该论文针对视频游戏生态系统中日益严重的网络犯罪问题进行了实证研究。尽管视频游戏行业拥有庞大的用户群体和复杂的社会经济体系，但针对玩家的网络犯罪却缺乏系统性的学术关注。作者结合定性分析与观察性分析，通过三个数据源展开研究：对57名国际参与者的在线调查、对两名已确认受害者的半结构化访谈，以及从多个在线游戏平台收集的2574条公开举报帖子。研究旨在刻画游戏相关攻击的特征、识别常见攻击载体与犯罪动机，并考察玩家的应对行为。主要发现包括：数字物品盗窃是攻击的主要动机；游戏特有的功能与服务（如物品交易、团队投票、锦标赛）促使玩家参与高风险互动；攻击者会针对客户支持流程中的弱点进行利用；某些安全机制仅提供虚假的安全感。该研究为理解游戏生态系统中的网络犯罪提供了经验基础，并揭示了现有防御措施的不足。

以太坊智能合约是运行在区块链上的自治去中心化应用，常常管理着价值数百万美元甚至更多的数字资产，因此成为网络攻击的主要目标。仅在2023年，由智能合约漏洞导致的直接经济损失就超过了十亿美元。为了应对这些威胁，学术界和商业界开发了多种漏洞扫描工具，但实践中大量漏洞仍然存在，表明现有工具的实际防护效果与预期存在明显差距。本文旨在系统性地研究这一差距。为此，作者构建了四个不同的数据集：第一个数据集包含从区块链直接提取的77,219份源代码；第二个数据集包含来自以太坊主网和测试网的超过400万份字节码；另外两个数据集分别包含近14,000个经过人工标注的智能合约和373个经过审计验证的智能合约，为在字节码和源代码两种层面进行严格的真实标签分析提供了基础。使用未标注的数据集，作者对18款漏洞扫描器进行了全面的定量评估，发现不同扫描器之间的检测结果存在显著差异。而对真实标签数据集的分析显示，所有被测工具的整体表现均不理想。该研究揭示了扫描器性能不佳的深层原因，并强调当前智能合约安全技术在处理现实开放问题上仍显不足，有效检测漏洞仍然是一个重大且尚未解决的挑战。本文的研究问题聚焦于现有扫描器在真实场景下的检测能力缺口，核心方法是大规模多数据集实证评估，主要贡献在于提供了迄今较大规模的智能合约扫描器评测基准，并系统性地分析了各类工具的局限性。适合智能合约安全研究人员、区块链安全工具开发者、审计机构以及对该领域前沿实证研究感兴趣的安全从业者阅读。

本文针对迭代式大语言模型（LLM）驱动的 Infrastructure-as-Code（IaC）修复过程中的安全退化问题进行了实证研究。研究背景是：当前主流做法采用迭代反馈循环来改进 LLM 生成的 IaC 配置，例如使用 Checkov 和 terraform validate 等校验器将错误信号反馈给模型进行连续修复。已有工作通常报告累计最优指标，该指标在构造上非递减，因此忽略了每次迭代单独的安全轨迹。本文首次专门考察 IaC 场景下每次修复迭代后的安全回归现象，即某个先前通过的 CIS Benchmark 检查项在一次修复迭代后变为失败。研究方法为：基于 IaC-Eval 基准数据集，分析 5,968 个场景时间线（每个场景运行一种配置，最多进行 5 次修复迭代），涉及 15 种配置（6 种模型特定 RAG、9 种模型聚合非 RAG，各含 3 种温度设置），共产生 4,440 次迭代转换（两侧均有 Checkov 数据）。作者跟踪 30 个 CIS 检查项 ID，并从代码 diff 中分类根因，同时采用两种检测模式：标准模式（包含式）和严格模式（仅统计专属失败检查项）。主要结果如下：标准模式下，13.8% 的场景（24.8% 的转换）出现至少一次安全回归；严格模式下该比例降至 3.3% 的场景（5.2% 的转换），说明大多数表面上的回归实际上是多资源测量伪影。资源重构（79.0%）是主要根因。发生回归的转换表现出 2.6 倍更高的代码变更量（Cohen's d=0.90）和 4.9 倍更高的严格模式检查波动（d=1.49）。标准模式回归中，36.6% 会在平均 1.2 次迭代内自我纠正；第 3 次迭代是最佳停止点。结论表明，迭代 IaC 修复确实会引入安全回归，但保守且可辩护的比率约为场景的 3.3%。该研究为安全感知的反馈回路设计和可操作的迭代预算指南提供了动机。本文适合安全工程、DevSecOps 及 LLM 应用安全研究人员阅读，有助于理解自动化修复过程中安全与功能修复之间的权衡。

