该论文聚焦于基于系统调用（syscall）的主机入侵检测（HIDS）这一经典方向，指出当前方法存在的一个关键结构性缺陷：现有工作通常直接按原始执行顺序对 syscall 序列建模，而来自不同进程的序列在同一时间线上彼此交错（interleaved），导致真正具有判别力的行为模式被噪声淹没，模型难以学到攻击的语义本质。为此作者提出两个研究问题：原始 syscall 序列是否可以被重组为更具判别力的表示？以及如何在重组后的序列上有效学习复杂的攻击模式？ 针对上述问题，论文提出 ReSHID 框架，包含“资源感知的行为重构”与“层次化语义学习”两部分。在行为重构层面，方法利用 syscall 的语义不变量（semantic invariants），把跨 PID 命名空间下的主体身份识别与关系解析建模为一个二分图匹配（bipartite matching）问题，从而在容器/云环境中正确区分不同进程主体；同时通过跟踪文件描述符（FD）的生命周期，将指向同一底层资源的描述符关联起来，最终重建出语义上连续的序列，消除进程交错带来的干扰。在语义学习层面，从重构序列中抽取的特征被组织成一个轻量级的“主体行为图”，图中包含主体之间的关系边，并使用 GATv2 图注意力网络捕获跨主体的关键协作/协调模式，用以刻画涉及多个主体协同完成的复杂攻击。 实验结果表明，序列重构与检测方法结合可以显著提升 HIDS 性能：即使使用最轻量的线性分类器，所提方法在 F1（98.64%）、ROC-AUC（99.80%）和 PR-AUC（98.10%）三项指标上均优于所有对比方法；同时相比原始序列与 MGFE 方法，n-gram 特征数量分别减少约 75.2% 和 44.1%，在检测精度与计算开销之间取得了较好的平衡。该工作适合研究主机侧检测、云原生容器安全、图神经网络在安全领域应用的读者阅读。

该论文针对网络物理电力系统(智能电网)中两个长期被割裂处理的问题——稳定性预测与虚假数据注入(FDI)攻击检测——提出了统一的图学习框架 StarGNN。研究背景是:现代电网越来越多地依赖数据驱动工具来识别不稳定运行状态并支撑可靠调度,但真实的不稳定工况在模型开发阶段往往稀有、敏感或根本无法采集,出于安全与成本考虑很难大规模获取标注数据;与此同时,针对去中心化智能电网控制(DSGC)系统的 FDI 攻击可以篡改上报的系统参数,从而制造虚假的不稳定告警,或反过来掩盖真实的不安全运行,而这一类威胁在 DSGC 场景下此前几乎未被系统性研究。作者的核心思路是:只用干净的稳定运行配置来学习"稳定运行边界",而不依赖任何真实不稳定样本或攻击样本。具体做法是把每一个运行配置表示为一个"生产者-消费者星形图"(producer-consumer star graph),再由一个角色感知(role-aware)的图神经网络处理,从而显式建模发电侧与用电侧在拓扑中的不同语义角色。由于缺少真实的不稳定与攻击数据,作者通过扰动反应时间(reaction time)和价格响应(price response)参数来生成受物理约束的"伪负样本"(pseudo-negatives),以此替代不可获得的反例数据。模型最终输出单一异常分数,并仅在留出的稳定数据上校准一个统一阈值,不做任何面向具体任务或具体攻击类型的调参;凡是分数越界的上报配置,都不应被当作安全运行的证据,从而同时覆盖真实不稳定与未见过的 FDI 操纵。实验在九个未见的 FDI 场景上评估:对稳定配置上的攻击检出率为 0.780–0.973,对不稳定配置的攻击后不稳定召回率为 0.972–0.999,针对一个更强的自适应攻击者仍达到 0.899 的召回率。论文表明,仅基于稳定数据学习运行边界,即可在训练阶段完全不接触真实不稳定标签与攻击样本的情况下,同时支撑稳定性预测与攻击检测,弥合了此前稳定性分析与攻击检测之间的鸿沟。

本文研究的是开放集（open-set）恶意软件家族识别任务中的拒识（rejection）问题：模型既要对训练集中出现过的已知家族正确分类，又要把训练中从未出现过的家族样本判定为「未知」并拒绝归类。作者针对基于函数调用图（FCG）的恶意软件家族识别流程，检验一个具体假设：在已有的图神经网络（GNN，具体为 GIN）嵌入之外，额外引入 Louvain 社区划分的摘要特征，是否能够提供增量式的未知家族拒识信息。为排除「结构特征只是变相编码了图的规模与通用拓扑」这一混杂因素，作者构造了维度匹配的通用拓扑（generic topology）基线，并利用仅含已知家族的训练数据，把社区特征对通用拓扑做残差化（residualization），再用最近原型（nearest-prototype）打分。实验使用经过去重与冲突审计的 FCG-MFD 语料，设置了 5 个留出家族（held-out families）和 3 个优化随机种子，以保证结论的稳健性。结果是否定性的：残差社区特征无法产生稳定的留出家族拒识能力。具体表现为——不同家族上的排序效应方向相反（说明效果不可泛化）；在 95% 未知召回率（unknown recall）这一操作点上，每一个留出家族的假阳性率都变差；用验证集拟合出的阈值只能拒绝 4.48% 的未知样本，远不足以支撑实际部署。另一方面，已接受样本的已知类宏 F1 在每一个家族上都有提升，但由于只有 5 个独立的家族单元，精确双侧符号翻转检验的最小可达 p 值为 0.0625，统计上无法确证。此外，该社区得分仍与图的规模相关，而简单分类器不确定性在排序、高召回拒识和 OSCR 指标上均表现更好。作者由此得出结论：在这种 GIN/FCG-MFD 设定下，社区增强的原型只是改变了已知类的几何结构，并未创造出稳定的未知类判别边界；并建议图开放集评估应同时报告匹配拓扑对照、可操作阈值以及留出家族分析。适合关注机器学习安全、恶意软件家族分类与开放集识别评测方法的研究者与安全工程实践者阅读。

