本文对大型语言模型（LLM）的系统化安全性研究进行了综述，创新性地从生命周期和应用栈视角分析漏洞。研究指出，LLM已从单纯的文本生成器演变为嵌入检索管道、企业助手、编码环境、机器人系统、安全操作工作流和自主代理的复杂系统，能够读取私有数据、调用工具、写入文件、执行代码并跨组织边界行动。这种转变使得安全风险不再仅来自模型权重，而是源自整个生命周期和应用栈——数据、提示、模型输出、工具、记忆和用户权限在此交互。论文将攻击组织为八个阶段：数据收集、预训练、后训练对齐、模型打包与供应链、检索与记忆、提示与推理、工具/代理执行、部署与维护。每个阶段均分析攻击者能力、受影响的安全目标、代表性攻击、实际风险、评估方法和防御措施。进一步将LLM特定漏洞映射到机密性、完整性、可用性、安全性、隐私、公平性、问责制和代理控制目标。与仅列出孤立攻击名称的分类法不同，本文的系统化强调信任边界在何处失效、非信任数据如何变为可执行指令、委托权威如何放大模型错误、以及为何点防御难以组合。最后提出安全LLM系统的研究议程，包括组合安全、溯源感知检索、工具调用遏制、长周期代理评估、隐私保护适配、现实红队测试和部署级事件响应。适合安全研究人员、LLM开发者、红蓝队工程师阅读，以系统性理解LLM安全全景。

本文提出将区块链系统重新概念化为记录管理系统，而非单纯的交易基础设施。当前区块链研究过度聚焦于链上交易，忽略了加密货币资产创建、发布、留存、处置的完整过程。作者借鉴ISO 15489-1:2016记录管理原则，建立了区块链数据七阶段生命周期模型：创建、捕获、分类、存储、使用、保留与处置。通过对比特币、同质化代币和非同质化代币的应用案例，论证该框架的适用性。论文重点讨论了链上/链下边界以及隐私增强技术如何影响生命周期可见性，这对加密犯罪研究和调查具有特别意义。作为元层面的框架，该生命周期视角有助于定位现有研究、按阶段分解法律、监管、技术和运营挑战，并为区块链治理、分析和监管提供生命周期感知的方法。适合区块链研究者、合规分析师及监管科技从业者阅读。

该论文对物联网（IoT）恶意软件的生命周期进行了大规模实证研究。作者收集了来自多个来源的物联网恶意软件样本（如蜜罐、公开样本库），并对其进行了长达数年的纵向分析。研究重点包括恶意软件的感染阶段（初始入侵、持久化、命令与控制通信）、传播机制（如利用漏洞、暴力破解）、以及恶意软件家族的演化关系。通过构建恶意软件行为图谱和家族聚类，作者揭示了不同恶意软件家族在代码重用、模块化设计上的共性，并量化了恶意软件存活时间、更新频率等指标。主要贡献包括：（1）首次对物联网恶意软件生命周期进行系统化、大规模的测量；（2）发现了恶意软件在传播和持久化策略上的趋势变化；（3）为防御者提供了针对性的缓解建议（如关闭未使用的端口、及时更新固件）。实验基于超过10万个样本，覆盖多个架构（MIPS、ARM、x86）。该研究有助于理解物联网威胁态势，并为安全团队制定检测和预防策略提供依据。