本文是一项关于多驱动模糊测试（multi-driver fuzzing）的实证研究。许多软件通过命令行选项、子命令和配置标志暴露多种执行模式。对于这类程序，模糊测试同时依赖于变异的输入和所调用的模式，但现有评估主要关注覆盖率和 bug 数量，尚未清楚执行模式如何划分、重叠和遗漏软件结构，以及这些差异如何影响模糊测试的有效性。为此，作者提出了一种结构抽象方法：以静态调用图作为共享骨干，将驱动特定的动态覆盖率投影到骨干上，从而派生出驱动诱导子图。基于该抽象，他们开发了四阶段方法论：骨干构建、模糊测试与剖析、基于图的分析、以及由研究问题驱动的评估。作者将该方法应用于从 OSS-Fuzz 派生的 27 个 C/C++ 项目，涵盖 43 个可执行文件和 854 个驱动配置。实验结果表明，在相同的总预算下，多驱动模糊测试优于最佳单驱动基线：覆盖的调用图节点增加了 27.9%，CFG 边覆盖增加了 73.5%，并发现了 11 个主要由单驱动模糊测试遗漏的独特 bug 和异常行为。然而，驱动贡献并不均匀：子图在凝聚力、碎片化、模块性、重叠等方面差异显著，残余的未探索区域遵循重复出现的模式而非均匀尾部。这些结果说明，多驱动模糊测试从根本上是一个结构探索问题。该研究为理解多驱动模糊测试的结构特性提供了深入见解，并为优化驱动配置和模糊测试策略提供了指导。

本文对互联网工程任务组（IETF）发布的征求意见书（RFC）中的安全考量章节进行了首次大规模实证研究。RFC 是互联网核心协议的标准、备忘录及相关技术文档，自20世纪90年代初起，每篇 RFC 被要求包含专门的安全考量章节。作者从多个维度分析了这些章节的内容与演化。研究发现：（1）超过90%的抽样 RFC 在安全章节中明确讨论了安全问题；（2）尽管安全考量是强制要求，但其中极少（甚至从未）施加强制性的安全需求；（3）以安全考量章节为基础的 RFC 引用网络整体较为稀疏，但少数核心 RFC 及其安全章节被大量引用；（4）引用量在1990年代中期至2010年代中期达到峰值；（5）这些章节所讨论的主题并不代表常见的一般性安全问题（如欺骗、窃听等），而大多反映的是各协议特有的安全问题；（6）除通用网络安全、安全规范和路由外，主题的纵向演化也呈现出协议特异性。此前尚无针对此课题的系统研究，因此本文填补了标准化文献中的空白。研究方法和发现对理解互联网标准中的安全实践演进具有重要参考价值，适合标准化研究者、协议设计者和安全政策制定者阅读。

该论文对网络安全事件响应剧本（playbooks）进行了系统性的实证研究。事件响应剧本是组织用于指导人工或自动化系统执行安全对抗措施的结构化操作流程，通常整合了威胁信息与组织特定上下文。尽管实践者对剧本兴趣浓厚，但学术界对其特性缺乏深入探讨。为此，研究者采用混合方法：首先从公开来源收集并分析了1217个剧本（包括结构化与非结构化格式），进行内容编码与主题分析；随后开展了一项包含147名安全从业者的在线问卷调查，量化了剧本定义、使用与共享中的共性模式；最后通过与9名资深安全专家的半结构化访谈，验证并深化了定量发现。主要发现包括：1）组织与从业者对“剧本”的定义存在内在歧义，缺乏统一标准；2）现有剧本无法直接套用，往往需要大量自定义修改，这限制了跨组织共享与自动化执行；3）组织虽然声称“按本操作”，但实际上各自为政，内部定义剧本内容与覆盖的事件响应阶段（如检测、遏制、根除）差异显著。研究贡献在于揭示了剧本管理与标准化中的现实挑战，为未来制定更可互操作的剧本格式与最佳实践提供了实证基础。

该论文对开源软件中由多个补丁组成的漏洞修复序列进行系统性实证研究。现有研究大多关注单一补丁，但实际中许多漏洞需要多个补丁才能彻底修复，这给漏洞分析和补丁应用带来挑战。作者通过手动审查1,646条多补丁修复记录，构建了一个由3个主类别和6个子类别组成的分类体系，涵盖了多补丁修复的根本原因。分类体系包括：补丁不完整（如遗漏边界条件）、补丁引入新缺陷、以及补丁正确但需要额外补丁处理相关代码路径等。论文进一步比较了多补丁与单补丁修复的特征差异，分析了不同类别间的特征变化，并评估了代表性漏洞检测方法在验证多补丁修复完成性方面的效果。研究发现，多补丁修复通常涉及更复杂的代码修改和更长的修复周期，且现有检测方法难以准确判定修复何时真正完成。该工作为理解多补丁修复提供了新视角，并为自动化漏洞修复验证和补丁管理系统的改进奠定了基础。