该论文针对勒索软件检测中的一个核心难题展开研究。现代勒索软件为提高隐蔽性，会把一次加密活动拆散到多个临时文件和中间文件上，例如先写入临时副本、再重命名、替换原文件、最后清理痕迹。这样一来，把各个 I/O 事件串联成完整加密意图的语义上下文就被打散了。论文指出，这恰好击中了现有两大类检测器的软肋：基于模式匹配的方法依赖固定的事件顺序，一旦序列被拆散就不再匹配；基于学习的方法则需要跨大量文件累积统计证据才能作出判断，检测必然滞后。为此作者提出 DEFEAT 框架。其核心思想是把因果相关的文件事件重新聚合成“文件事件小工具”（File Event Gadgets，FEG）——一种语义自洽的单元，能够完整刻画跨多个动态创建文件的文件操作序列背后的整体意图。论文特别强调 FEG 与传统溯源图（provenance graph，记录全系统进程、文件、套接字、注册表等实体间关系的系统级因果图）不同：FEG 只限定在单个用户资产的文件操作上下文内，因此无需全系统插桩，分析轻量而聚焦。在建模上，每个 FEG 被表示为带属性的控制流图（ACFG），再通过图神经网络嵌入，用无监督聚类把行为相似的样本归为一簇，使分析师只需对整簇打标签，而无需逐个样本标注，论文称标注工作量因此降低 94%。实验部分在覆盖 67 个勒索软件家族、共计 97,816,471 条文件 I/O 事件的语料上评估，DEFEAT 取得 99.2% 的检测准确率，相比 UNVEIL、RWGuard 和 Peeler 等最先进方法提升 6.57 至 7.56 个百分点。更关键的是检测粒度：由于每个 ACFG 恰好对应一个 FEG（即一个用户资产上下文），只要第一个文件操作完成即可赋予簇标签，从而在第一个文件被加密时就发出告警，把检测窗口大幅前移。该工作适合从事终端检测与响应、勒索软件防御、图学习安全应用研究的工程师与研究者阅读。

该论文针对车联网与自动驾驶汽车（CAV）面临的 Sybil 攻击问题展开研究。CAV 依赖假名切换（pseudonym-switching）机制保护车辆隐私，而攻击者恰恰滥用这一机制，在交替使用多个假名身份的同时伪造基本安全消息（BSM），从而制造虚假交通态势。现有方案虽能标记可疑行为，但 Sybil 身份在时间维度上高度碎片化，导致传统单点检测方法和基于序列的深度学习方法难以奏效；更重要的是，仅回答“是否正在发生攻击”无法根除攻击源头，必须把碎片化的假名身份关联回真正的攻击者，即回答“谁应当负责”，而这一任务在极端标签稀缺条件下尤为困难。为此，作者提出 Sybil-TraceGuard——一个面向 Sybil 溯源的动态半监督时空图神经网络框架，由四个紧耦合模块组成：(1) 增量流式攻击检测模块 ISAD，用于高效预筛 Sybil 攻击；(2) 动态拓扑感知构造器 DTC，构建时空动态图以刻画车辆交互演化；(3) 带多头注意力的空间 GAT 编码器 SGEM，用于捕捉空间交互中同一攻击者操控多身份所产生的逻辑冲突；(4) 多尺度时空审计模块 MSTA，分别审计短期与长期的时间不一致性。四个模块在半监督 Mean-Teacher 框架下联合优化，并通过特征-边洗牌扰动在极少标签条件下正则化潜在特征空间。在四类 Sybil 攻击场景上的实验表明，Sybil-TraceGuard 能够有效将碎片化假名链接到源攻击者，在 0.70–0.95 的无标签比例区间内优于当前最优基线，并在极端类别不平衡与不同超参数设置下保持较高稳定性与灵敏度。

该论文聚焦区块链赋能的物联网（Blockchain-enabled IoT）系统中的逻辑漏洞检测问题。这类系统把链上智能合约与链下嵌入式设备固件结合起来，用于去中心化的设备管理与访问控制，因此其安全性同时取决于合约逻辑与固件逻辑：任一层的逻辑缺陷都可能破坏同一组系统不变量，例如出现未授权访问、非法的状态变更，或缺少防护的特权操作。现有工作主要分为三类：合约分析、固件分析以及基于图的漏洞检测。作者指出这些方法普遍存在局限：一是只关注单一层次或单一制品，难以发现跨层耦合的逻辑缺陷；二是依赖预定义的漏洞模式、仿真（emulation）保真度或同构图表示，导致与安全相关的组件角色被掩盖；三是缺乏一个既能支持多种安全任务、又能在资源受限网关上部署的统一架构。为此，作者将既有的 MA-HGAT 扩展为跨层多智能体异构图注意力框架，用统一的“四角色、九关系”模式对合约、固件制品、设备群以及交易流进行联合建模。框架中的角色对齐智能体通过交叉注意力交换异构证据，并配有图级、链路级与节点级三类预测头，从而支持多种检测任务；同时，基于角色的网关—云端划分使轻量级边缘推理成为可能。论文的核心贡献在于：提出统一的跨层异构图表示与多智能体注意力架构，把合约与固件两类证据在同一语义空间中对齐；提供多任务检测头以覆盖不同粒度的安全判定；并给出可落地于资源受限网关的部署切分方案。该工作面向研究问题“如何在不依赖预定义规则与高保真仿真的前提下，跨合约层与设备层联合识别逻辑漏洞”，适合从事 IoT 安全、区块链安全、固件分析、图神经网络检测以及边缘侧安全推理的研究者与安全工程团队阅读。需要注意，输入仅为摘要，缺少数据集、基线对比与量化指标的细节。

