DECKER: Domain-invariant Embedding for Cross-Keyboard Extraction and Recognition
该论文针对键盘声学侧信道攻击（ASCA）中存在的数据集规模小、用户/键盘/环境多样性不足等问题，提出了一个全新的多维度数据集HEAR，涵盖53名参与者使用37种笔记本电脑键盘的录音，包括三种采集场景：外接麦克风、设备内置麦克风（无网络噪声）
#LLM
共收录 2152 条相关情报。
← 返回所有主题ARGUS: Defending LLM Agents Against Context-Aware Prompt Injection
随着大型语言模型（LLM）代理的兴起，其通过集成工具调用、技能和外部知识，显著提升了自动化能力，但也引入了新的安全风险。其中，提示注入攻击（Prompt Injection）已成为主要威胁：攻击者将恶意指令嵌入代理工作流中，劫持代理行为。然
SkCC: Portable and Secure Skill Compilation for Cross-Framework LLM Agents
本文提出 SkCC，一个面向跨框架 LLM Agent 的技能编译框架。当前，LLM Agent 技能通常以 SKILL.md 规范封装，但不同 Agent 框架对提示格式的敏感性差异极大，导致性能波动高达 40%，而社区中超过三分之一的技
AIRTAG: Towards Automated Attack Investigation by Unsupervised Learning with Log Texts.
本文提出 AIRTAG，一个基于无监督学习的自动化攻击调查框架，旨在从原始日志文本中自动识别攻击事件、生成语义标签并定位根因，无需依赖预定义的攻击知识库或规则。现有攻击调查方法通常需要人工定义攻击模式或依赖规则匹配，难以应对新型或变种攻击。
Mechanized Type Safety for Gradual Information Flow.
本文研究了如何在证明助手中对一种具有渐进信息流标签的安全类型语言进行形式化建模。渐进信息流标签允许在类型系统中动态调整安全级别，从而在编译时静态检查和运行时动态检查之间取得平衡。作者首先给出了该语言的定义解释器语义，并在证明助手中实现，然后
MAGE: Safeguarding LLM Agents against Long-Horizon Threats via Shadow Memory
随着大语言模型驱动的智能体（LLM agents）被部署到复杂的现实世界任务中，它们面临一类日益增长的攻击：利用扩展的用户-智能体-环境交互，在单轮对话中难以实现的恶意目标。这类“长程威胁”对关键领域智能体的安全部署构成重大风险。本文提出M
Self-Mined Hardness for Safety Fine-Tuning
该论文提出了一种针对语言模型安全微调的新方法：自我挖掘困难样本（Self-Mined Hardness）。传统安全微调通常需要人工构造对抗性数据集，而本文另辟蹊径，通过评估模型自身对每个候选提示的响应被判定为有害的频率来衡量该提示的难度，然
When Agents Handle Secrets: A Survey of Confidential Computing for Agentic AI
本文是一篇关于机密计算（Confidential Computing, CC）如何保障自主AI代理系统安全的综述。随着LLM驱动的代理系统（如基于MCP和A2A协议进行规划、调用工具、维持持久内存以及委托任务的系统）的兴起，其暴露的攻击面显
Dependency-Aware Privacy for Multi-turn Agents
本文研究多轮交互场景下LLM智能体的隐私保护问题。现有基于度量差分隐私的提示清洗器将每次服务调用视为独立发布，但攻击者可通过跨轮联合观测恢复隐私属性，导致隐私随发布次数增加而衰减。作者指出这种退化是根本性的：当隐私属性是计算图的根节点时，对
HackerSignal: A Large-Scale Multi-Source Dataset Linking Hacker Community Discourse to the CVE Vulnerability Lifecycle
HackerSignal是一个大规模的网络安全威胁情报基准数据集，旨在解决时间分布外（temporal out-of-distribution）的跨来源CVE关联问题。该数据集聚合了来自64个公共论坛/来源标识符的745万条精确去重文档，涵
Evaluating Retrieval-Augmented Generation for Explainable Malware Analysis
该论文针对大型语言模型（LLM）在恶意软件分析中的应用进行了实证研究，重点评估检索增强生成（RAG）技术对解释质量的影响。研究背景是：安全分析师常借助LLM来自动总结和解释恶意软件行为，而RAG被认为可以通过注入外部安全知识来提升解释质量。
Stable Agentic Control: Tool-Mediated LLM Architecture for Autonomous Cyber Defense
本论文提出了一种面向自主网络防御的工具中介LLM架构（Stable Agentic Control），旨在解决现有方法无法为高对抗压力下的自主系统提供形式化保证的问题。研究背景源于安全运营中心（SOC）在敌对压力下配置端点检测与响应（EDR
EvoPoC: Automated Exploit Synthesis for DeFi Smart Contracts via Hierarchical Knowledge Graphs
本文提出了一个名为EvoPoC的知识驱动智能体系统，用于端到端的DeFi智能合约漏洞检测与利用合成。核心思路是将利用合成视为结构化推理问题，而非代码生成任务，因此需要协议语义、失败根因和利用原语的知识。EvoPoC将知识组织为层次知识图谱（
PHANTOM: Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry
本文提出 PHANTOM（Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry），一种生成上下文逼真的蜜令牌（honeytoken）
Autonomous LLM Agent Worms: Cross-Platform Propagation, Automated Discovery and Temporal Re-Entry Defense
本研究聚焦于自主大语言模型（LLM）代理在持续运行环境下的新型安全威胁——代理蠕虫。自主LLM代理通常以长时间运行的进程形式存在，拥有持久化工作空间、内存文件、定时任务状态及消息集成功能。这些特性使得攻击者能够将受控内容写入代理的持久状态，
FunFuzz: An LLM-Powered Evolutionary Fuzzing Framework
本文提出 FunFuzz，一个基于大型语言模型（LLM）的进化模糊测试框架，旨在解决传统 LLM 驱动模糊测试中 prompt 初始化和采样方差导致的探索效率低下和输入冗余问题。FunFuzz 采用多岛进化算法，并行运行多个隔离的搜索过程，
Dimensionality-Aware Anomaly Detection in Learned Representations of Self-Supervised Speech Models
本文研究自监督语音模型（S3Ms）表示学习中的局部几何变化，提出一种基于局部内在维度（LID）的异常检测框架GRIDS。作者发现，自然扰动（如噪声）和对抗扰动会以不同方式改变深层表示的局部维度：低信噪比（SNR）下LID普遍上升；高信噪比下
ContextualJailbreak: Evolutionary Red-Teaming via Simulated Conversational Priming
本文提出了一种名为 ContextualJailbreak 的黑盒红队攻击策略，用于自动化发现大语言模型（LLM）的越狱漏洞。与大多数现有工作集中在单轮提示优化不同，本文聚焦于多轮对话中的上下文预置（contextual priming）攻
VertMark: A Unified Training-Free Robust Watermarking Framework for Vertical Domain Pre-trained Language Models
随着垂直领域预训练语言模型（VPLMs）在医疗、金融、法律等专业领域的广泛应用，模型参数和推理能力已成为重要的数字资产。如何实现VPLMs的可追溯版权验证成为一个迫切挑战。现有的版权验证方法主要依赖向模型嵌入后门水印，但这些方法大多需要额外
APIOT: Autonomous Vulnerability Management Across Bare-Metal Industrial OT Networks
本文提出APIOT（Autonomous Purple-teaming for Industrial OT），首个利用大语言模型（LLM）在裸机工业OT网络中进行自主攻击与修复的框架。传统自动化渗透测试主要针对Linux和Web系统，这些系