Needles at Scale: LLM-Assisted Target Selection for Windows Vulnerability Research
现代操作系统的攻击面如同一个巨大的干草堆：包含数千个已签名的二进制文件和数百万个函数，其中绝大多数与任何特定漏洞无关。人类分析师或LLM代理必须先挑选出值得阅读的函数，然后才能进行分析。在整个操作系统范围内，目标选择（而非分析）成为了制约瓶
#cs.SE
共收录 457 条相关情报。
← 返回所有主题SABER: Benchmarking Operational Safety of LLM Coding Agents in Stateful Project Workspaces
随着大语言模型（LLM）越来越多地被用作编码代理（coding agents），安全问题从单个响应的安全性转移到操作序列的连续性。现有的安全基准主要评估模型是否拒绝不安全提示，而忽略了在状态化项目工作空间（stateful project
When Safe Skills Collide: Measuring Compositional Risk in Agent Skill Ecosystems
该论文研究了LLM代理系统中一个核心安全问题：即使每个独立的技能（skill）本身是安全的，将它们组合成技能集（skill set）后是否可能产生不安全的行为。作者提出了SkillReact框架，这是一个组合安全测量框架，包含三个部分：确定
Separating Secrets from Placeholders: A Hybrid CNN-CodeBERT Framework for Three-Class Credential Leakage Detection
本文针对公开源代码仓库中凭证泄露的严重安全问题展开研究。2024年已有超过2380万个秘密被暴露，现有检测工具由于依赖刚性模式匹配和二元分类（仅区分真实凭证与非凭证），导致大量误报——无法有效区分真实凭证与占位符或弱凭证。为此，作者提出一个
How to Compare the Security of Code Written by Humans to LLM-generated Code
随着大型语言模型（LLM）在软件开发中的广泛应用，如何客观比较LLM生成代码与人类编写代码的安全性成为一个关键问题。目前缺乏标准化的实证研究方法，导致难以评估LLM是提升还是削弱了安全基线。为此，本文提出一个自动化框架，用于在纯人类、纯LL
R+R: Reassessing Java Security API Misuse in Current LLMs: A Replication on JCA and JSSE APIs with External Security Knowledge
该论文针对LLM生成Java代码中安全API（JCA和JSSE）的误用问题进行了复制与扩展研究。2024年的原始研究表明，LLM生成的代码普遍存在安全API误用风险，但该结论基于较早期的模型。本工作选取了前沿闭源模型GPT-5.5和强开源模
FASR: Automated Identification of Unsafe Control Actions in STPA
该论文提出了一种名为FASR（Formalizing and Automating STPA with Robustness）的自动化工具，旨在支持系统理论过程分析（STPA）中的不安全控制动作（UCA）识别。STPA是一种广泛应用于安全关
Investigating Detection and Obfuscation of Prompt Injection Attacks Against Software Reverse Engineering AI Agents
该论文研究了面向软件逆向工程的多智能体系统在分析二进制可执行文件时面临的提示注入攻击威胁。攻击者可将恶意注入字符串嵌入源代码或编译产物中，当AI代理解析反编译输出时触发异常行为。作者首先展示了如何利用现有反编译器检测被篡改后的可执行文件中的
Minimal Prompt Perturbations Lead to Code Vulnerabilities: Prompt Fragility and Hidden-State Signals in Coding LLMs
本文研究的是基于大语言模型（LLM）的编码助手在提示（prompt）受到微小扰动时，生成的代码是否会从安全变为脆弱。以往工作主要关注扰动对功能正确性的影响，而本文首次系统性地探讨对代码安全性的影响。作者在三种模型和五种编程语言上对提示进行词
Control Flow Graph Recovery for Dynamically Loaded Code via Symbolic Library Resolution
该论文提出一种结合符号执行与推测性库预加载的静态控制流图（CFG）恢复技术，专门针对依赖动态代码加载来逃避静态分析的加壳软件和现代恶意软件。现有静态分析方法无法处理运行时动态链接引入的间接调用，导致无法恢复完整的CFG。本文方法在符号执行环