在无源码场景（如恶意软件分析、固件审计、嵌入式系统分析）中，对编译后程序进行漏洞检测的需求日益突出。然而，现有方法多依赖语法规律或较高层次的表示，不仅容易受编译器版本和优化选项变化的影响，也难以直接应用于汇编代码。为此，本文提出 SEMA-GUARD，一个结合语义分析与图神经网络（GNN）的汇编代码漏洞检测框架。其核心改进在于增强控制流图（CFG）的表示：在传统图结构基础上，加入程序在较低抽象层次上的执行信息，包括栈操作、内存访问和数据流，从而让模型能捕获仅靠统计或结构特征难以发现的缺陷模式。为了评估效果，作者构建了一个基于 Juliet Test Suite 的数据集，将每段源码先编译为汇编，再切分为函数级别的代码块。实验结果显示，该方法仅依赖统计或结构数据，即达到 85.1% 的准确率和 0.801 的 F1 分数。这表明在基于图的模型中融入低层语义信息，可能是识别编译代码漏洞的有效途径。该工作为二进制层面的漏洞检测提供了新思路，尤其适合缺乏源码的逆向与安全分析场景，但尚未披露具体的模型架构细节、跨编译器泛化能力以及实际部署开销，仍需进一步验证。

本文提出了一种名为 SemVul 的漏洞检测流水线，旨在提高源代码漏洞检测的准确率与泛化能力。研究背景指出，源代码漏洞是网络攻击的根本原因之一，攻击者常利用软件弱点进行未授权访问、数据窃取或服务破坏。现有基于代码属性图（Code Property Graph, CPG）的方法通常仅关注程序的结构信息，而忽略了代码的语义层面。为此，SemVul 在 CPG 基础上引入了语义级增强，通过预训练代码嵌入技术为图中的节点和边分别注入语义特征，使模型能够同时捕捉程序的结构流（如控制流、数据流）和代码的语义含义。方法上，作者系统评估了多种图神经网络（GNN）架构，在公开基准数据集上进行了实验。SemVul 与具体编程语言无关，支持多种架构，具有良好的通用性。实验结果表明，SemVul 在漏洞检测性能上优于现有方法，并且展现出更强的泛化能力，能够更有效地学习易受攻击的代码模式。该研究适合软件安全、漏洞挖掘、基于机器学习的代码分析等领域的研究人员和工程人员阅读。

该论文提出 SENTINEL-RL，一种用于安全运营中心（SOC）的智能体架构，旨在克服大型语言模型（LLM）智能体在自主威胁分析中的两个核心局限：有限上下文窗口难以承载大规模认证图，以及自由文本生成无法保证推荐动作与网络拓扑的一致性。SENTINEL-RL 将拓扑推理与语义推理解耦：通过异构图表征编码器将实时认证子图压缩为固定维状态，使用近端策略优化（PPO）策略将状态映射为受限的调查动作集合，LLM 主体仅被限制为消费策略的推荐并生成分析师可读的叙述，且由评论员模型把关。作者在 LANL 综合多源网络安全事件数据集和印第安纳大学 Quartz HPC 集群上进行了实验，报告了四个主要结果：(i) 两阶段 CREATE 摄取模式可在单台 32 核节点上于 14.2 分钟加载包含 2400 万条边的认证子图，比经典 MERGE 管线快约 24 倍；(ii) 滑动窗口告警引擎在 50 次试验中可靠地在不超过 2.5 秒内触发 25 事件/10 秒阈值；(iii) PPO 经过 200 次迭代收敛，平均回合回报 8.74±0.31，在标记红队事件上的保持精度为 0.91，召回率为 0.87；(iv) 完整检测-调查-推荐-人工审批循环的中位数耗时为 6.3 秒。论文还贡献了可复用的工程模式（如热节点死锁规避）、可移植的 HPC 部署模式（锚点节点共置），并提供了涵盖误报经济学、可逆性保证、审计合规性和人工审批边界的企业就绪性分析。适合关注 LLM 智能体在安全自动化中的应用、图神经网络与强化学习结合的防御性安全研究者和 SOC 架构师阅读。

本文介绍了一套已部署的区块链地址合规筛查系统，其核心思路是将地址判定从传统的制裁名单查询与聚类启发式，转变为基于其在多链交易图中的位置进行打分。系统底层构建了一个包含 835,330,427 个地址与 15,826,261,934 条边、跨越五条 EVM 链的单一交易图，并采用带有每条链归一化的共享归纳编码器，将节点表示馈送至两个评分头。决策阈值通过对全体地址的得分分布按链段计算精确分位数来确定，从而事前明确告警量。实验显示了若干关键能力：一是无标签迁移，当仅在两条链上训练评分头时，在 Base、Arbitrum 和 Gnosis 上以 10^-3 的群体告警率能分别召回 0.8598、0.8182 和 0.9967 的留存正样本，且训练时未使用目标链标签；二是静态前置时间回放，针对 68 个外部注册表事件，系统在 0.1% 告警预算下标记出其中 40 个（58.8%），较事件级随机标记基线提升 152 倍，且首次链上出现时间的中位数早于公开指认日期：以太坊约 528.8 天、Tron 约 647.8 天。工程实现上，服务路径的评分与离线产物逐位一致，端到端 p50 延迟为 151 毫秒，并有 2,882 地址漂移面板进行监控。最后，作者设计了一个对抗测试框架，包含八个循环强化学习原型，系统通过八项退化审计，但在与检测器无关的快照上暴露了已有评分头对合成行为的盲点。该研究适合需要处理海量链上数据、并希望从图结构角度识别非法金融活动的合规与安全团队参考。

