该论文提出并量化了「静态通过、动态失败」（Static-Pass Dynamic-Fail, SPDF）现象：代码通过了静态安全扫描，但在真实运行时仍可被利用。作者指出，静态分析因可扩展、可复现、成本低，被广泛当作软件供应链与 AI 生成代码的安全闸门，但它无法直接观察运行时的利用行为；那些依赖对抗性输入、执行上下文或漏洞链式组合才能触发的缺陷，往往能绕过静态检查而在实践中仍具可利用性。然而业界普遍把「静态扫描通过」等同于「行为安全」，这正是论文试图挑战的假设。为验证这一问题，作者构建了一个三阶段智能体流水线：第一阶段用 Bandit 与 Semgrep 组成的复合静态闸门做初筛；第二阶段由 LLM 驱动的 CWE（通用弱点枚举）推理，对静态无告警的样本重新审视，判断是否存在候选弱点；第三阶段在隔离的 Docker 容器中执行自主可利用性验证，以获得运行时证据。实验覆盖 SecurityEval、RedCode 与 CyberNative 三个数据集的 1355 份 Python 样本。在 654 份复合静态闸门零告警的样本中，LLM 阶段在 235 个文件中识别出 394 个候选漏洞；动态验证在 95 个文件中确认或部分确认了可利用性，得到 14.53% 的「包含式流水线比率」——即约每 7 份静态干净样本中就有 1 份被流水线发现候选弱点并获得运行时利用证据。分数据集看，候选「文件—CWE」对中的确认率差异明显：RedCode 为 33.7%，CyberNative 为 28.6%，SecurityEval 仅 5.4%。值得注意的是，包括 CWE-338（弱伪随机数）与 CWE-916（口令哈希计算量不足）在内的若干高频确认类别，Bandit 与 Semgrep 均未告警。作者由此论证：静态分析通过率与运行时安全性并非可互相替代的同一度量，而是软件保障体系中不同层级的指标。

本文提出了一种名为 ProtocolGuard 的新型漏洞检测框架，用于检测网络协议实现中的协议不合规（non-compliance）缺陷。这类缺陷通常源于开发者在实现协议规范时对状态转换、字段约束或时序逻辑的错误理解，可能导致安全问题或功能异常。ProtocolGuard 的核心思路是将大语言模型（LLM）引导的静态分析与动态验证相结合：首先，利用 LLM 从协议描述和代码中提取协议状态机、消息格式及合规规则，并生成候选的不合规路径；其次，通过静态分析在源码层面定位与候选路径相关的关键代码位置，减少误报；最后，借助动态验证实际执行这些路径，确认是否真实存在不合规行为。该方法避免了传统模糊测试对协议语义理解不足的问题，也弥补了纯静态分析在逻辑验证上的局限。文章通过实验证明了 ProtocolGuard 在多个真实网络协议实现中发现不合规缺陷的有效性，并展示了其比现有方法更高的检出率和更低的误报率。该研究的核心价值在于为协议安全分析提供了一种可扩展、可自动化的人机协同思路，使安全工程师能够更高效地审计复杂的协议实现。适合协议安全研究人员、静态分析工具开发者以及负责网络组件安全审计的蓝队人员阅读。