VULCANBOOST: Boosting ReDoS Fixes through Symbolic Representation and Feature Normalization.
该论文针对正则表达式拒绝服务（ReDoS）漏洞的修复效率与质量不足问题，提出一种名为 VULCANBOOST 的自动化修复增强方法。研究背景是：ReDoS 由正则表达式的灾难性回溯导致，现有自动化修复工具在生成补丁时往往依赖语法改写或简单启
#LLM
共收录 2152 条相关情报。
← 返回所有主题Poster: High-Fidelity and Contextual User Activity Memory Forensics.
该论文提出了一种名为 RAM-Weaver 的系统，旨在解决从内存转储中检索应用程序用户活动信息的传统难题。内存取证领域长期以来面临两大挑战：一是内存数据量庞大，二是应用程序内部的数据结构往往不透明且复杂，导致人工分析过程耗时且容易出错。R
Co-Inflow: Coarse-grained Information Flow Control for Java-like Languages.
本文提出 Co-Inflow，一种面向 Java 等命令式面向对象语言的粗粒度动态信息流控制（IFC）扩展。作者观察到 Java 的语言抽象（如类、对象、方法）与粗粒度 IFC 概念天然契合，因此可以在不引入大量安全注解、不要求重写设计模式
One-Sided Bounded Noise: Theory, Optimization Algorithms and Applications.
本文研究在隐私保护统计发布中使用单侧（仅正向）有界噪声的最优效用与隐私权衡问题。与传统依赖对称或双侧扰动的隐私机制不同，实际系统（如匿名通信、侧信道防御）常因硬件容量、通信协议或数据管理限制，只能施加正向且幅度有限的时间延迟、假消息或假数据
The Claws in Plain Sight: Unauthorized Context Disclosure through LLM Agent Tool Calls
该论文研究的是 LLM（大语言模型）智能体在构造工具调用参数时可能出现的上下文未授权泄露问题。作者指出，智能体通常会从用户画像、对话历史、检索文档以及先前的工具结果中获取上下文信息来构造工具调用参数，但合法访问上下文信息并不等同于有权将该信
ARQ: Agentic CodeQL Query Refinement for C/C++ Vulnerability Detection
本文提出 ARQ，一个基于智能体（agent）的自动化框架，旨在优化 C/C++ 程序的 CodeQL 漏洞检测查询，以降低误报（FP）和漏报（FN）。现有查询型静态分析器（如 CodeQL）通过预定义的漏洞模式查询来匹配源码，但官方查询仍
MATEE: Efficiently Bridging the Semantic Gap in TrustZone via Arm Pointer Authentication
本文针对Arm TrustZone可信执行环境（TEE）中安全世界与普通世界之间存在语义鸿沟（Semantic Gap）的问题展开研究。TEE利用硬件隔离机制保护敏感代码和数据，但TrustZone将系统划分为安全世界和普通世界后，安全世界
Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning
联邦学习（FL）面临多层次安全威胁，包括数据泄露、未经授权的模型重用以及恶意梯度操纵。现有防御方法通常孤立地处理这些问题，缺乏端到端的统一防护框架。本文提出一种将带密钥的上下文来源水印与基于格的可验证安全聚合相结合的新型联邦学习框架，旨在同
Beyond End-to-End Success: Diagnosing Failures in Long-Horizon Security LLM Agents
长时程安全 LLM 代理需要在多次依赖交互中持续携带信息和决策，后续动作常常依赖于早期发现的服务、状态或访问权限，这使得最终任务成功率难以解释：代理很可能在测试目标能力之前就已失败。本文提出一种诊断方法论，通过为安全任务插入检查点（chec
aiXamine: Unified Black-Box Evaluation of Cross-Dimensional Trade-offs in LLM Safety, Security, and Privacy