论文《PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation》研究了面向Windows PE恶意软件机器学习检测器的对抗攻击。现有攻击通常针对原始字节、PE头或函数内部控制流图（CFG），但尚未将函数调用图（FCG）作为攻击面。FCG是图基恶意软件检测器的重要特征。作者提出PhantomCall，这是一种黑盒攻击方法，通过向目标调用点注入完全可执行的虚拟函数来扰动FCG，从而在CFG与FCG中新增节点和边，同时保持程序语义。该方法结合了分类器引导搜索和可调节的注入参数，能够应对三种架构迥异的分类器。实验基于2025年收集的Windows恶意软件语料库，针对MalConv（原始字节CNN）、MalGraph（图基GNN）以及SAFE+GNN（在2024年语料库上从头训练的纯FCG GNN）进行评估，并在两种FPR阈值下测试。结果显示，最佳PhantomCall变体在所有配置下的攻击成功率达85%至100%，在MalGraph上比此前最优方法最多高出14.78个百分点，在SAFE+GNN上最多高出95.5个百分点，同时平均生成逃逸变体的速度比此前方法快达2.9倍。对于MalConv和MalGraph，大多数逃逸仅需修改单个调用点；此外，在全部配置中，86%至97%的评估逃逸变体在基于沙箱的语义测试中保留了原始恶意行为。该研究首次系统地证明了FCG扰动可作为一种高效的对抗攻击表面，对依赖图神经网络的恶意软件检测器构成显著威胁。

本文研究了图神经网络（GNN）可解释性中的一个常见但被忽视的问题：图对称化（graph symmetrization）会丢弃边的方向信息，导致解释结果失真。作者指出，在诸多关键应用（如安全关键系统）中，GNN 的解释结果必须准确可靠，以支持人类决策。然而，主流可解释性方法通常在预处理阶段对图进行对称化处理，将有向图转为无向图，这从根本上改变了图的结构语义，造成信息损失，进而产生误导性解释。论文通过理论分析和实验验证，证明了保留方向信息对于解释忠实度（fidelity）的重要性。理论部分分析了方向性缺失如何影响梯度或掩码类解释方法的有效性；实验部分则对比了基于对称化图与原始有向图的解释结果，定量评估了解释的准确性和可信度。核心贡献包括：一是揭示了对称化操作在解释场景下被忽略的负面影响；二是提出方向感知（direction-aware）的解释框架，在解释过程中显式保留边的方向性；三是通过多个数据集和模型架构验证了该方法的有效性，表明其能显著提升解释质量。这些发现强调了在安全关键应用中，GNN 可解释性必须考虑图的方向语义，否则可能误导审计人员或最终决策者。本文适合研究 GNN 可解释性、安全 AI 审计以及需要可信模型解释的从业者阅读。

该论文提出了一种名为 EULER 的框架，用于通过可扩展的时间图链接预测来检测网络横向移动。横向移动是高级持续性威胁（APT）攻击中的关键阶段，但传统检测方法面临挑战。作者将网络主机日志抽象为离散的时间图，将问题转化为演化网络中的异常边检测。当前深度图学习方法虽然模型多样，但普遍存在泛化性和可扩展性问题。EULER 框架采用模型无关的图神经网络（GNN）堆叠模型无关的序列编码层（如循环神经网络 RNN），从而能够灵活组合不同模型。该框架的一个重要特性是图卷积层可以轻松分布在多台机器上，从而在训练和推理阶段获得显著的性能提升。实验表明，基于 EULER 构建的模型在异常链接检测和预测方面具有竞争力，甚至优于许多现有最先进的方法。作为基于异常的入侵检测系统，EULER 模型能够高效识别实体间的异常连接，具有较高的精确率，并在无监督的横向移动异常检测任务中优于其他技术。该研究为安全团队提供了一种可扩展的、模型无关的检测框架，有助于在实际网络环境中部署基于图的异常检测。适合安全研究人员、蓝队成员以及关注网络威胁检测的工程师阅读。

本文针对智慧城市中车辆交通激增带来的拥堵问题，提出了一种基于邻域嵌入图神经网络（GNN）的众包配送交通管理模型（NeCDM）。研究背景是现有交通管理方法主要依赖拥堵预测，但未能有效解决交通流量减少和配送车辆智能选择等核心目标。NeCDM 模型包含两个关键组件：交通拥堵预测单元（TCPu）和交通观测与管理单元（TOMu）。TCPu 利用图神经网络优化技术，能够准确预测智慧城市生态系统中不同配送站点的交通流水平；TOMu 则负责智慧选择最合适的配送车辆以满足众包配送请求（CDR）。文章强调众包配送作为实现智慧出行与交通（SMT）目标的可行方案，并遵循智慧城市参数（SCP），如减少碳排放、缩短出行时间和最小化行驶距离。实验结果表明，所提模型在计算效率上取得了显著提升：L1 损失降低了 4.03%，L2 损失降低了 16.66%，计算时间缩短了 7.64%。该研究为智慧城市交通管理提供了一种将图神经网络与智能调度相结合的新思路，适合智慧城市研究者、交通管理工程师以及机器学习应用开发者阅读。

