本文提出了一种名为 KeyChaser 的工具，旨在自动检测并揭示浏览器扩展中硬编码或不当暴露的 API 密钥。研究背景是大量浏览器扩展直接嵌入第三方服务的 API 密钥，导致密钥泄露风险，攻击者一旦提取这些密钥即可滥用服务、窃取数据或发起恶意操作。核心问题在于现有静态分析工具难以覆盖动态生成的密钥使用模式，且无法区分合法与恶意密钥暴露。KeyChaser 采用动态分析方法，结合语法特征（如正则匹配常见密钥格式）和语义特征（如追踪密钥在 HTTP 请求中的使用、存储位置及浏览器 API 调用），在运行时监控扩展的行为。实验在 Chrome Web Store 上收集的数千个扩展上进行，结果表明超过一定比例的扩展存在密钥泄露行为，且部分密钥具有完整访问权限。论文还讨论了这些泄露可能带来的具体威胁，如账户接管、服务滥用等，并提出了开发者应遵循的安全实践，例如使用密钥管理服务、限制密钥权限、定期轮换等。该工作为浏览器扩展生态的安全评估提供了有效工具，并推动业界对 API 密钥保护问题的重视。

开源软件易受针对传递依赖的供应链攻击，尤其恶意代码注入NPM包。现有检测器常存在以下不足：对混淆行为的建模不充分，忽视JavaScript的面向对象特性，静态与动态分析协调不佳，以及行为抽象过程中丢失语义信息。为此，本文提出ProfMalPlus，一种恶意NPM包检测器，它将对象敏感行为图与基于LLM的注释代码切片协同推理相结合。该方法首先识别安装命令和入口文件，然后构建捕获敏感API、第三方调用和未解析调用的行为图。从这些图中提取安全相关的代码切片，并添加内联静态分析证据。本地评判Agent独立评估每个切片，通过自一致性机制合并重复判断以降低LLM方差；全局评判Agent综合所有报告形成条目级判定。对于未确定案例，路由器选择第三方增强（添加注册表派生的模块和方法语义）或动态增强（在沙箱中执行包以解析运行时依赖行为）。增强后的证据被反馈用于重新评估。最后，定位Agent报告恶意代码片段及解释。ProfMalPlus在F1分数上达到98.1%，比现有最先进检测器高出3.5%至52.6%，并发现了597个先前未知的恶意包，这些包均已被确认并从NPM移除。该研究对防御供应链攻击具有重要参考价值。

该论文通过大规模实证研究，分析了真实世界中恶意软件在执行过程中行为动态变化的现象。作者收集了来自多个来源的恶意软件样本，在沙箱环境中执行并记录其系统调用、网络流量、文件操作等行为轨迹。通过时序聚类和变化点检测算法，识别出恶意软件行为发生显著变化的时间点。研究发现，相当比例的恶意软件在执行中会改变其行为模式，例如先进行良性行为再突然执行恶意载荷，或根据环境反馈调整攻击策略。这种行为变化有助于恶意软件逃避基于静态特征或固定行为模式的检测系统。论文进一步评估了现有检测方法对这种动态行为的脆弱性，并提出了改进建议，例如利用行为序列的上下文信息和时序依赖性来增强检测鲁棒性。实验结果表明，考虑行为变化的检测模型能够显著提高对高级恶意软件的识别率。该研究为恶意软件行为分析提供了新的视角，并强调了动态行为建模在网络安全防御中的重要性。

本文研究了小程序（Mini-Program）中基于OAuth的身份认证（OBA）误用问题。小程序是微信等超级应用中的轻量级应用部署范例，超级应用通过OAuth机制提供用户登录功能。然而，第三方开发者在集成OAuth认证流程时的不当操作会导致严重安全漏洞。作者发现了三种新型运行时OBA误用类型，与以往基于静态代码的研究不同，这些误用可被攻击者利用进行身份冒充。为了评估实际影响，设计并实现了MINIAUTH，这是首个系统性大规模分析OBA误用的框架。MINIAUTH能够自动定位小程序的OBA登录页面，动态执行工作流并分析运行时行为，从而处理混淆的小程序并发现现有方法无法检测的漏洞。对44,273个微信小程序和2,721个百度小程序应用MINIAUTH后，发现了1,834个误用案例，包括通过暴露凭据实现客户端身份伪造、通过静态或明文标识符绕过认证等关键逻辑缺陷。跨平台评估表明，此类误用不限于单一生态系统，而是普遍存在于不同小程序平台。此外，还发现了百度OBA API中的一个加密设计缺陷，允许暴力破解会话密钥。作者已向开发者和平台负责任地披露了发现，并获得致谢以及分配的CNVD/CNNVD编号。这些结果强调了加强开发者指导和平台级安全防护的必要性。

