本文针对深度学习编译器生成的DNN可执行文件缺乏安全保护的问题，提出了OBSan，一种用于检测DNN可执行文件中越界（Out-of-Bound, OOB）行为的快速消毒器。DNN涉及双向计算：前向传播（预测输出）和后向传播（梯度计算）。神经元激活值和梯度都应落在有效范围内，偏离则视为OOB。OOB主要由异常输入引发，可能导致误预测甚至被对抗样本利用。OBSan包含两个变体：FOBSAN检测前向传播中的OOB，BOBSAN检测后向传播中的OOB。两者作为DL编译器的额外pass集成到大规模DNN模型中，并设计了多种优化方案降低开销。在多种异常输入下的评估表明，OBSan具有良好的OOB检测能力且开销低。此外，论文展示了两个下游应用：阻止在线对抗样本生成和促进面向DNN可执行文件的反馈驱动模糊测试。该研究适合编译器开发、DNN安全研究人员及AI系统防御者阅读。

现代深度神经网络（DNN）通过反复微调来融入新数据与功能，但这种演进工作流引入了安全风险：当更新数据不完全可信时，攻击者可能在微调过程中植入后门（Trojan）。现有的后门检测方法通常需要重建触发器或依赖干净验证集，假设条件强且计算开销大。本文提出MIST（Malicious update Identification via Spectral regression），一种基于谱回归分析的后门检测方法。核心思想是：良性微调过程中，模型内部表示（各层预激活值）的谱分布变化具有一致的模式；而后门植入会导致谱偏离这种良性演化模式。MIST将后门检测视为模型更新上的回归问题：首先在良性微调阶段建立预激活谱的参考分布，然后计算每次更新的谱距离，若距离显著偏离参考则标记为恶意。实验在CIFAR-10、GTSRB、Tiny-ImageNet和SVHN四个数据集以及BadNets、TrojanNN等八种后门攻击下进行。结果表明：单次更新后，MIST即可可靠区分后门更新与干净微调，检测准确率优于现有方法（如Neural Cleanse、STRIP等）；在多次良性更新后，性能仅有轻微且可控的退化。MIST无需了解任何中毒数据或触发条件，也不假设攻击方式，是一种假设轻量、鲁棒性强的检测信号。适合关注模型供应链安全、微调安全的研究人员和工程团队。