本文针对源代码中硬编码密钥（hardcoded secrets）的检测问题展开研究。传统基于正则表达式的方法依赖可识别的模式，但真实密钥往往缺乏固定格式，导致精确率和召回率都不理想。近年来的方法尝试利用上下文信息，通过分析候选字符串周围的代码来推断其用途，但面临三个关键挑战：一是混淆鲁棒性差，模型过度依赖容易被混淆的标识符；二是跨语言泛化困难，原因是训练数据在不同语言上分布不均；三是上下文过长且噪声多，引入大量无关词元并拖慢推理速度。作者观察到，字符串字面量本身是代码语义的关键信息来源，具有较高的上下文密度、较好的混淆鲁棒性和语言无关性。基于此，他们提出 StringGroup，一种新颖的上下文提取算法，通过挖掘潜在密钥周围的字符串来构建更有针对性的上下文。该算法对现有检测模式进行简单修改，将分析范围缩小到字符串字面量，从而仅使用原有上下文的 33.2% 就能保留超过 80% 的语义信息，显著提高了秘密检测的信噪比。在此基础上，作者设计了基于 StringGroup 和 Transformer 模型的上下文感知秘密检测工具 Secretron。在 SecretBench 数据集上的评估显示，其 F1 分数达到 98.74%，并且在混淆和跨语言场景下具有很强的鲁棒性，优于当前最先进的基于 LLM 的基线方法。此外，作者已在真实环境中部署该工具，从 26 个应用中成功检测到 48 个此前未知的秘密密钥，验证了其实际有效性。本文适合软件安全研究人员、DevSecOps 工程师以及关注源码泄露防护的安全团队阅读。

该论文聚焦于移动GUI代理（如基于截图的智能体）在执行任务时面临的隐私暴露问题。这类代理通过模拟人类用户操作手机应用，需要实时截取屏幕截图发送给远程的多模态模型进行处理。然而，截图会包含大量与当前用户请求无关的敏感信息（如联系人、消息、照片、健康提示等），作者称之为“偶然视觉隐私暴露”。现有防御手段存在不足：文本匿名化无法覆盖视觉和推断性线索，而通用隐私遮挡可能移除代理完成任务所需的证据或控件。为此，论文提出CAPED（Context-Aware Privacy Exposure Defense），一种上下文感知的上传前暴露控制层。CAPED作为手机端保护层，在截图发送到远程多模态代理之前，提取任务需求、利用屏幕上下文作为隐私先验、解析可见UI元素，选择性地只暴露当前任务所需的内容，同时遮挡无关的隐私内容。实验在AndroidWorld上进行任务效用评估，并设计了28个任务的种子隐私评估来测量轨迹级别的偶然泄露。在种子评估中，完整版CAPED将加权种子泄露从原始截图的0.766降至0.268，同时保持高任务效用。在更广泛的AndroidWorld运行中，原型仍存在一定的效用成本，但结果支持核心主张：截图上传应被视为明确的设备-云边界决策，由任务驱动的选择性暴露而非全有或全无的屏幕共享来控制。该工作主要贡献在于提出了一种实用的、可部署的手机端隐私保护框架，平衡了隐私与功能性，适合移动安全、隐私保护、AI安全等方向的研究者阅读。

该论文提出了SHARD，一种细粒度的内核定制与上下文感知加固技术。现代操作系统内核的复杂性导致攻击面不断增大，传统加固方法（如粗粒度的内核模块禁用或通用安全策略）往往难以兼顾安全性和灵活性。SHARD的核心思想是：基于应用程序的内核使用模式，动态生成高度定制的内核变体，仅在应用执行特定操作时激活必要的内核代码路径，从而大幅减少攻击面。具体而言，SHARD通过静态分析识别应用的内核交互模式，结合运行时上下文感知机制，在保持兼容性的前提下，动态切换内核函数的可用性。实验在Linux内核上实现原型，评估显示SHARD能够消除平均70%以上的内核漏洞相关代码，性能开销低于5%。该方法为内核安全提供了一种精细化的加固方向，尤其适用于云环境、容器和物联网等场景，其中内核攻击面削减是核心需求。