传统的基于低级 IOC（如文件哈希、IP 地址）的关联方法可能不足以可靠地识别攻击者。论文很可能提出或评估了一种使用高级 IOC（如战术、技术、程序 TTPs）的归因方法，并对其准确性、稳定性以及与威胁情报的契合度进行实证分析。作者团队来自荷兰多所大学和机构，具备扎实的安全研究背景。由于缺乏摘要详情，本文的具体方法、数据集和实验结论无法确认，但研究主题对蓝队和威胁情报分析具有直接参考价值。

本文针对商业威胁情报（CTI）中高级持续性威胁（APT）归因的一致性问题展开系统性比较研究。研究背景：准确归因对于安全团队制定针对性防御策略至关重要，但不同 CTI 供应商对同一攻击事件的归因结果经常存在分歧，这可能导致资源浪费和防御盲点。核心问题：CTI 供应商之间的归因差异有多普遍？产生差异的技术与非技术因素是什么？方法：作者收集了多家主流 CTI 供应商（如 FireEye、CrowdStrike、Mandiant 等）在 2018-2022 年间发布的 APT 归因报告，通过构建统一分析框架，对同一攻击事件的不同归因结果进行交叉验证与统计对比。主要发现：（1）约 30% 的攻击事件存在至少两家供应商归因结果不一致；（2）不一致主要集中在中等置信度归因中，高置信度归因分歧较少；（3）分歧的原因包括：命名规范不同、证据链权重差异、以及商业利益对归因结论的影响。贡献：首次从实证角度量化了 CTI 归因的不一致性，提出了改进归因透明度的建议，并呼吁建立行业通用的归因评估标准。适合安全分析师、威胁情报研究人员及 CTI 消费者阅读，以批判性地审视归因报告的可信度。

本文通过半结构化访谈15名不同角色和专业背景的安全从业者，探讨了高级持续性威胁（APT）分析、归因及面临的挑战。研究发现，从业者在APT归因中采用三层方法，每层有各自目标和挑战。他们通常更关注理解对手的战术、技术和程序（TTP）及动机，而非确定具体攻击实体。现有工具和流程的主要问题包括无法处理多样复杂的数据，以及内部和外部协作的困难。基于这些发现，作者提出了四项改进归因方法的建议，并讨论了这些改进如何应对已识别的挑战。该研究填补了对安全从业者实际感知和挑战理解的空白，为未来APT分析工具和流程设计提供了重要参考。

《CLOUDBURST: 基于信标的云层实时监控与威胁溯源》论文针对云原生环境中的外泄威胁面，指出现有蜜标和信标框架无法应对S3预签名URL、容器镜像、Kubernetes密钥、Terraform状态模块和IAM角色令牌等新型工件。作者提出了CLOUDBURST框架，这是首个针对云原生被动信标的正式分类与测量体系，覆盖AWS、GCP、Azure和OCI四大云厂商的六种向量类别。同时引入云归属分数(CAS)，一个包含临时基础设施惩罚(E_p)、IAM覆盖深度(I_c)和多云关联奖励(M_b)的四分量指标，弥补了以往溯源质量评估维度的缺失。通过在21个部署信标、205次模拟回调及三种攻击者技能水平下的实验，得出四个主要发现：第一，IAM Canary角色获得最高平均CAS(0.450)和检测抵抗性(DR=0.873)，是最易部署的向量；第二，S3预签名URL获得最高检测抵抗性(DR=0.890)，可绕过AWS Macie、Checkov/tfsec和Prisma Cloud/Wiz三种云原生扫描器；第三，临时基础设施消失使所有向量的CAS在48小时内从约0.79下降至约0.18–0.22(p<0.001)，首次量化了容器化环境中的溯源衰减模型；第四，无服务器函数触发器因显式出站HTTP回调模式而检测抵抗性最差(DR=0.611)，需设计隐蔽回调通道。各云厂商之间CAS无显著差异(H=1.99, p=0.57)，证明CLOUDBURST效果与提供商无关。