该论文研究基于图神经网络（GNN）的恶意域名检测（MDD）系统面临的新型对抗攻击问题。GNN-based MDD 利用公开的 DNS 日志构建域名恶意图（DMG），将互联网域名表示为图中的节点，并通过已标注的恶意节点推断其他节点的恶意性。然而，由于依赖公开数据，攻击者可以操纵自身域名节点在图中的特征和边关系，从而逃避检测。现有研究主要针对单个攻击者节点的逃逸攻击，但实际攻击者通常注册大量域名为其活动服务，以降低成本并避免被整体封禁，因此需要同时操纵多个节点，即多实例逃逸攻击。论文指出，现有单实例攻击技术无法直接扩展到多实例场景，并首次提出针对 GNN-based MDD 的推理时多实例对抗攻击 MintA。MintA 通过优化节点扰动来增强目标节点及其邻居的逃逸能力，仅需对目标模型进行黑盒访问，无需知道模型参数、架构或非攻击者节点信息。作者构建了满足攻击目标的优化问题，并设计了近似求解算法。在真实数据集上，针对现有最优的 GNN-based MDD 方法，MintA 实现了超过 80% 的攻击成功率。研究结果警示安全专家，GNN-based MDD 面对实际多实例攻击时存在脆弱性，可能削弱该方法的有效性。

本文针对智能交通系统中基于图神经网络（GNN）的交通流量预测模型，重新审视了其对抗鲁棒性。作者认为先前研究采用的威胁模型不切实际，如假设攻击者拥有完整模型知识或进行全局非目标扰动，因此对攻击和防御的评估均有偏差。实际攻击者通常只能利用有限知识，监测并操纵少量路侧传感器，且攻击目标是局部的——例如使特定路段或路径的预测出现错误，导致行车时间误判或诱导绕行，而整个网络的其他部分几乎不受影响。这种定位明确的攻击在以往研究中未被充分探索，且现有防御如对抗训练，难以从训练时使用的范数有界扰动迁移到结构完全不同、符合物理拥堵规律的攻击上。为此，作者提出将鲁棒性问题视为检测任务：训练一个物理信息感知的检测器，其输出作为输入特征并入后续加固预测模型，同时在保持预测模型固定时对检测器进行自适应攻击训练。作者在多种模型架构和基准数据集上评估，结果显示物理感知攻击能让目标链路预测误差增大数倍而全局误差几乎不变，而针对范数有界扰动调优的对抗训练对此几乎无效。作者提出的检测-缓解防御在15个模型-数据集设置中的13个上超过直接用物理感知攻击进行对抗训练的模型，并在留出攻击上取得最大优势，同时几乎零干净性能损失。结果强调了在应用特定约束下审视抽象AI对抗攻击的必要性，以评估真实安全影响。

本文提出了一种名为GNNIC的图神经网络（GNN）间接调用分析器，旨在解决大型程序（特别是操作系统内核）中调用图生成不准确的问题。间接调用（如函数指针）在编译时无法确定目标，导致传统静态分析产生大量假阳性。现有基于类型分析的方法在处理大规模程序或泛型类型时精度较低。GNNIC通过抽象相似性搜索来准确识别间接调用目标。其核心观察是：尽管间接调用目标表现出多态行为，但它们共享共同的抽象特征，如函数描述、数据类型和调用的函数。GNNIC将这些信息整合为代表性抽象图（RAG），并使用GNN学习函数嵌入。该方法需要至少一个锚定目标来启动搜索，因此作者还提出了一种新的程序分析技术，用于局部识别每个间接调用的有效目标。从锚定目标开始，GNNIC可以将搜索范围扩展到整个程序，找到更多间接调用目标。GNNIC基于LLVM和GNN实现，并在多个操作系统内核上进行了评估。结果表明，与最先进的基于类型的技术相比，GNNIC减少了86%至93%的假目标函数。此外，GNNIC生成的抽象相似性和精确调用图可以增强安全应用，例如发现新漏洞、缓解路径爆炸问题以及提高静态程序分析的效率。结合静态分析，GNNIC在Linux和FreeBSD内核中发现了97个新漏洞。

恶意Python包已成为开源软件供应链生态系统（如PyPI）的主要安全威胁。现有基于学习的检测方法难以捕获不同程序实体之间的层次组织结构和异构交互。大型语言模型（LLM）在代码理解和语义推理方面表现出强大能力，但很少与结构化程序表示相结合用于细粒度恶意行为分析。本文提出了一种LLM增强的层次异构图表示学习框架，用于恶意Python包检测。该框架构建了一个层次异构代码图，显式建模异构代码实体和不同类型的结构依赖关系。进一步利用LLM推断函数级语义角色，引入额外的语义异构层。基于该图，开发了一种层次异构图神经网络，在不同节点和边类别上执行类型感知的消息传递，有效建模恶意行为传播以实现准确的包级分类。框架还融合了函数级归因机制，结合LLM推理，自动识别可疑函数并定位细粒度恶意行为，无需人工专家干预。在真实数据集上的大量实验表明，该框架在不同大小和依赖复杂性的包上，始终优于传统机器学习方法、基于图的检测器以及最先进的LLM，同时提供了准确、鲁棒且可解释的恶意行为定位。

