本研究首次系统性地实证探讨了基于大语言模型（LLM）的代码生成系统中长期记忆（Long-Term Memory）存储不安全编码偏好对安全性的影响。长期记忆旨在提升跨会话的连续性，但一旦不安全的编码偏好被存储，可能会在后续生成中潜移默化地影响安全关键决策。研究评估了四种LLM（ChatGPT、Gemini、Qwen、Grok）和五种编程语言（Python、C、C++、Go、JavaScript）。实验表明，不安全的记忆使生成漏洞代码的风险增加2.7-50.3个百分点，并产生5.4-14.0个百分点的风险-警告差距，即漏洞率上升速度远超警告率。进一步分析发现，不安全记忆难以通过正常交互覆盖，且在不同措辞的提示下仍能广泛影响输出。论文评估了三种缓解策略：安全需求附加和记忆存储可将漏洞率降低19.7-33.6个百分点，但可能使功能正确性下降最多15.9个百分点；记忆级安全过滤能在评估的风险记忆条目上实现100%检测率，并使生成行为恢复到无记忆基线。基于这些发现，作者为改进LLM代码生成中长期记忆的安全性提供了可操作建议。该研究对AI安全研究人员、LLM应用开发者以及使用LLM辅助编程的团队具有重要参考价值。

Rowhammer是一种利用DRAM行间电荷泄露改变内存比特值的硬件漏洞，严重威胁系统安全。学术界和工业界已探索近十年，但尚未找到实用的缓解方案。纯软件缓解需要复杂改动且性能开销大，硬件缓解虽稳健但难以部署于现有系统。ECC内存原本通过纠错机制将Rowhammer降级为拒绝服务攻击，但最新研究表明攻击者可逐比特构建内存模板并实施ECC感知的Rowhammer攻击。本文重新评估了ECC内存作为Rowhammer缓解途径的可能性，提出Copy-on-Flip（CoF）这一基于软件的ECC内存加固方案。CoF的核心思想是让操作系统拦截所有纠错事件，一旦攻击者成功制造足够位翻转模板化受害页，立即将该页离线并透明迁移数据至新页。CoF在Linux上实现原型，仅需简单的内存管理变更即可支持用户态和内核态内存页的迁移。实验表明，CoF在SPEC CPU2017和Google Chrome上引入的性能开销低于1.5%，即使在极端I/O密集型场景（如饱和nginx）下开销也仅为约11%，同时显著降低了Rowhammer攻击面。该方法为在商用服务器系统上实用化防御Rowhammer提供了新思路。

该论文针对数据平面DoS缓解机制中内存自适应与增强技术可能引入的安全风险进行了系统研究。数据平面通常使用基于内存的数据结构（如sketch、哈希表）来统计和识别异常流量，然而动态调整内存大小或增强功能（例如为了适应流量变化而扩展内存）可能被攻击者利用，从而破坏缓解机制的有效性。论文以两种典型的DoS缓解方案（Cerberus和SHIELD）为例，分析了内存自适应操作（如重新分配、扩缩容）和增强逻辑（如合并统计信息）中的安全漏洞。作者实现了基于DPDK的Cerberus和SHIELD原型系统，并开发了名为Packet Testing Framework (PTF)的Python数据平面测试框架，用于系统性地验证攻击场景。实验表明，攻击者可以通过精心构造的流量序列，诱导内存自适应策略产生错误的统计分布，从而绕过检测或引发资源耗尽。论文的核心贡献在于揭示了内存管理机制本身可能成为攻击面，而不仅仅是网络协议或算法缺陷。适合网络安全研究员、数据平面开发者和DoS防御系统设计者阅读。