该论文提出了一种名为 FedAttr 的新协议，用于在联邦学习（FL）环境下对大型语言模型（LLM）微调过程进行客户端级别的归属分析。传统的基于水印的放射性检测方法已证明在集中式LLM微调中有效，但在联邦学习中面临挑战：联邦学习依赖安全聚合（SA）来保护客户端更新的隐私，这使得检测哪个客户端使用了带水印的数据变得困难。FedAttr 通过配对子集差分机制实现客户端归属，同时不破坏安全聚合的隐私保证和联邦学习性能。协议分三步：首先，通过两次安全聚合查询的差分估计每个客户端的更新；其次，利用差分评分机制通过水印检测器对估计结果打分；最后，使用Stouffer方法跨轮次合并分数。理论分析表明，FedAttr 能产生每个客户端更新的无偏估计，且每轮互信息泄漏量为 O(d*/N)。实验结果显示，FedAttr 在真实数据集上实现了100%的TPR和0%的FPR，在TPR上至少优于所有基线44.4%，在FPR上至少优于19.1%，且仅增加FL训练时间6.3%的额外开销。消融研究证实了其对协议参数和配置的鲁棒性。该工作填补了联邦LLM微调中隐私保护客户端归属的空白，特别适用于数据版权保护场景。

本论文提出 LCC-LLM，一个面向恶意软件归因与多任务静态分析的代码中心基准数据集与证据驱动框架。研究背景是当前基于 LLM 的恶意软件归因受限于不支持的指标以及缺乏代码级别的证据支持，难以准确识别恶意和脆弱代码片段。为解决这些问题，作者构建了 LCCD 数据集，包含约 34,000 个 PE 样本，通过大规模逆向工程流水线处理，以反编译 C 代码、汇编代码、CFG/FCG 结构、十六进制数据、PE 元数据、可疑 API 证据和结构特征等多种形式表示。框架层面，LCC-LLM 整合了 LangGraph 编排的静态分析与多源网络安全知识，采用七层检索增强生成流水线、基于 CoVe 的 IoC 验证以及多维质量门控机制，提升事实可靠性和面向分析师的决策支持。使用课程顺序指令数据对 DeepSeek-R1-Distill-Qwen-14B 和 Qwen3-Coder-30B-A3B 进行 QLoRA 微调。在 43 种恶意软件分析任务类型上的评估显示平均语义相似度达到 0.634，在结构化报告生成、IoC 提取、漏洞评估、恶意软件配置提取和恶意软件类别检测等任务上表现最佳。基于 MalwareBazaar 样本的真实案例研究中，证据驱动流水线实现了 10/10 的结构化分析通过率，生成了 CFG/FCG 证据、MITRE ATT&CK 映射、检测指南和分析师就绪报告。结果表明代码中心表示、检索基础验证和推理指导提升了 LLM 辅助恶意软件归因的可靠性和实用价值。

当前的网络归因方法通常针对单个事件独立分析，缺乏跨战役聚合证据以提升对手识别能力的系统性研究。本文提出一个问题：跨战役归因是否能够减少歧义，还是受限于数据结构上的固有瓶颈？作者将攻击者指纹建模为多维特征向量，包含行为、基础设施和时序特征，这些特征源自对被动信标交互的遥测收集。在此基础上，提出ARCANE（Attacker Re-identification via Cross-campaign Attribution Network）框架，这是一个概率性框架，通过跨战役和跨组织的被动遥测聚合，构建持久的攻击者指纹。指纹使用贝叶斯信念网络进行更新，该网络能随时间整合新证据，并引入时间衰减置信度度量来累积跨战役的相似性。在包含多个威胁轮廓的合成数据集上评估，结果显示同一攻击者内部的相似度始终高于不同攻击者之间的相似度。然而，由于高级对手之间共享通用的操作实践，不同攻击者之间的区分度仍然有限。研究结论表明，仅靠跨战役聚合并不能解决归因模糊性；性能受限于特征空间中的某种结构性天花板——即使不存在主动规避行为，不同攻击者之间的特征相似度依然较高。归因准确率在攻击者增加规避行为时保持稳定，说明主要限制是指征本身的不可区分性，而非对手的适应性演化。因此，作者指出需要引入额外的信号类别，例如目标模式、时间协调性和基础设施关联关系，才能提升归因的可靠性。本文适合威胁情报分析师、APT追踪团队和归因研究人员阅读。