本文提出 POMABuster，一种检测去中心化金融（DeFi）中价格预言机操纵攻击的系统。价格预言机是 DeFi 协议获取外部资产价格的关键组件，但容易受到操纵攻击（如闪电贷攻击）的影响，导致价格偏差和协议损失。现有检测方法通常依赖于静态规则或事后分析，难以应对动态和复杂的攻击模式。POMABuster 基于图神经网络（GNN）对 DeFi 交易流程进行建模，通过分析交易路径和价格突变特征，实时识别预言机价格操纵行为。系统首先从链上交易数据中提取特征，包括交易顺序、流动性池状态、价格变化等，然后利用 GNN 学习正常与攻击模式之间的差异。实验使用历史攻击事件（如 bZx、Harvest Finance 等）和模拟攻击进行验证，结果表明 POMABuster 能够以高召回率（>95%）和低误报率（<5%）检测已知和未知的操纵模式，且延迟低至秒级，适合链上实时部署。主要贡献包括：1）首次将 GNN 应用于 DeFi 预言机攻击检测；2）提出覆盖多种攻击类型的统一检测框架；3）公开数据集和代码以供复现。本文适合 DeFi 安全研究人员、协议开发者和审计师阅读。

本文针对图数据节点分类任务中的隐私泄露问题，提出了一种名为LPGNet的新型神经网络架构。图卷积网络（GCNs）在节点分类中表现出色，但研究表明攻击者可以通过链接窃取攻击推断训练图中的边（即节点间关系），即使仅有黑盒模型访问权限。LPGNet通过创新性地设计训练过程中图边结构的使用方式，为边提供差分隐私（DP）保证。具体地，LPGNet在训练时对图边结构进行扰动，使得模型参数不直接依赖具体边信息，从而限制攻击者从模型输出推断边存在的能力。实验在多个数据集上表明，LPGNet在隐私与效用之间取得了良好平衡：与完全不使用边信息的朴素架构（如MLP）相比，LPGNet拥有更高的分类准确率；与完整使用边结构的传统GCN相比，LPGNet对现有链接窃取攻击具有更强的抵抗力。此外，与最先进的隐私增强GCN方法DPGCN相比，LPGNet在大多数数据集上提供了更优的隐私-效用权衡。本文的主要贡献包括：(1) 提出LPGNet架构，首次将差分隐私直接融入图卷积过程；(2) 从理论上分析隐私保证；(3) 通过实验验证其在隐私保护和任务性能上的优势。该工作适合隐私保护机器学习、图神经网络领域的从业者和研究人员阅读。

该论文针对现有基于图神经网络（GNN）的网络入侵检测系统（NIDS）的局限性——将流量流视为时间独立且依赖有监督学习——提出了一种时间感知的自监督时空图对比学习框架。研究背景：GNN在建模网络流量关系方面有效，但多数方法忽略时间动态特征，且依赖标签导致泛化能力不足。核心问题：如何利用真实时间戳捕获流量时序依赖，并在无标签情况下学习鲁棒表示。方法：首先按时间戳构建一系列时序图，然后使用基于E-GraphSAGE和LSTM的编码器提取时空依赖（避免注意力机制的高开销），接着设计多视图图对比学习方案，联合进行时间对比、空间对比和特征对比，分别捕获时间连续性、保持结构一致性、提升泛化性和鲁棒性。此外，引入基于梯度范数的自适应权重策略优化对比损失。在四个带有真实时间戳的NIDS数据集上实验，该方法显著优于现有自监督方法，性能与有监督的SOTA GNN方法相当，且计算效率高。主要贡献：首次在自监督GNN-NIDS中显式利用真实时间戳，提出高效时空编码器和多视图对比学习方案，以及自适应损失加权策略。适合NIDS研究人员、安全机器学习从业者阅读。

该论文首次系统性地分析了图神经网络（GNN）在节点级成员推断攻击下的隐私风险。GNN广泛应用于社交网络、蛋白质结构等图数据，但先前对隐私攻击的研究主要集中在欧几里得数据（如图像和文本）上，GNN的隐私漏洞尚未被充分探索。作者定义了三种威胁模型，基于攻击者的背景知识强度：仅知道图结构和部分节点标签、知道目标节点子图、知道完整图结构。针对这些模型，提出了三种成员推断攻击方法，利用节点嵌入的过拟合特性及图结构信息。在三个经典GNN架构（GCN、GraphSAGE、GAT）和四个基准数据集（Cora、Citeseer、Pubmed、Facebook）上评估，结果显示即使攻击者仅有最小背景知识，GNN也显著泄露节点成员信息。实验进一步表明，图的密度和节点特征的相似性对攻击成功率有重要影响：高密度图或高特征相似性会增加攻击风险。最后，作者探索了两种防御机制——差分隐私训练和图扰动，并发现它们能降低攻击性能，但会以适度牺牲模型效用为代价。该工作对理解GNN隐私风险并设计防御策略具有重要意义。

现有的基于学习的Solidity智能合约漏洞检测器通常将检测简化为单函数内的语法模式匹配，但许多重大利用（如The DAO、Cream Finance）并不存在于单个函数中，而是存在于函数间的关系以及使攻击可行的条件组合之中。为此，本文提出AttackPathGNN，一种将检测重新定义为对显式攻击路径推理的图神经网络（GNN）。其两个架构创新区别于先前的GNN检测器：（1）状态干扰图（State Interference Graph），该图通过带类型和权重的边以及由显式五条件谓词定义的有向重入路径边，连接共享可变存储的每对函数；（2）合取池化（conjunction pooling），一种对八个命名利用前提条件的可微AND聚合器，其log-sigmoid形式使得当任一缓解措施（如重入守卫、访问控制修饰符或SafeMath）到位时，每个函数的利用评分会骤降。在五个独立训练运行中，AttackPathGNN在SmartBugs Wild保留测试集上达到92.3±0.2%的F1分数（假阴性率4.3±0.3%，在独立人工标注的SmartBugs Curated基准上检测率90.8±2.5%），并在每个种子上以100%恢复6/10个DASP10类别，重入检测达到98.7±1.8%。每次预测都附带结构化的修复报告，将每个判定转化为可操作的、函数级别的审计发现。该研究对智能合约安全审计、自动化漏洞检测工具开发具有重要参考价值。

