Discovering Persistent Behavioural Patterns for Interpretable Blockchain Forensics
该论文提出一种可扩展、与应用场景无关的区块链取证分析框架，用于从大规模链上活动中发现“持久行为模式”。研究背景在于，公开区块链数据虽支持大规模 DeFi 分析，但现有方法往往针对特定应用、难以扩展或难以解释。该框架首先构造融合合约、代币和市
#LLM
共收录 2152 条相关情报。
← 返回所有主题RealmEye: Virtual Machine Introspection for Arm CCA Realm VMs
本文提出 RealmEye，这是首个面向 Arm 机密计算架构（Arm CCA）Realm 虚拟机的虚拟机自省（VMI）系统。在机密虚拟机（CVM）成为金融、隐私保护 AI 推理等敏感云工作负载主流基座的背景下，硬件隔离虽然能防御恶意云平台
PIPES: Securing Agent Perception with Provenance and Priors
本文研究了工具型智能体（tool-using agents）在消费外部数据时面临的安全问题。这类智能体会从不同可信级别的来源获取数据，但工具响应通常不标明每个响应单元的来源或预期语义，导致智能体可能被攻击者控制的内容污染。作者将这种攻击定义
Hack the Heap: Heap Layout Manipulation made Easy.
本文提出了一种名为“Hack the Heap”的在线谜题游戏和配套工具链，旨在简化和辅助堆布局操纵（heap layout manipulation）这一在利用堆漏洞时极具挑战性的环节。作者指出，堆布局操纵对于经验丰富的漏洞利用开发者而言
SpotProxy: Rediscovering the Cloud for Censorship Circumvention.
本文提出并评估了 SpotProxy，一种利用现代云基础设施来规避网络审查的新型系统。研究背景是：现有审查规避系统（如 VPN、Tor）常依赖特定的中继服务器或公共代理，其 IP 地址和流量特征容易被深度包检测（DPI）或 IP 封锁等手段
Correct Is Not Governed: Provenance Integrity in Agentic Workflows
该论文针对智能体工作流（agentic workflows）评估标准过于单一的问题展开研究。传统上，系统是否成功仅取决于是否达到正确结果，但在机构化场景中，这一标准远远不够：一个动作即使结果正确，也可能依赖于错误的权威来源、包含未经证实的完
Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks
本文针对大语言模型（LLM）生成文本的溯源与篡改检测问题，提出了一种新型互补水印方法。现有水印技术通常对文本编辑具有鲁棒性，能够保持溯源属性，但这种鲁棒性也带来安全漏洞：攻击者可以在保留水印归属的同时对关键内容进行篡改，即所谓的“piggy
Privacy-Preserving RAG by Concealing Sensitive Information from External LLMs
本文提出了一种面向检索增强生成（RAG）场景的隐私保护框架 SEAG（Sensitive Entity Alias Generator），旨在解决外部大语言模型（LLM）在生成回答时可能接触用户查询和检索文档中的敏感信息这一常被忽视的问题。
SoK: From Generation to Consumption of Privacy Documents in Software Systems
本SoK论文从软件工程视角系统性地综述了隐私文档（如隐私政策）从生成到消费的全生命周期。作者分析了2010至2025年间发表的290篇相关论文，围绕五个核心研究问题展开：隐私文档如何定义与界定、如何生成、如何分析与提取、如何检查不一致性和不
Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents
该论文提出了一种针对基于技能（skill-based）的大型语言模型（LLM）智能体的新型攻击方法——收敛性绕行劫持（Convergent Detour Hijacking, CDH）。在LLM智能体生态中，第三方技能通过自然语言描述供模型
Non-Degenerate Risk Certification for Automated Security Decisions: A Decision-Contract Theory with ATT\&CK-Aligned Triage as a Worked Instance
该论文针对自动化安全决策中的风险评估提出了一种理论框架，指出无条件风险界限存在结构性问题：一个从不采取行动的“选择器”可以平凡地使风险趋于零，因此任何看似可靠的风险证书实际上可能掩盖了底层分类器的错误。作者建立了“决策契约理论”（Decis
VICBench: A Multi-Language Benchmark for Code Vulnerability Detection
在软件安全领域，准确评估漏洞检测工具的效果高度依赖于包含“漏洞诱导提交”（Vulnerability-Inducing Commits, VIC）的基准数据集——即首次将漏洞引入代码库的提交。VIC 对于确定受影响的软件版本范围、追踪漏洞演
Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation
本文提出了一种基于强化学习的自适应云安全防御框架，旨在应对云环境中日益复杂的网络攻击。该框架采用深度Q网络（DQN）作为核心算法，通过训练智能体学习动态防御策略，实现实时入侵检测与自动威胁缓解。研究使用了CICIDS2017数据集进行模型训
The energetic cost of mitigating AI attacks in cellular networks
本论文研究了在蜂窝网络中应用人工智能（AI）和机器学习（ML）技术时所引入的安全漏洞及其缓解策略带来的能量开销问题。随着AI/ML算法被广泛部署于蜂窝网络的各个层面，例如O-RAN架构中的无线智能控制器（RIC），网络得以实现无线资源分配优
ToolHazard: Scaling Adversarial Environments for Security Evaluation and Alignment of LLM-based Agents
本文提出 ToolHazard，一个可扩展的对抗性环境合成框架，用于评估和提升基于大型语言模型（LLM）的智能体在集成外部工具时的安全性。核心研究问题是：LLM 智能体在感知环境状态时，容易受到嵌入其中的间接提示注入攻击，但现有研究多依赖手
Towards Model-based Run-time Cybersecurity: On Control-Flow Anomaly Detection, Attack Identification, and Hardware Monitoring
该论文针对网络攻击下系统韧性提升问题，提出一种基于模型的运行时网络安全方法，重点研究控制流异常检测、攻击识别与硬件监控的协同架构。作者指出，传统的控制流监控通过观察程序执行路径确保系统完整性并检测运行时异常，但单纯依赖软件层监控存在被“伪装
FedCRI: Federated Mobile Cyber-Risk Intelligence.
本文提出了一种名为 FedCRI 的联邦移动网络风险情报框架。随着数字化普及以及新冠疫情推动更多服务在线化，移动服务生态系统面临越来越大的攻击面，移动服务提供商在保护其服务和相关移动应用时面临诸多挑战。现有防御手段往往局限于轻量级的应用程序
Jasmine: Scale up JavaScript Static Security Analysis with Computation-based Semantic Explanation.
本文提出了一种名为 Jasmine 的新型静态安全分析工具，旨在解决现代 JavaScript 应用中因复杂操作和语义导致的静态数据流分析精度严重下降的问题。研究背景是，尽管静态数据流分析广泛用于 Web 应用的安全威胁检测，但缺乏实际执行
Membership Inference Attacks as Privacy Tools: Reliability, Disparity and Ensemble.
该论文针对机器学习模型隐私评估中广泛使用的成员推断攻击（Membership Inference Attacks, MIAs）展开系统研究。现有MIA研究主要聚焦于提升AUC、准确率、TPR@低FPR等性能指标，或利用这些指标评估隐私保护方
The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark
这篇论文针对 AI 智能体在网络安全领域的逆向工程（RE）能力评估问题，提出了一个全新且严格的基准测试 SRE-Bench。研究背景是：AI 智能体在源代码可用时已展现出强大的安全分析能力，但实际中许多关键软件（如恶意软件、固件、专有应用）