A2A-ForensicTrace: Offline Verification of Tamper-Evident A2A Runtime Evidence
该论文针对 Agent2Agent(A2A) 多智能体运行时证据的取证难题提出 A2A-ForensicTrace 框架。背景是:安全相关的 A2A 执行往往跨越组织边界,参与的系统分属不同主体,调查人员事后难以对所有参与节点进行实时访问,
共收录 5 条相关情报。
← 返回所有主题该论文针对 Agent2Agent(A2A) 多智能体运行时证据的取证难题提出 A2A-ForensicTrace 框架。背景是:安全相关的 A2A 执行往往跨越组织边界,参与的系统分属不同主体,调查人员事后难以对所有参与节点进行实时访问,
本文研究了大语言模型(LLM)代理系统中的技能选择阶段的安全性。技能选择是决定用户请求由哪一个已安装技能来处理的关键环节。现有攻击手段主要依赖显式提示注入或指令级转向,这些方法容易暴露出可识别的操纵特征。针对这一空白,作者发现了一种新的隐式
随着大型语言模型(LLM)智能体的快速发展,其已被广泛应用于各类真实世界任务。为了标准化LLM智能体与外部环境之间的交互,模型上下文协议(MCP)工具应运而生,并成为事实上的标准,被广泛集成到这些系统中。然而,MCP工具的使用也引入了新的安
本文提出RustMizan,一个针对Rust语言漏洞分析的可编译、污染感知的基准测试框架。现有漏洞分析基准通常依赖小型不可编译的代码片段,仅关注二分类(是否有漏洞),且未考虑公开数据集可能已包含在模型训练语料中带来的数据污染风险。RustM
该论文系统性地研究了基于大语言模型(LLM)的智能体中的内存中毒攻击。内存作为智能体核心组件,允许其在多次交互中积累知识以提升性能,但同时也引入了风险:一次对抗性内存写入即可长期影响智能体行为。作者首先识别了四种内存写入通道(如用户输入、工