该论文由Google DeepMind团队撰写，首次提出了面向内部安全的AI控制路线图（v0.1），旨在应对可能不协调（misaligned）的AI智能体。随着AI智能体在研发、网络防御和科学发现中加速应用，传统的安全假设（AI始终对齐）不再可靠，需要构建多层次防御体系。论文的核心贡献包括三部分：首先，提出了一种保守的威胁建模方法，假设存在一个追求不良目标的假设性AI对手，并基于MITRE ATT&CK框架构建了TRAIT&R分类法，系统梳理了此类对手可能使用的战术和技术。其次，提出了基于能力的缓解措施，将防御手段与模型能力（如透明推理、复杂网络攻击执行能力）挂钩，随着模型能力增强，防御措施相应升级，定义了四个检测等级（D1-D4）和三个预防与响应等级（R1-R3）。最后，给出了15种具体、分级的防御措施，从针对当前模型的低成本方案（如思维链监控、异步告警）到针对未来模型的先进防护（如实时访问控制、系统级异常检测、内部激活监控和关闭基础设施）。论文指出，AI控制是一个新兴领域，实施这些措施需要在安全性和开发速度之间权衡，路线图将随经验积累和领域发展而演进。该文适合AI安全研究人员、安全架构师及前沿AI公司的安全团队阅读。

该论文聚焦于基于代理的AI系统（agent-based AI）在医疗报告生成应用中的安全风险与缓解措施。通过将AI代理暴露给多个工具和资源，LLM能够自动化复杂任务，但为了提升功能和准确性，代理常被授予超出普通用户的权限，这可能导致数据泄露和法规违规。论文应用了AI信任、风险与安全管理（TRiSM）框架，将不安全的代理工作流改造为安全意识的代理工作流。作者针对医疗报告生成场景，设计了两种工作流（不安全 vs. TRiSM引导），并使用五种LLM（Claude Haiku 4.5, GPT-4.1-nano, GPT-4.1-mini, GPT-5.4-mini, Gemini 2.5 Flash）在两种报告类型上进行了评估，总计800次生成和500个攻击场景（包括RAG投毒、数据字段注入、客户端网络注入）。实验结果表明：TRiSM引导的代理工作流将RAG投毒的平均攻击成功率从31%降至10%，数据字段注入从42%降至25%，并通过服务器端提示构建完全消除了网络注入向量。此外，报告准确率从72.5%提升至86.5%（增加14个百分点），证明了安全设计能同时提高输出可靠性。论文的贡献在于展示了最小权限、深度防御的代理工作流可以改善安全性和准确性，同时强调了模型选择是架构中必要的考量因素。适合安全研究人员、AI开发者和医疗IT从业者阅读。

该论文聚焦于Android内核面对一日漏洞（one-day exploits）时，现有纵深防御机制的有效集成问题。研究背景是：Android系统依赖内核安全机制（如访问控制、控制流完整性、地址空间布局随机化等）来抵御已知漏洞的利用；然而，这些防御在集成到实际内核中时，往往存在配置错误、不完整实现或兼容性缺陷，导致防御效果大打折扣。论文提出了一种系统化的评估方法，分析多个Android内核版本中主要防御机制的集成完整性。方法包括：构建自动化测试框架，检查防御特性是否启用、配置是否正确、是否有已知绕过路径；对比不同OEM厂商的内核镜像，发现集成差异。实验表明，许多设备存在“防御深度”不足的问题，例如某些CFI保护未覆盖所有关键代码路径，或内核页表隔离不完整。主要贡献是：量化了防御集成缺陷的普遍性，揭示了OEM厂商在安全更新中的常见遗漏，并给出了可操作的修复建议。该研究适合Android安全工程师、内核开发者及移动设备安全研究人员阅读。

本文提出了一种名为“Memory Band-Aid”的纵深防御方案，旨在缓解Rowhammer攻击。Rowhammer是一种利用DRAM内存单元间电磁干扰的硬件漏洞，攻击者通过密集访问同一内存行（激活行），可能导致相邻行发生位翻转，从而破坏数据完整性或实现权限提升。现有防御措施如目标行刷新（TRR）存在局限性，尤其是随着DRAM工艺尺寸不断缩小，Rowhammer攻击的阈值逐渐降低。Memory Band-Aid方案采用多层防御架构：首先，在系统层面引入随机化内存分配策略，增加攻击者预测目标行的难度；其次，在内存控制器层面增强刷新策略，根据实际访问模式动态调整刷新频率；最后，在操作系统层面集成异常检测机制，监控内存访问模式以识别潜在的Rowhammer行为。实验在多种DRAM模块上进行，结果表明该方案能有效降低位翻转概率，且性能开销小于5%。本文的主要贡献在于提出了一个可实际部署的、原则性的纵深防御框架，并分析了其效果与权衡。适合系统安全研究员、内存控制器设计者及操作系统开发者阅读。