本文提出 IstGPT，一种基于大语言模型（LLM）和图神经网络的工业系统异常检测工具。工业互联网系统面临复杂的 ICS 攻击，现有工具难以实时检测传感器与执行器之间的复杂依赖关系。IstGPT 首先利用工业多模态知识（包括运行数据、技术文档和系统图），通过多阶段提示工程提取传感器-执行器依赖图；然后通过 LLM 优化迭代改进图的节点准确性、边一致性和逻辑连贯性；最后，集成了改进的图神经网络与编码器-解码器架构，通过重构误差检测异常。在 9 个数据集（2 个公共、6 个模拟和 1 个真实机器人手臂数据集）上与 12 个基线对比，IstGPT 在 F1 分数和新的时间感知指标 eTaF1 上均取得最佳结果。文章还讨论了在真实工业场景中部署的可行性。

本文针对区块链异常检测中面临的两大挑战：恶意行为者造成的对抗性模式演化，以及区块链上交易语义多样性导致的分布外（OOD）问题。作者提出了一种名为 TEMG-TTA（时间感知的图测试时自适应）的新型框架。该框架首先通过高效的计算机制全面捕获每个活跃地址的三节点时间模式分布，从而实现下游的时间模式感知图学习。其次，设计了一种简单有效的测试时自适应策略，促进训练图与测试图之间共享共同模式。在5个真实数据集上的实验表明，TEMG-TTA 平均比现有最先进的图异常检测方法高出54.88%。进一步对可解释模式模式的案例研究表明，TEMG-TTA 能够明确表征异常地址的复杂交易模式，验证了其技术设计的有效性。代码将开源。本文研究工作为区块链异常检测提供了新的思路，尤其适用于处理动态演变的交易模式和数据分布漂移问题。

社交工程攻击通过利用人类信任而非软件漏洞来实施，传统的基于规则的邮件过滤器难以有效检测这类攻击。本文提出了一种名为“Filter-then-Verify”的两阶段检测框架，将归纳式图神经网络（GNN）与协同注意力机制的ModernBERT模型相结合。第一阶段，GNN对邮件网络中的结构异常进行检测，识别出发送者和接收者之间的异常模式，例如与正常通信模式偏离较大的边缘或节点。该阶段基于社交网络图谱的拓扑特征，能够快速筛选出疑似社交工程行为的候选邮件，召回率达到86%。第二阶段，ModernBERT模型对第一阶段筛选出的邮件内容进行语义验证，通过分析消息的上下文和意图来降低误报率。ModernBERT采用了改进的Transformer架构，并引入协同注意力机制以更好地捕捉邮件文本中的欺骗性语言特征。经过BERT精炼后，整体检测精度提升至92%以上。实验使用了Enron电子邮件数据集，并加入了模拟真实社交工程攻击场景的合成数据，结果表明该框架不仅能有效检测外部钓鱼攻击，还能发现内部人员威胁（如冒充内部同事的恶意行为）。该研究的核心贡献在于：1）首次结合图结构异常检测与深度内容分析来应对多阶段社交工程攻击；2）提出一种可扩展的流水线架构，适用于大规模企业邮件网络；3）验证了结构分析和内容分析在社交工程检测中的协同增效作用。本文适合安全研究人员、邮件安全工程师以及关注社交工程防御的从业者阅读。

该论文提出了一种基于图的网络入侵检测系统（GNIDS）与联邦学习（FL）相结合的方法 Entente，旨在解决传统 GNIDS 在分布式数据收集场景下因隐私法规和运营限制而难以实现集中式数据的问题。现有 GNIDS 主要假设数据集中存储，但现实中不同组织的数据可能因隐私保护无法共享。作者利用联邦学习使得多个客户端（如不同组织的网络）在不共享原始数据的情况下协同训练检测模型。然而，直接将 FL 应用于 GNIDS 面临挑战：不同客户端之间的图数据存在异构性（例如网络拓扑结构差异），且不同 GNIDS 的设计选择不同。为此，Entente 引入了一套针对图数据集的新技术：参考图合成（Reference Graph Synthesis）用于生成统一的参考图以缓解异构性；图草图（Graph Sketching）用于高效地压缩图数据并保留关键结构信息；自适应贡献缩放（Adaptive Contribution Scaling）用于平衡各客户端对全局模型的贡献，防止某些客户端主导训练。实验使用三个大规模数据集（LANL、OpTC 和 Pivoting）进行评估，结果显示 Entente 在检测准确率和鲁棒性上优于现有的 FL 基线方法。此外，论文还针对 GNIDS 场景设计了特定的联邦学习投毒攻击，并证明 Entente 能够将攻击成功率限制在较低水平，展现了其鲁棒性。总体而言，该研究为构建跨组织边界的分布式 GNIDS 提供了有前景的方向。

随着深度伪造技术的快速发展，生成逼真的虚假数字内容对媒体真实性构成严重威胁。传统的深度伪造检测方法在面对定制化、复杂的深度伪造时，泛化能力和鲁棒性往往不足。本文提出了一种名为ViGText的新方法，该方法创新地将图像与视觉大语言模型（VLLM）的文本解释相结合，并基于图神经网络（GNN）框架进行深度伪造检测。ViGText的核心在于利用详细的解释文本而非简单的标题，提供更丰富的上下文信息，从而捕捉细微的不一致性。具体而言，ViGText将图像划分为多个补丁，分别构建图像图和文本图，并通过GNN整合分析。方法还采用了跨空间域和频率域的多级特征提取，以增强对复杂深度伪造的检测鲁棒性。大量实验表明，ViGText在泛化性能上显著提升：在泛化评估中，平均F1分数从72.45%提升至98.32%；面对用户定制化的稳定扩散模型变体时，表现出优异的泛化能力。鲁棒性方面，ViGText的召回率相比其他方法提升了11.1%。针对利用其图架构的定向攻击，ViGText将分类性能下降限制在4%以内。本研究为深度伪造检测设立了新标准，有助于维护媒体真实性和信息完整性。