本文针对当前大型语言模型（LLM）安全评测中存在的维度割裂问题展开研究。作者指出，现有评测框架通常独立评估安全性、安全性和隐私性，无法捕捉跨维度的失效模式。例如，一个模型可能在安全对齐指标上达到99.3%，却拒绝三分之一的良性查询；或者在所
AEGIS: Preventing Cross-Domain Resource Abuse in MCP
本文提出 AEGIS，一个针对 Model Context Protocol（MCP）的跨域资源滥用防护策略执行组件。MCP 是一种开源的 JSON-RPC 协议，用于标准化大语言模型（LLM）与外部系统之间通过工具（tools）进行的交互
TrustRAG: Blockchain-Enhanced RAG via Committee-Based Credibility Scoring
该论文提出 TrustRAG，一种基于委员会评分与区块链背书的新型检索增强生成（RAG）系统。传统 RAG 依赖集中式数据库，存在数据来源不明、内容被篡改、以及信任缺失等问题，尤其在医疗、金融、物流、法律等对信息时效性和准确性要求极高的领域
EchoCoT: Extracting Hidden Chain-of-Thought from Large Reasoning Models
该论文研究了一个此前被忽视的安全问题：能否通过黑盒API交互，从前沿专有大型推理模型（LRM）中近乎逐字地提取隐藏的思维链（Chain-of-Thought, CoT）。隐藏CoT被视为模型的核心资产，尤其是商业模型内部的推理过程，过去普遍
Auditing Cross-Lingual Fairness in Language Model Watermarking
该论文指出，当前大语言模型（LLM）输出水印方案的评估几乎完全基于英文文本，并且使用固定的检测阈值和狭窄的一组质量测量手段，这使得跨语言部署中的公平性问题被系统性忽视。作者提出了一套跨语言公平性审计框架，包含四个关键组成部分：第一，根据具体
COPA: Continual Preference Optimization for Adaptive Prompt Injection Defense
本文针对大型语言模型（LLM）在面对不断演进的提示注入攻击时现有防御机制不足的问题，提出了一种持续偏好优化框架COPA。提示注入攻击通过将恶意指令嵌入用户输入或外部内容，可操控模型行为并绕过安全限制。现有防御大多采用静态策略，如固定的对齐目
From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs
该研究针对安全日志异常检测中传统方法（如 Wazuh 规则检测、OpenSearch 统计异常检测）依赖预定义规则或历史行为基线、难以捕捉语义和上下文信息的问题，探索了利用大语言模型（LLM）进行端到端异常认证行为检测的可行性。作者指出已有
MaliciousSkillBench: A Comprehensive Benchmark for Malicious Agent Skill Detection
该论文提出 MaliciousSkillBench，一个专门用于恶意 Agent Skill 检测的综合基准。Agent Skills 为大型语言模型代理提供可重用的指令包，并可能包含脚本、资源和服务配置，这为恶意行为创造了直接的分发渠道。
Inadvertent Context Leakage in Language Models
本文研究了语言模型在上下文中持有敏感用户数据（如日历、凭证、健康记录和财务信息）时发生的意外信息泄漏问题。作者首先探索了这样一个核心问题：即使模型正确拒绝了直接的秘密提取请求，秘密在上下文窗口中的存在是否会在模型的良性输出中引入隐藏相关性，
Survival of~the~Stealthiest: Evolving Low-Entropy Ransomware via~Genetic Algorithms
该论文提出了一种新型勒索软件生成范式，将勒索软件的执行过程建模为基于搜索的软件工程（SBSE）优化问题，并利用遗传算法（GA）在保持系统活动统计偏差低于硬约束的前提下，优化数据加密策略。传统勒索软件通常依赖大规模加密操作，容易被现代防御系统
TGL-APT: Temporal Graph Learning with Graph Distillation for Efficient APT Investigation
本文提出了一种面向高级持续性威胁（APT）调查的自适应框架 TGL-APT。APT 攻击具有隐蔽性和多阶段特性，传统检测方法难以奏效。虽然溯源图（provenance graph）能为攻击调查提供丰富的行为上下文，但攻击相关证据往往稀疏地埋