本文提出了一种面向高风险自动化系统的“权限分解”分析框架，旨在回答一个基础但关键的因果问题：在分布式控制、凭据、受保护组件和生命周期机制并存的系统中，究竟哪些行为者（actor）的组合能够实际触发一个具有后果性的操作？传统标签如“已授权”“已批准”“特权”或“受保护”并不足以说明真正的控制关系。该框架采用“动作相对”的视角，将系统建模为组件、权力、资源、边界以及替代实现结构的集合，并显式纳入更新、恢复、覆盖、禁用和替代调用等机制。它区分了“对执行的控制”与“对操作权威记录的控制”，从而能够推导出包含最小充分联合体（inclusion-minimal sufficient coalitions），并检验声称的执行边界是否真正独立于指定的上游信任域。作者通过跨领域分析案例验证了该方法，并在一个名为Havenlon的协议模型中展示了具体分析：在分裂控制、面向发布、开放状态、源受限的场景下，普通见证者需要五个信任域，而证书替换则产生一个三域的最小充分集合；同时Linux域不足以完成完整的状态转换。文章还指出，已部署的全局不可绕过性和边界否决覆盖问题仍未解决。该框架是概念性和分析性工具，不负责认证实现、不保证部署安全、不保证发现所有隐藏权力，也不定义证据验证语义。适合系统安全架构师、访问控制研究人员和安全分析师阅读，用于评估复杂系统中的真实权限边界。

本文针对大语言模型（LLM）的“越狱”攻击机制展开因果分析研究。现有研究主要通过对潜在表示的探测来分析越狱提示，但往往忽略了可解释提示特征与越狱发生之间的因果关系。为此，作者提出了Causal Analyst框架，将LLM集成到数据驱动的因果发现中，以识别越狱的直接原因，并将其分别用于攻击与防御。该框架首先构建了一个包含35k次越狱尝试的数据集，涵盖7个LLM、100个攻击模板和50个有害查询，并人工标注了37个可读的提示特征。随后，通过联合训练基于LLM的提示编码和基于图神经网络的因果图学习，重建了从提示特征到越狱响应的因果通路。分析发现，“正面角色”（Positive Character）和“任务步骤数”（Number of Task Steps）等特定特征是越狱的直接因果驱动因素。基于这些因果洞察，作者开发了两个应用：一是“越狱增强器”，通过针对性地增强因果特征显著提升了在公开基准上的攻击成功率；二是“护栏顾问”，利用学到的因果图从混淆查询中提取真正的恶意意图。大量实验包括基线对比和因果结构验证证实了因果分析的鲁棒性，并证明其优于非因果方法。本文表明，从因果角度分析越狱特征是提升LLM可靠性的有效且可解释的途径。代码已开源。