本文对野外（in-the-wild）文本到图像（T2I）模型的安全性进行了大规模实证研究。现有关于T2I越狱（jailbreak）的安全研究大多在受控实验室环境下进行，通常只针对少量经典模型，因此快速增长的野外T2I生态系统当前的安全状况尚不清楚。这种不确定性因两个因素而加剧：现有的基于检测器的指标是为受控评估而设计的，且野外风险不仅可能来自对抗性提示，还可能来自不安全的发布实践和不安全的模型衍生品。本文通过越狱的视角对野外T2I安全性进行了大规模实证研究。首先，作者发现仅使用检测器的越狱指标由于语义漂移和生成伪影，会显著高估野外实际风险，并提出了Advanced ASR（高级攻击成功率）指标，以更好地捕获语义有效且视觉上可信的不安全生成。使用这一改进指标，作者在三种代表性越狱攻击下评估了来自Hugging Face的200多个野外T2I模型。结果表明，许多下游模型即使没有明确的事后防护措施，仍保留了相当程度的安全性，表明野外安全性退化既非普遍也非均匀。同时，作者识别出一组高风险模型，包括明确面向NSFW的发布以及看似良性但通过系统评估才暴露不安全行为的模型。作者进一步追溯这些模型的发布背景，并向Hugging Face报告了高风险案例。

本文提出并评估了一个用于过肩视频监控（Over-the-Shoulder Video Surveillance）的多模态触摸检测框架，旨在从物理手指交互中重建移动键盘上的按键事件。该框架并行集成四种检测模态：MediaPipe 手部关键点、HSV肤色滤波、时间帧差运动检测以及基于形状的Canny边缘分析。在受控的120帧第一人称演示视频（包含密码输入）上，单独的Motion-Only和Edge-Only配置分别达到18.5%和18.2%的F1分数，而完整的多模态配置F1分数仅为16.7%，按键序列与真实iOS密码布局的相似度仅为3.0%。消融实验、分辨率衰减、噪声敏感性和邻近阈值调优表征了系统的操作边界。在5段真实公开的第三人称手机视频上评估时，系统每帧平均检测出57个触摸点（峰值205），比真实点击速率高1~3个数量级，原因是肤色滤波器响应整只手而非指尖接触。结论指出：在受控校准场景下获得的按键重建结果无法推广到非受控真实视频，系统无法实现可靠的按键重建。

该论文针对网络安全威胁情报（CTI）共享的实际效果进行了实证研究。虽然CTI共享被认为能够自动化威胁分析并提升安全意识，但缺乏对其类型分布和有效性的系统评估。作者提出了CTI-Lense框架，用于从多个公开CTI源收集和分析结构化威胁信息表达（STIX）数据，重点关注数据量、时效性、覆盖范围和质量。研究从2014年10月31日至2023年4月10日收集了来自十个数据源的约600万个STIX对象。分析发现：STIX数据共享量虽逐年稳步增长，但总体覆盖率仍较低；共享的威胁数据类型有限，恶意软件签名和URL占据90%以上；URL的共享时效性较好（约72%早于或等于VirusTotal），但恶意软件签名的共享明显滞后；此外，19%的威胁行为者数据包含错误信息，仅0.09%的指标数据提供了检测规则。基于这些发现，作者提出了改进STIX数据共享有效性和可扩展性的实践建议。该研究对安全运营团队、CTI平台设计者和政策制定者具有参考价值。

