大型语言模型（LLM）生成的代码经常包含安全漏洞，且这些漏洞往往不是孤立的，而是跨多个关注领域同时出现，反映了软件安全中的横切性质。本文提出一个框架，将安全导向的蜕变关系（MR）与关联规则（AR）挖掘相结合，用于检测LLM生成代码中的漏洞，揭示其违反结构，并将该结构追溯到提示层面的风险因素。作者定义了覆盖主要CWE类别的九种MR，包括SQL注入、XSS、命令注入、路径遍历、硬编码凭证、弱密码学以及内存安全错误，并使用基于LLM的评判器对LLMSecEval基准测试中五个开源模型生成的3700个代码片段进行了评估。结果显示，68.8%的片段至少违反了一个MR，其中硬编码凭证（79.1%）和命令注入（74.4%）是最普遍的适用故障。AR挖掘揭示了强横切共违反模式：XSS和弱密码学共违反以82.5%置信度（提升度=3.23）预测硬编码凭证，并且存在紧密耦合的簇，连接认证、凭证处理和密码学弱点，以及输入处理和内存安全故障。随后进行的提示层面风险分析发现，与数据库和认证相关的提示是广泛横切不安全性的强预测因子，而65.5%的提示在五个模型上产生一致的违反结果。这些发现表明，不安全代码生成不仅是一组独立的缺陷，而是一个结构化的、由提示决定的现象，这促使采用簇感知验证和提示层面干预来实现更安全的LLM辅助编程。

全同态加密（FHE）允许在不解密的情况下直接对加密数据进行计算，为安全云计算、金融和医疗等隐私敏感应用提供了强大的隐私保障。然而，FHE方案的复杂性阻碍了其实际应用。为了降低开发门槛，新一代专用框架应运而生，将高级FHE程序转换为复杂的FHE操作，引入了新的编程范式。但这些框架的内在复杂性使其易受实现逻辑缺陷的影响。与简单的崩溃不同，逻辑错误可能悄无声息地破坏加密计算，导致严重的经济损失和FHE增强应用中的安全漏洞。本文提出了HERTA，首个专为FHE框架设计的自动化测试工具。HERTA利用蜕变测试（Metamorphic Testing）来揭示FHE软件栈多层级中的深层实现漏洞。为此，作者设计了一组基于FHE语义的新型蜕变关系（MRs），这些关系能够针对流水线中最具挑战性的方面进行压力测试，从而在没有人工真实标签的情况下实现自动化正确性检验。在三个领先的工业FHE框架上进行的评估中，HERTA发现了21个先前未知的错误，其中多个已被开发者确认并修复。此外，危害分析揭示了这些错误对基于FHE服务的完整性和可用性构成的严重安全影响。该研究对FHE框架的开发者、安全审计人员以及依赖FHE的应用程序设计者具有重要参考价值。

本文首次研究了基于变异性（metamorphic）的模糊测试预言增强（MFOE）方法，旨在提升灰盒模糊测试的漏洞检测能力。传统的模糊驱动程序通常仅依赖崩溃预言（crash-based oracle），忽略了库函数功能的正确性验证，限制了发现非崩溃类缺陷的能力。为此，作者提出利用变异性关系（MRs）构造变异性预言，并将其集成到现有模糊驱动中。然而，手动构建和集成此类预言需要大量领域知识，难以自动化。为解决这一挑战，论文提出了MetaFOE框架，借助大型语言模型（LLM）自动生成并集成变异性预言。MetaFOE首先从目标函数接口和文档中提取信息，利用LLM生成候选MRs，然后通过静态分析和编译验证筛选出可用的MRs，再自动生成元驱动程序（meta driver）代码。实验基于OSS-Fuzz项目中的实际驱动程序，使用了三种现代LLM（GPT-4、Claude等）和五种提示策略。结果显示，MetaFOE生成了3475个MRs，其中77.3%可被应用；实现了12351个元驱动，其中6228个有效。经过三小时的模糊测试，有效元驱动平均提升了18.7%的边覆盖率，并触发了1528个独特的崩溃。该工作证明了变异性预言增强的有效性以及利用LLM自动化实现MFOE的可行性，为推进灰盒模糊测试提供了新思路。