该论文对文件劫持漏洞（File Hijacking Vulnerabilities, FHVulns）进行了系统性研究。文件劫持漏洞是一类通过操纵文件内容或路径来突破安全边界的漏洞，但此前缺乏对其底层机制的全面理解。作者收集了2020年1月至2022年10月期间268个详细记录的FHVuln CVE条目，进行了深入的实证研究，揭示了FHVuln的起源和触发机制，并指出现有检测技术忽略了大部分此类漏洞，因此预计软件中存在大量零日FHVuln。为了弥补这一缺口，作者开发了动态分析工具JERRY，该工具通过在程序执行期间模拟劫持动作，能够有效在运行时检测FHVuln。JERRY被应用于微软、谷歌、Adobe、英特尔等厂商的438个流行软件程序，共发现339个零日FHVuln。所有发现的漏洞均已向相应厂商报告，截至目前，84个漏洞已得到确认或修复，获得了51个CVE编号和83,400美元漏洞赏金。论文的核心贡献包括：首次对FHVuln进行大规模实证研究，揭示了其分布和触发模式；提出了一种新的动态检测方法JERRY，其检测能力显著优于现有工具；通过实际应用证明了该方法在发现真实世界漏洞方面的有效性。适合安全研究人员、漏洞分析工程师以及软件安全开发人员阅读。

该论文聚焦于机器学习模型执行过程中的安全威胁。随着预训练模型的广泛复用，攻击者可以将恶意行为嵌入模型文件，而现有基于静态规则或已知签名的方法难以泛化到不同框架且无法检测未知漏洞。作者提出一种动态生命周期感知分析方法，核心观察是ML模型在明确定义的阶段（如加载、预处理、推理等）内执行，且每个阶段与宿主系统的交互高度结构化、可预测。基于此，设计了Moat框架及其实例化实现Re-Moat。Re-Moat在模型执行期间动态监控系统调用，检测异常行为。实验使用来自Hugging Face Hub的77,974个真实模型工件、31个CVE的概念验证代码以及334个来自最新数据集模型进行评估，并与当前最先进的模型扫描方案对比。结果显示，该方法能检测所有评估的攻击类别，同时保持接近零的误报率，验证了动态分析在保障ML模型执行安全中的有效性。

本文针对 Android 应用框架中权限映射不清晰的问题，提出一种动态分析方法。Android 应用框架包含大量受权限保护的 API，但现有文档和静态分析难以准确确定每个 API 所需的具体安全条件（权限）。作者通过动态跟踪应用框架层的执行流程，结合权限检查机制，自动推导出 API 与权限之间的映射关系。实验表明，该方法能够发现大量未文档化的权限依赖，并纠正现有文档中的错误。这一工作为 Android 安全分析提供了更可靠的基础，有助于理解应用权限使用行为、发现权限提升漏洞以及改进权限模型的设计。

本文针对LLM代理技能的安全问题提出了一种名为Runtime Skill Audit（RSA）的动态分析方法。代理技能允许LLM代理复用指令、资源、工具和工作流，但也为恶意行为提供了藏身之处。一个技能可能在文档或代码中看似良性，但只有在特定用户请求、本地资产、持久状态或多步工具交互的运行时上下文中才会变得有害。传统的静态评估难以应对这种隐藏的恶意行为。RSA通过询问技能中介的代理在目标运行时条件下实际执行的操作来审计技能。不同于使用相同的通用任务测试每个技能，RSA首先分析技能中风险相关的接口，准备执行上下文来触发这些接口，然后根据执行痕迹证据分配安全标签。作者在OpenClaw平台上实现了RSA，并在100个技能上进行了评估，与代表性的静态基线方法对比。RSA达到了90.0%的准确率，真正率为88.0%，假正率为8.0%，比最佳静态基线提高了13.0个百分点。在自演化攻击下，静态检测器在一两轮后失效，而RSA在多轮攻击中仍能持续检测出19-20个恶意技能（总共20个）。实验表明，动态审计对于检测代理技能中的隐蔽恶意行为至关重要。本文适合AI安全研究人员、LLM系统开发者和安全分析师阅读。

