提示注入(prompt injection)检测器目前普遍以分布内测试集上的聚合 F1 作为主要评价指标,这种做法掩盖了模型在分布偏移下的真实行为,尤其是决策边界的良性一侧:误报会直接产生运维成本(告警疲劳、正常业务被拦截),却往往没有被单独测量。为此作者提出 PIDS-Bench,一个冻结的、多维度的评测基准,在固定阈值下同时衡量攻击检出与良性误报行为,覆盖四类输入:分布内样本、'hard-benign'(结构上模仿注入但无恶意意图的提示)、经过混淆处理的注入攻击,以及领域与结构层面的分布偏移。评测对象共 7 个检测器,包括学习型基线、外部提示注入分类器以及更宽泛的安全对齐类对比器,并加入一个基于规则的方法作为性能下界参考。结果显示,多轴评测揭示出聚合 F1 完全掩盖的失效模式:某个在留出集上 F1 超过 0.98 的检测器,对来自公开语料、仅限定为安全相邻内容的良性子集仍有约三分之一的误分类。在完整阈值扫描与 5 个随机训练种子下,没有任何内部检测器能同时满足 F1≥0.95 且 hard-benign FPR≤0.10。按提示来源拆解后发现:困难负样本增强几乎消除了人工策展压力输入上的过度防御(over-defense),但在外部来源提示上基本无效,作者将这一现象称为'来源敏感的过度防御'(provenance-sensitive over-defense);该不对称在两种微调架构上均成立,且不随增强池扩大而减弱,外部来源的误报率仍远高于 0.10 的目标线。作者明确指出,与外部来源分布相匹配的增强能否弥合这一差距尚未经过验证,仅靠阈值校准与策展式增强并不足够。该工作适合红队/蓝队、LLM 网关与内容安全评测人员阅读。

本文针对检测规则仓库中误报排除（exclusion）持续累积且很少被撤销的问题展开研究。核心背景是：当一条检测规则频繁产生误报时，分析人员通常会添加排除条件，使规则在该特定场景下不再告警。单次排除决策在局部看是合理的，但其长期累积对规则库整体覆盖能力的影响此前未被系统度量。已有的纵向研究表明规则维护过程并不收敛，但那些研究仅关注后来被回滚的修订，对从未被撤销的规则收窄无法感知。作者在 SigmaHQ 规则语料库中，跨越 9 年共 8,234 条修订记录，提出了一种语义层面的检测方法：通过分析否定谓词集合的增长与规则覆盖范围的补偿性增长之间的不平衡，识别规则被“收窄”的现象。该方法不依赖数据训练，是确定性的，并以代码形式发布定义。作者用盲法人工标注验证了该方法，精确率达到 0.828，召回率达到 0.911。研究发现：排除操作共发生 1,642 次，仅有 304 次被撤回，比率约为 5.4:1；在单条规则层面，这一比率升至 13:1。此外，约 31% 的收窄无法通过结构比较直接看出，现有方法因而明显低估了规则收窄程度。Kaplan-Meier 估计显示，86.7% 的排除在三年后仍然生效，且规则是否为对应 ATT&CK 技术的唯一覆盖与该持久性无关（p=0.49）。路径类排除中有 64.1% 可以被非特权进程通过选择特定文件名而规避。总体表明：误报排除会不断积累、极少被复审，且不按风险后果进行优先级排序。最后作者给出了一个初步决策标准，帮助安全团队决定优先检查哪些排除条件。该研究对检测工程与规则生命周期管理有实际参考价值。

本文关注静态应用安全测试（SAST）工具的高误报率问题。SAST工具在现代安全软件开发中不可或缺，但生成的误报（FP）告警会带来大量人工审查成本，并降低开发者信任。现有误报缓解方法面临两大挑战：一是不同SAST工具与漏洞类别间差异大，难以学习历史误报中的复用模式；二是所用知识大多静态，无法随新验证案例积累而更新。为此，作者提出Memoir，一种记忆驱动的误报识别框架，将历史误报告警转化为可复用的语义记忆。Memoir包含两个核心模块：其一，历史语义记忆构建模块，通过LLM引导的标注、模式聚类和记忆合成，将历史FP告警结构化，提取可复用的行为模式；其二，记忆驱动识别与演化模块，在预测前检索相关记忆，并针对分类一致性和安全不变式进行语义验证，然后将已验证的预测回添至记忆库，使知识库随案例积累持续演化。实验在CWE-Bench-Java基准上进行，Memoir取得了99.43%的F1分数、98.88%的召回率以及100%的精确率，一致优于其他基线。此外，在顶尖IT公司生产软件系统上的工业案例研究表明，学习到的记忆库无需重新训练即可有效泛化至不同SAST工具。对于安全工程实践而言，Memoir提供了一条利用大语言模型与记忆演化机制降低SAST误报的可行路径。

