本文提出 BUGSTONE-E2E，一种将漏洞历史（尤其是 CVE 修复提交）转化为可执行检测规则并自动化验证的端到端框架。当前公共漏洞数据库虽然记录了已知软件缺陷的类型、影响组件和补丁信息，但这些信息主要用于人工查阅，缺乏自动化复用机制，导致相同的不安全编码模式可能仍存在于未关联 CVE 的代码中。BUGSTONE-E2E 首先从经过验证的修复提交中挖掘可复用规则，内容包括扫描锚点（如函数调用模式）、修复语义（具体代码变更逻辑）以及 CVE 溯源信息，并按 CWE 分类和编程语言组织。检测阶段采用漏斗式流水线：早期阶段以轻量级分析处理大量候选代码，例如使用 Tree-sitter 枚举匹配规则锚点的调用点，并通过无 LLM 调用的启发式方法筛除良性模式；后期阶段则对剩余目标使用越来越强且昂贵的模型。具体地，LLM 智能体依据规则检查候选点，随后系统对幸存对象进行重新分类并构建运行时验证，最终生成经过作用域检查的补丁，并通过双向差分测试进行确认。实验基于 2022 年至 2026 年间 19,325 个高危 CVE，识别出 2,710 个修复提交，构建了覆盖 56 个 CWE 家族的 1,033 条检测规则，并封装为 172 个技能。将这些规则应用于 14 个程序时，系统产生了 644 个具有运行时证据的发现。结果表明，CVE 历史可以转换为可执行的工作流，将过去的安全漏洞转化为可复现的检测与修复机制。该研究适合从事自动化代码审计、漏洞挖掘、AI 安全与软件工程交叉领域的安全研究人员。

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。