CODEFUSE-DEBENCH: An Empirical Study on Readability, Recompilability, and Functionality
二进制反编译旨在将二进制代码恢复为高级语言源代码，但现有评估方法主要依赖语法相似性（如BLEU）或单一维度的可读性指标（如McCabe复杂度），无法反映实际可复用性。本文提出一种以可复用性为导向的评估范式，从三个正交维度衡量反编译器质量：可
SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers
智能合约反编译旨在从字节码恢复高级语言源代码，但现有评估方法存在数据集狭窄、指标不一致、语义一致性检查有限等问题。随着大型语言模型（LLMs）开始生成看似合理但语义可能偏离原始合约的Solidity代码，这一问题变得日益重要。本文提出SCD
Towards Demystifying and Repairing LLM-in-the-Loop Vulnerabilities
本文针对大型语言模型（LLM）集成到现代软件系统中引入的新型安全风险——LLM-in-the-loop漏洞进行了系统研究。现有工作多从传统软件漏洞角度分析，忽略了LLM及其依赖的下游组件（如框架）带来的独特危害。为填补这一空白，作者构建了首
How Agentic AI Coding Assistants Become the Attacker's Shell
这篇论文研究了一种针对Agentic AI编码助手的新型安全威胁。Agentic AI编码助手（如GitHub Copilot、Cursor等）能够代表开发者执行文件编辑、命令运行、互联网访问等操作，显著提升开发效率。然而，它们对外部工件（
FuzzPilot: Plateau-Triggered Recipe Validation for Structured Text Fuzzing
本论文提出 FuzzPilot，一种针对 AFL++ 模糊测试工具的控制器，旨在将昂贵的推理过程移出变异热路径。当覆盖率出现平台期时，FuzzPilot 会快照当前语料库，生成候选变异配方（以 JSON 数据形式表示），在独立的 AFL++
KYA: A Framework-Agnostic Trust Layer for Autonomous Systems with Verifiable Provenance and Hierarchical Policy Composition
该论文提出了KYA（Know Your Agents），一个框架无关的自主系统信任与治理层，旨在解决AI智能体运行中可能出现的错误、偏离、数据泄露或恶意行为等问题。K YA由五个核心原语组成：(1) 四门入站应用管道，结合Ed25519签名
Inverting the Shield: Systematically Generating Safety Tests from Policy Specifications
大型语言模型（LLM）的广泛部署迫切需要系统化的安全评估方法。现有方法要么依赖预定义视角的静态基准测试，要么采用动态红队探测潜在漏洞，但均存在依赖专家知识、缺乏系统保证、容易过时等局限。针对这些问题，本文提出 POLARIS 框架，将基于规
AI-Driven Adaptive Adversaries and the Erosion of Cryptographic Trust in Public Key Systems
该论文研究在人工智能驱动的自适应对手优化下，公钥密码学（PKC）安全性的侵蚀问题。核心问题是算法中心的密码安全模型与操作攻击现实之间的日益不匹配：现代攻击者不再直接破解底层密码基元，而是利用实现层面的可观测性（如侧信道、时序差异、错误处理等
Attested Tool-Server Admission: A Security Extension to the Model Context Protocol
该论文针对大语言模型（LLM）智能体与外部工具服务器之间通信的安全隐患，提出了一种名为“mcp-attested”的安全扩展机制。当前模型上下文协议（MCP）仅标准化了消息交换格式，但缺乏信任基础：主机（host）直接读取工具服务器自声明的
Innovations in Cardless Artificial Intelligence Banking: A Comprehensive Framework for Cyber Secure and Fraud Mitigation using Machine Learning Algorithms
本文提出了一种面向无卡人工智能银行系统的综合安全框架，旨在解决传统银行业务在数字化转型中面临的网络安全与欺诈风险挑战。该框架的核心创新点包括：1）利用AI驱动的数据加密技术生成自动虚拟卡，确保交易过程中敏感信息的最小化暴露；2）部署基于AI