本研究针对 ERC-8004 协议——首个为 AI 代理经济设计的无许可信任层——进行了首次实证分析。该协议通过链上身份、声誉和验证三个注册表，旨在解决自主 AI 代理跨组织交易时的信任评估问题。尽管协议被快速采用，但其实际有效性和安全性未经检验。作者在以太坊、BNB Smart Chain (BSC) 和 Base 三条区块链上，从协议部署至 2026 年 5 月 13 日期间，全面爬取链上事件、链下 JSON 文件以及 x402 支付交易记录。身份注册方面，发现绝大多数注册仅是占位符，仅有少量代理（以太坊 3%、BSC 4%、Base 15%）具备有效注册文件且至少包含一个实时服务端点。声誉注册方面，当前部署的注册表无法提供可信的信任信号：声誉值不可通约（例如正负反馈直接加和），反馈记录极少基于可验证的链上交互，且声誉可通过低成本操纵（如自评或刷分）任意篡改。与这些设计缺陷一致，大量评审者表现出协作性 Sybil 行为（以太坊 73.6%、BSC 59.2%、Base 90.6%）。在移除标记为 Sybil 的反馈后，各链上分别有 15.5%、72.3% 和 89.4% 的已评级代理不再拥有任何有效反馈。基于这些发现，作者提出了对 ERC-8004 未来版本的具体改进建议，包括引入可验证交互凭证、声誉评分标准化以及抵抗 Sybil 攻击的机制。本研究为 AI 代理市场的信任协议设计提供了实证基础和方向性指导。

本论文针对大语言模型（LLM）用于自动化漏洞检测时，程序结构与语义信息的表示方式这一关键问题进行了实证研究。作者指出，当前的提示工程方法通常直接提供原始源代码，但这一做法缺乏理论支撑，且可能引入冗余信息导致推理效果下降。为此，论文构建了RepBench基准测试集，基于Joern工具从真实C/C++漏洞测试用例中提取多种程序表示：原始源码、抽象语法树（AST）、控制流图（CFG）、程序依赖图（PDG）及其组合，并特别增加了增强型PDG（ePDG）变体。实验采用来自PrimeVul的107个测试用例（覆盖5个CWE类别），在固定思维链（Chain-of-Thought）和结构化输出协议下评测了10种表示变体，外加19个额外ePDG用例。结果表明，表示选择显著影响LLM的漏洞推理能力。最佳组合AST+PDG达到83.2%的准确率，而原始源码仅53.5%。图结构提示（仅含图）在家族层面优于纯源码提示或源码+图提示，且所需提示长度更短。研究揭示了“上下文稀释效应”：向紧凑的结构化证据中添加原始源码，反而会降低关键漏洞信息的显著性，损害推理能力。总体而言，精心选择的结构化表示能够提供比简单增加原始输入更好的准确率-开销权衡，表明静态分析可作为安全聚焦型LLM推理的有效提示构造层。该工作对于理解如何优化LLM在代码安全任务中的输入表示具有重要指导意义。

该论文对2022年1月1日至2026年3月27日期间（四年零三个月）的Web3安全态势进行了实证分析。研究数据集包含来自22家独立安全公司的23,818份公开审计结果，以及rekt.news记录的218起真实世界漏洞利用事件，总损失约77.6亿美元。研究有三个核心发现：第一，审计结果的分布（按严重性、类别和技术栈）在整个观察窗口内基本稳定，严重和高级别漏洞占比每年保持在15%-17%的区间内。第二，实际漏洞利用损失的类别分布与审计结果的类别分布不一致：私钥泄露、钓鱼和社会工程攻击向量占累计损失的约49.6%，但在公开审计结果中占比极小。第三，实际损失呈现极端集中性：最大的8起事件占累计美元损失的50.6%，最大的20起事件占71.4%，这种分布形状不符合高斯假设。论文采用的分析惯例是审计输出和漏洞利用输出描述的是不同群体，因此将两个数据集并行展示，而非直接比较。该研究揭示了当前区块链安全审计实践与真实攻击损失之间的鸿沟，强调现有审计可能忽略了关键攻击向量（如私钥泄露、社会工程），为安全团队和审计机构提供了改进方向。

该论文首次对iOS应用中大语言模型（LLM）API密钥泄露进行了系统的实证研究。随着LLM快速集成到移动应用，API密钥泄露成为新的安全风险——攻击者可利用泄露的凭证非法访问LLM推理服务，给开发者造成经济损失。此前研究主要聚焦Android应用，iOS领域尚属空白。作者构建了一个包含444个iOS应用的高质量数据集（从1092个候选应用中经过标准化流程筛选），并开发了动态分析框架LLMKeyLens，通过流量拦截、提供商特定密钥提取和主动有效性验证来检测LLM API密钥泄露，无需源代码或二进制解密。实验结果令人震惊：282个应用（63.5%）在网络流量中暴露了可被利用的LLM API凭证，涉及至少10个提供商。论文识别出三种泄露模式：基于JWT的令牌泄露（48%）、未认证的后端代理访问（33%）以及明文API密钥传输（19%）。在负责任披露三个月后，作者重新分析了同样的282个漏洞应用，仅28%修复了问题，72%仍可被利用，持续性漏洞主要源于未认证后端和有缺陷的JWT实现。研究表明，LLM API密钥泄露在iOS生态中既普遍又持久，暴露出开发者实践与安全集成原则之间的系统性差距，并提出安全的LLM集成不仅需要开发者意识，还需要提供商明确的安全指南和平台级强制执行。