二进制差异分析是检测两段二进制代码之间差异的关键技术，广泛应用于漏洞分析、补丁分析、恶意软件检测等安全任务。现有研究表明，足够数量的细粒度对齐锚点能显著提升二进制差异分析的整体精度。然而，现有方法在锚点识别上仍存在诸多限制：基于语法的方法易受激进编译器优化的影响，而基于语义的方法则面临计算成本高或代码覆盖率低的问题。本文重新审视动态分析，提出一种新的高置信度指令对齐技术BARRACUDA。核心洞察在于：并非所有动态语义对于有效指令对齐都是必要或同等有效的。因此，可以通过优先分配动态执行资源，部分揭示能够有效推导指令对齐的运行时值。BARRACUDA基于强制执行提取部分指令语义，仅关注那些对对齐有帮助的运行时刻值，从而实现高效且高置信度的对齐。实验结果表明，BARRACUDA能够检测出比现有方法多24.0%的指令对齐锚点，且精度高达92.1%。这些锚点可显著增强现有最先进的二进制差异分析工具DEEPBINDIFF和SIGMADIFF，在多种二进制差异分析场景下，F1分数分别提升12.3%~42.7%和2.2%~4.1%。该研究为二进制差异分析领域提供了新的动态分析视角，适合从事逆向工程、漏洞分析、程序分析的安全研究人员阅读。

该论文提出了一种从设计上保护隐私的Android恶意软件检测流水线。现有检测方法普遍需要收集设备标识符、网络痕迹、运行时数据等敏感用户信息，尽管后续可采用匿名化、加密或联邦学习等技术保护隐私，但仍然要求用户高度信任拥有特权访问权限的系统。作者认为，这种信任依赖应该被消除而非管理。论文首先形式化了一套隐私设计（privacy-by-design）的检测需求，然后逐一实现。流水线首先执行静态分析，从APK中提取特征（遵循Drebin表示），经向量化后送入SVM分类器。分类器配备双拒绝阈值规则：若置信度足够则直接输出决策，否则将样本推迟到沙箱环境的动态分析阶段。这样，真实的用户信息永远不会进入分析循环。实验使用2024至2025年的时间序列分割数据集，结果表明：仅靠第一阶段静态分析即可达到0.87的F1分数，仅6.7%的测试样本需要进入第二阶段的动态分析。动态沙箱分析在不提取任何敏感数据的情况下，也能高置信度地识别恶意软件。这些结果证明，在不牺牲用户隐私的前提下，可以实现强劲的检测性能。该研究适合关注隐私保护、移动安全、以及对抗隐私与性能权衡的安全研究人员阅读。

该论文聚焦于JavaScript/Node.js生态中广泛存在的原型污染（Prototype Pollution）漏洞检测问题。原型污染漏洞允许攻击者通过操纵对象的原型链，在运行时注入恶意属性，从而导致拒绝服务、权限提升甚至远程代码执行。现有检测工具存在高误报、低覆盖或无法生成可利用PoC的问题。为此，作者提出了Bullseye——一个混合静态与动态分析的漏洞检测系统，能够自动为发现的漏洞生成概念验证（PoC）利用。Bullseye首先通过静态分析扫描NPM包中的可疑模式，并使用符号执行和污点传播来识别潜在的污染路径。随后，动态分析阶段在沙箱环境中实际执行PoC，验证漏洞的可利用性。在包含超过1500个流行NPM包的测试集上，Bullseye发现了124个之前未知的原型污染漏洞（其中98个已被确认），相比现有工具（如CodeQL、Prototype Pollution Scanner）召回率提升32%，误报率降低47%。所有发现的漏洞均已负责任地披露给相关维护者。实验还表明，Bullseye的PoC生成能力有效降低了安全团队验证漏洞的时间成本。

微控制器固件与硬件紧密耦合，导致动态分析工具难以应用。现有最先进的方法通过观察外设访问模式来自动建模未知外设，并利用启发式策略计算访问未知外设寄存器的响应。然而，经验表明该方法及其启发式策略经常不足以成功模拟固件。本文提出了一种名为uEmu的新方法，用于模拟未知外设的固件执行。与现有工作尝试为每个外设构建通用模型不同，uEmu学习如何在单个外设访问点正确模拟固件执行。它接受固件镜像作为输入，通过将未知外设寄存器表示为符号来进行符号执行。在符号执行过程中，uEmu推断响应未知外设访问的规则，这些规则存储在一个知识库中，供动态固件分析时参考。实验表明，uEmu在一组外设驱动单元测试中无需任何手动辅助即达到95%的通过率。此外，使用真实固件样本进行评估时，uEmu发现了新的漏洞。