以太坊的共识安全依赖于多个独立实现的共识客户端在每一个状态转换上保持一致。如果不同客户端因实现错误而产生分歧，可能导致网络分叉、最终性停滞，甚至引发严重攻击。为防止这类共识分歧，以太坊提供了Python参考实现（consensus-spec）作为规范，并配套了手工编写的官方测试套件（spectests）。然而，由于以太坊的规范本身是可执行实现，其有效性条件隐含在运行时行为中，缺乏系统性的方法来确保所有有效性条件都被充分评估。本文提出SpecTrum框架，分三个阶段解决该问题：首先，引入Consensus-SpecTec，一种以太坊共识算法的机械化规范，将有效性条件显式化为if前置条件；其次，定义前置条件覆盖率（premise coverage）这一度量指标，用于衡量spectests中哪些if前置条件被评估为真或假；最后，开发一个基于规范的测试生成器，从未被spectests评估为假的前置条件中提取约束，并生成输入以评估这些条件。作者将SpecTrum应用于五个主流的以太坊共识客户端，识别出27个跨客户端分歧案例，其中22个若不插入机械化规范中的前置条件则无法发现。所有27个案例在不同分叉版本中均可复现，且将机械化规范扩展到新分叉所需的工作量与规范差异成正比。该研究的主要贡献在于提供了显式化的共识规范、新的覆盖率指标以及自动化测试生成方法，有助于提升以太坊共识客户端的一致性和安全性。适合共识协议开发者、区块链安全研究人员以及以太坊客户端维护者阅读。

该论文聚焦于处理器规范（processor specification）的正确性验证问题。处理器规范是反汇编器、反编译器、模拟器等关键安全与程序分析工具的基础，但其正确性很少被系统检查。规范中的错误会扭曲程序行为、掩盖漏洞，甚至为分析规避技术提供可乘之机。论文首次针对开源社区广泛使用的 SLEIGH 语言规范（尤其是 Ghidra 所使用的）开展系统性验证。作者设计并实现了一个名为 InSPECtor 的测试框架，采用基于代理的自动 oracle 验证策略。该方法利用规范本身编码的结构来枚举可解码的指令形式，并生成有针对性的初始状态；随后通过对比执行相同指令的模拟器与硬件参考实现，进行差分测试，从而验证指令解码与模拟的正确性。研究覆盖了多种风格迥异的开源规范，包括 x86-64、AArch64、ARM/Thumb、RISC-V 和 MSP430，这些规范在编写风格、作者偏好及指令集架构设计上存在显著差异。实验发现了超过 38,920 处不一致，并从中提炼出 125 个独特缺陷，且提出了修复建议；这些缺陷涵盖解码错误、语义缺陷以及跨厂商不一致问题。作者将发现归纳为 8 条具体建议，以推动未来规范质量的改进。该工作强调了规范正确性的重要性，并提供了实用工具来大幅提升 SLEIGH 处理器规范的保真度，从而增强下游安全与分析工具的可靠性。

该论文针对跨深度学习框架API的一致性问题展开研究，提出了一种差分测试方法，旨在自动发现不同深度学习框架（如TensorFlow、PyTorch等）中同名或相似API之间的行为不一致性，并进一步揭示由此可能导致的安全漏洞。核心思路是构造能够触发API行为差异的测试输入，通过对比多个框架在同一API调用下的输出或行为，识别不一致点。实验部分作者构建了大规模测试套件，覆盖主流框架，并成功发现了多类不一致性，包括数值精度误差、错误处理差异、甚至某些API在特定框架下存在未文档化的行为或潜在安全隐患（如内存泄漏、崩溃等）。论文的主要贡献在于：首次系统性地定义了跨框架API不一致性的类型与严重程度；提出了高效的差分测试生成策略；并基于发现的不一致性，进一步分析了其对依赖多框架部署的应用（如模型转换工具）的安全影响。读者群体包括深度学习框架开发者、安全研究员以及依赖多框架兼容性工程的从业者。

Python原生的序列化协议pickle虽然功能强大，但存在已知的安全风险，尤其是在传输不可信数据或保存机器学习模型时。为了缓解风险，开发者通常会在反序列化时限制导入的模块，或使用静态和动态分析工具检测恶意负载。然而，这些方法依赖于对Pickle虚拟机（PVM）操作码的准确解释，而Python的三种原生PVM实现（pickle、cPickle、_pickle等）之间存在行为差异，可能导致误判或漏检。为了高效、可扩展地发现这些差异，本文提出了PickleFuzzer，一种基于生成的定制化模糊测试工具。PickleFuzzer根据自定义语法生成pickle对象，然后分别传递给不同实现，通过比较异常抛出和关键内部状态的变化来检测不一致性。它不需要规范的预言机，而是通过差分测试比较执行行为。实验发现了14个新的不一致性，其中4个是严重的安全缺陷，可绕过Hugging Face等模型托管平台使用的安全扫描工具。作者已向Python软件基金会报告了所有发现，并通过漏洞赏金平台获得750美元奖励。研究表明差分测试是发现pickle实现中安全相关差异的有效方法，为未来更定向的模糊测试提供了方向。

本文提出 Chai，一个基于 AI 的漏洞发现系统，专门针对加密误用（cryptographic misuse）这类缺少传统插桩检测支持的漏洞类型。传统 AI 辅助漏洞发现主要依赖内存安全等具有明确插桩验证的漏洞类，而对于加密误用，由于缺乏运行时验证机制，现有方法难以兼顾精度与召回。Chai 重新审视并改进了差分测试（differential testing）技术，利用 AI 提升对库级安全问题的检测精度，并将通常被忽视的差异信号转化为下游应用中的具体漏洞线索。具体而言，Chai 颠覆了传统 AI 漏洞发现的“一个代码库、多个漏洞”范式，改为在库级别编目缺陷，并通过加密依赖图将其传播到各下游应用，从而实现复合效率增益。评估覆盖 X.509、JWT 和 SAML 三个库族：Chai 在驱动数十亿设备的 SSL 库中发现了一个之前未知的严重漏洞，还在一个主流浏览器使用的库和一个主流 Linux 发行版使用的库中发现了安全问题，总计发现超过 100 个漏洞。该工作证明了 AI 在无插桩漏洞类上的有效性，为加密误用检测提供了新思路。

该论文关注AI驱动系统进化中隐藏的弱点问题。近年来，计算机系统社区对AI驱动的系统进化兴趣日益增长，即利用AI智能体迭代地重写系统代码。例如AdaEvolve和Engram等框架声称相比于人工设计算法可获得12-60%的分数提升。然而，这些AI进化程序可能在未见过的负载上表现更差，或出现可扩展性退化，这引发了实际担忧。鉴于AI生成代码的速度和规模，需要自动化机制来发现此类隐藏弱点。为此，作者提出AIChilles系统，它以基线程序P和AI进化程序P'为输入，自动搜索有效的负载，使得P'在正确性、运行时间、内存使用或输出质量方面相对于P发生退化。为应对系统应用的多样性、弱点类型和潜在错误，AIChilles结合了确定性工作负载参数提取、基于智能体的约束推断、差分预言机以及代码频率覆盖等技术，以发现多样化的故障。在5个系统应用和30个AI进化程序上的实验表明，AIChilles共发现了49个不同的隐藏弱点。此外，将AIChilles显式纳入AI驱动的开发周期可以有效缓解其中的若干弱点。该工作展示了自动化评估和提升AI生成代码鲁棒性的重要方向。