该论文研究了在工业专用5G网络环境下，基于机器学习的入侵检测系统（IDS）处理加密OPC UA流量时，良性连接变化对检测性能的影响。作者指出，尽管机器学习IDS在加密工业通信监控中日益普及，但其在真实专用5G操作条件下的表现尚未被充分理解。通过实验，他们发现合法的连接事件（如设备连接/断开、网络切换等）会在无攻击存在时显著增加误报活动。此外，IDS异常评分的高峰往往与控制面（CP）活动周期相重合。研究强调了在工业专用5G环境中解释IDS输出时考虑控制面上下文的重要性。实验基于实际5G测试平台，收集了正常流量和包含连接事件的流量，并使用多种机器学习模型进行评估。主要贡献在于揭示了良性网络事件对IDS的干扰，并提出了未来改进方向，即结合控制面元数据以降低误报。该论文适合工业网络安全研究人员、5G安全工程师以及IDS开发者阅读。

该论文聚焦于基于机器学习的恶意流量检测中高误报率（False Positive, FP）这一实际部署痛点。传统机器学习方法依赖精心设计的特征，虽能检测包括零日攻击在内的各类攻击，但高误报迫使安全分析师投入大量精力进行人工复核，极大增加了运维成本。为此，作者提出一种新颖的基于点云分析（Point Cloud Analysis）的误报降噪框架，将网络流量样本映射到高维点云空间，利用点云几何特性自动识别并过滤与真实攻击流量分布不一致的误报。该方法无需额外标注或专家规则，通过无监督聚类和异常检测技术从海量告警中剔除多数误报，显著降低人工分析负担。实验基于多个公开数据集，结果表明该方法在保持高检测率的同时，可将误报率降低超过70%，且对未知攻击具有良好泛化能力。论文还讨论了点云维数、聚类半径等超参数对性能的影响，为实际部署提供了指导。

该论文针对恶意域名检测中普遍存在的误报（False Positive）问题，提出了“良性指标（Indicator of Benignity, IoB）”这一新概念。传统检测方法依赖恶意指标（Indicator of Compromise, IoC），但容易将正常域名误判为恶意，导致安全运营负担加重。论文从工业界视角系统分析了误报产生的原因，包括域名解析行为、注册信息、内容特征等多维度因素。为此，作者设计了一个基于灰名单和信誉评分的域名信誉系统，通过综合评估域名的良性特征（如长期稳定的解析记录、合法注册信息、无恶意内容等）来降低误报率。实验基于大规模真实网络流量数据，验证了该方法能有效减少误报，同时保持对真正恶意域名的检测能力。论文还讨论了误报对安全运营流程的影响，并提出了将IoB集成到现有检测框架的可行方案。适合安全运营分析师、威胁情报研究人员阅读。

该论文系统性地研究了代码表示格式（原始源代码与剪枝抽象语法树 AST）如何影响跨语言大语言模型（LLM）在漏洞检测中的误报行为。作者使用两个 8B 参数级别的 LLM（Qwen3-8B 和 Llama 3.1-8B-Instruct），在 NIST Juliet Test Suite v1.3 的 C/C++ 数据上微调，然后在 Java（OWASP Benchmark v1.2）和 Python（BenchmarkPython v0.1）上评估。实验发现，仅使用原始文本进行微调时，跨语言误报率（FPR）随训练强度单调上升（例如 Qwen3-8B 从零样本的 0.763 上升到小规模微调的 0.866 再到全量微调的 1.0），而 F1 分数却保持稳定（0.637-0.688），掩盖了性能崩溃。作者认为主要机制是“表面线索记忆”：文本微调使得模型将 C/C++ 特有的 API 名称和语法惯用语编码为漏洞触发模式，在目标语言代码上产生大量误报。通过交叉表示探针实验（将文本训练权重直接应用于 AST 编码输入，无需重新训练），Qwen3-8B 的 FPR 从 0.866 骤降至 0.583，且 37.2% 的误报转变为真负。然而，直接使用 AST 进行微调并不能保持这种优势（FPR 至少 0.970），因为 AST 的扁平线性化引入了自身的结构表面线索。该模式在两个模型家族中均得到验证。在 Python 数据集上，AST 探针的 FPR 为 0.554，与 Java 结果仅差 2.9 个百分点，这一发现弱化了域偏移解释。基于这些发现，作者提出了一种部署前一致性门控机制：同时通过文本和 AST 两条路径运行告警，作为无需重新训练的误报敏感场景过滤器，但以牺牲部分召回率为代价。