该论文提出 HOUSTON，一个针对以太坊去中心化金融（DeFi）协议攻击的实时异常检测系统。研究背景：DeFi 协议遭受多种攻击（如闪电贷攻击、预言机操纵、重入攻击等），现有检测方法多基于规则或签名，难以应对未知攻击且实时性不足。核心问题：如何在大规模交易数据中高效、实时地检测已知与未知攻击。方法：HOUSTON 通过记录并分析每笔交易的程序执行踪迹（如操作码、栈、内存等），将其编码为结构化图表示，然后利用一种新的图神经网络（GNN）架构——时间感知异构图神经网络（TA-HGNN）进行异常评分。系统首先对历史正常交易进行训练，建立行为基线；在实时场景中，对每笔新交易快速提取执行踪迹并计算异常分数，若超过阈值则报警。主要贡献：1）提出一个可扩展的实时检测框架，能够处理以太坊上的高频交易；2）设计 TA-HGNN，有效融合交易执行流中的时序与结构信息；3）在 7 种真实攻击数据集上评估，包括 43 个已知攻击和 257 个变种，检测率超过 95%，误报率低于 0.1%，且平均检测延迟小于 0.5 秒；4）对零日攻击的检测能力良好。适合安全性研究人员、DeFi 协议开发者、区块链安全分析师阅读。

本文提出了一种名为TBTrackerX的系统，用于检测社交媒体平台X（原Twitter）上的触发机器人（Trigger Bots）及其发起的恶意活动。触发机器人是一类新型社交机器人，它们通过预设关键词或事件（即“触发器”）自动响应发布恶意内容，如钓鱼链接、虚假信息或政治操纵。现有检测方法多基于静态特征或行为模式，但触发机器人具有高度隐蔽性和动态性，难以被传统方法识别。TBTrackerX结合了图神经网络、时序分析和自然语言处理技术，从用户间的互动图、发帖时间序列以及内容语义三个维度提取特征，构建分类模型。作者在真实数据集上进行了实验，收集了超过5万个疑似机器人账户和数百万条帖子。实验结果表明，TBTrackerX在检测触发机器人方面准确率超过92%，并能有效追溯恶意活动的源头账户和触发事件。此外，该系统还具备可解释性，能够揭示机器人的触发机制。本文的主要贡献在于提出了针对触发机器人的专用检测框架，并验证了多模态特征融合的有效性。适合社交媒体安全研究人员、平台防御工程师以及对抗虚假信息的安全从业者阅读。

该论文研究了从差分隐私（DP）保护的图神经网络（GNN）解释中重建隐藏图结构的安全风险。虽然差分隐私通常被视为发布解释时降低隐私风险的标准手段，但作者证明了仅依赖DP并不足够：攻击者仅观察到经过DP扰动的GNN解释，就能以高精度重建原始图结构。作者提出的攻击方法PRIVX利用了高斯DP机制实质上是已知噪声水平σ(ε)下的单步DDPM（去噪扩散概率模型）前向过程，将重建问题转化为以被污染信号为条件的反向扩散，从而成为在已知DP扰动下的贝叶斯去噪器。论文形式化了一个分层攻击者模型，参数为(M, ε̂, δ̂, S, ρ)，可插值从无信息攻击者到全能攻击者，并推导了重建AUC的端点匹配双边界。针对实践者，论文提供了关于解释器选择的按状态分层指导：在同质图上，相同DP预算下，邻域聚合解释器（如GraphLIME、GNNExplainer）比逐节点梯度解释器泄露更多结构；而在强异质图上顺序相反。此外，论文引入PRIVF作为辅助诊断工具，共享相同的扩散骨干，用于将泄露分解为解释器引起的部分和内在图分布引起的部分。在七个基准数据集、三种DP机制和三种GNN主干网络上的实验表明，PRIVX在五个数据集上实现了AUC大于0.7（ε=5），且攻击在典型部署的隐私预算内成功。

该论文提出了一种针对图神经网络（GNN）的隐私攻击方法LINKTELLER，旨在从GNN模型中恢复私有边信息。研究背景为图结构数据在推荐系统、交通预测等领域的广泛应用，其中节点特征和边信息通常由不同数据持有者掌握，出于隐私考虑，他们需要联合训练协议而非直接共享数据。论文聚焦于边隐私，考虑一个垂直数据分割场景：拥有节点特征的数据持有者Bob将特征发送给拥有邻接信息的Alice，Alice训练GNN并提供推理API给Bob。在推理时，Bob可提供测试节点特征并查询预测结果。LINKTELLER通过影响分析设计对抗性查询，以推断Alice持有的私有边信息。实验在8个归纳式数据集和3个直推式数据集上验证，表明该方法能在不同图密度下显著恢复大量私有边，性能优于现有基线。此外，论文评估了差分隐私GCN（DP GCN）机制对此攻击的鲁棒性，并提出了基于拉普拉斯机制的LAPGRAPH方法。实验显示，在弱隐私保证（ε>5）下，DP GCN机制对LINKTELLER并不总是鲁棒。该研究为设计更鲁棒的隐私保护GCN模型提供了方向，并深入探讨了GCN模型效用与隐私攻击鲁棒性之间的权衡。