本文通过实证实验评估了C和C++程序中未定义行为（UB）在典型Linux桌面使用中的实际发生情况。未定义行为是C/C++语言中特有的概念，指程序使用了语言标准未作任何要求的错误构造（如整数溢出）。研究者利用编译器内置的未定义行为消毒剂（UBSan）在运行Debian Linux的桌面环境中进行了系统实验。实验包含59个简单的桌面使用任务（如登录、打开文件、浏览网页等），覆盖了32个用C/C++编写的程序和库。结果共生成近11,000个独特的未定义行为警告，其中绝大部分与Mesa图形库相关，并通过图形用户界面交互触发。仅仅登录GNOME桌面环境就产生了超过500个独特警告。在所有警告中，虚表指针相关的未定义行为占绝大多数，且关联的堆栈跟踪通常较长。此外，实验还观察到不同程序和库之间的UB分布差异，以及某些UB类型（如浮点运算、空指针解引用）的相对频率。本文的贡献在于为C/C++未定义行为的实证文献提供了真实世界桌面使用场景下的量化数据，突显了UB在实际软件中普遍存在的现象，对编译器设计、程序分析和安全加固具有参考价值。

该论文研究模型驱动的访问控制实现方法与传统的代码中心方法之间的效率与正确性差异。在软件开发中，手动实现访问控制策略容易出错，可能导致严重的安全漏洞。已有文献提出了模型驱动的方法和相关工具，旨在降低复杂度并帮助开发者高效构建安全软件。然而，目前缺乏支持模型驱动安全方法优越性的实证数据。因此，论文旨在通过系统性实验比较两种方法在开发者生产力、代码正确性及安全缺陷数量等方面的表现。作者设计并实施了一项受控实验，让参与者分别使用模型驱动（如基于SecureUML的代码生成）和代码中心（手动编写Spring Security等框架代码）完成相同访问控制功能的实现，并测量完成时间、错误数量与代码理解难度。初步结果表明，模型驱动方法能显著减少实现错误，但可能增加初始学习成本。该研究为安全工程的实践选择提供了经验证据，适合安全工程师、软件架构师及研究人员阅读。

本论文针对软件开发中安全投入不足的问题，提出并评估了一种基于团队层面的微支付激励机制，旨在通过可量化的安全指标改善代码安全。研究设计了半自动化的度量流水线，集成 Bearer、Detekt 和 mobsfscan 等静态分析工具，聚合安全发现并计算安全漏洞密度（security issue density），然后根据团队在多个冲刺周期内的相对改进比率给予奖励，从而实现可重复的脚本化报告。实验在课程环境中进行，84 名学生组成 14 个团队，分为实验组（安全激励组，奖励与扫描结果挂钩）和对照组（相同评分但不激励安全）。使用 beta 回归分析，实验组的安全漏洞密度显著低于对照组（β= -0.396, p=0.0342），表明激励措施提高了可测量的安全性。此外，研究发现前后端存在明显差异：后端在激励下漏洞更少、改进比率更高，表明不同技术栈层对激励的反应不同。同时，实验组代码行数的增长与对照组相似，说明安全性提升并非源于代码膨胀。该度量工具链被证明可脚本化、可自动化，适合规模化采用。结果提示将奖励与自动安全指标对齐能切实改善代码安全，值得在专业环境和更长开发周期中进一步验证。

这篇论文首次对伊朗第三方 iOS 应用商店生态系统进行了全面的实证研究。由于美国制裁和严格的互联网审查，伊朗 iOS 用户无法访问官方的 Apple App Store 和开发者服务，从而催生了一个违反苹果开发者协议的灰色市场。研究者从三个主要的伊朗第三方应用商店收集了超过 1700 个 iOS 应用包及其元数据，通过静态分析和元数据挖掘，系统性地描述了这些商店的运营模式，包括分发机制、用户认证流程和规避检测的技术。分析显示，这些商店中充斥着大量伊朗专属应用、破解应用、未经授权的付费内容货币化行为，以及嵌入的第三方跟踪和盗版库。此外，研究者发现金融、导航和社交类应用在这些商店中占比突出，反映了伊朗用户独特的数字限制。论文还量化了开发者因盗版造成的收入损失，并记录了篡改二进制文件带来的安全与隐私风险。最终，研究揭示了制裁、审查和执行漏洞如何催生了一个具有复杂社会技术影响的平行应用分发生态系统。