本文提出了一种名为BreakFAST的混淆副手攻击，针对AMD安全加密虚拟化-安全嵌套分页（SEV-SNP）技术。SEV-SNP是AMD EPYC处理器中用于保护机密虚拟机（VM）的硬件安全机制，旨在防止恶意管理程序访问VM内存。攻击者利用AMD Infinity Fabric（一种片上互连架构）中的设计缺陷，通过构造特定的内存请求，诱导系统组件（如内存控制器）错误地授权访问受保护的页面。具体而言，BreakFAST攻击利用了SEV-SNP中地址转换旁路（Address Translation Bypass）的一个漏洞，使得攻击者能够将恶意数据注入到目标VM的物理内存中，从而破坏机密性和完整性。作者在真实AMD EPYC平台上实现了该攻击，并展示了如何泄露VM内部的敏感数据以及注入恶意代码。该工作揭示了即使是最先进的硬件信任执行环境（TEE）也存在设计层面的侧信道和逻辑漏洞，对机密计算的安全假设提出了严峻挑战。论文详细描述了攻击原理、实现步骤以及可能的影响范围，并讨论了现有的缓解措施及其局限性。

该论文研究了大型语言模型（LLM）在安全运营中心（SOC）日志分析任务中的安全漏洞。作者指出，LLM 在分析网络日志时，会将日志内容作为自然语言上下文处理，这引入了一种关键威胁：攻击者可以在日志生成字段中嵌入提示注入载荷，这些载荷持久化存储在日志中，当分析师查询 LLM 时被执行，作者称之为被动提示注入。为系统评估这类威胁，作者提出了 LogInject 框架，并构建了包含 12,847 条日志条目（含 2,569 条对抗样本）的基准数据集 LogInject-1.0。在四种攻击目标（活动隐藏、误报生成、信息窃取、输出劫持）下，评估了三款商用 LLM，基线条件下攻击成功率最高达 88.2%（平均 83.4%）。此外，作者提出了一种新技术 Context Stitching，将载荷碎片化分布在多条日志条目中以绕过无状态过滤器，同时利用 LLM 的长上下文推理能力，成功率达 76.4%。防御方面，作者评估了结合输入过滤、提示加固和输出验证的分层防御，攻击降低率达 90.4%，但仍存在 8.4% 的残留脆弱性。实验表明，基于 LLM 的日志分析存在固有的混淆代理漏洞，不可信数据与可信指令难以区分，需要深度防御架构和持续人工监督。该研究适合 SOC 安全工程师、AI 安全研究人员阅读。

本文首次系统性地研究了边缘AI加速器（AIA）中的混淆代理攻击（Confused Deputy Attacks, CDA）。AIA是专用硬件（如TPU），用于高效执行AI应用和端侧推理。随着AI需求增长，AIA被广泛部署在边缘/嵌入式设备上。与应用程序不同，AIA不受操作系统限制，对应用处理器（AP）的安全机制（如内核vs应用内存、进程隔离）可见性有限。这种语义鸿沟可能导致混淆代理漏洞：恶意应用可以欺骗AIA代表其执行特权操作。作者设计了DeputyHunt框架，结合动态和静态分析，利用大语言模型（LLM）从给定AIA中提取CDA相关信息。他们使用该框架在来自Google、NVIDIA、Hailo、Texas Instruments、NXP、AWS和Rockchip的七种不同AIA上探索CDA的可行性。分析表明，七种AIA中有六种存在CDA风险，影响超过128种片上系统（SoC）和超过1亿台设备。该工作已得到相应厂商确认，并分配了CVE-2025-66425。此外，作者提出了一种按需验证防御方案，在Gem5-salam模拟器上的评估显示其运行时开销极低（约15%）。本文适合安全研究人员、边缘设备厂商和AI硬件设计者阅读。