论文《ShadowPickle: Evading Machine Learning Model Scanners via Stealthy Pickle Deserialization Attacks》研究了针对预训练机器学习模型（PTM）托管中心（如Hugging Face）的供应链攻击。这类攻击利用恶意PTM在用户可信环境中执行远程代码。作者提出了三种名为SHADOWPICKLE的隐蔽pickle反序列化攻击，利用Pickle虚拟机的外部模块导入机制，在反序列化期间执行恶意载荷，从而规避现有最先进的模型扫描器。为了评估攻击，他们还开发了PICKLEBENCH基准测试，能够自动将SHADOWPICKLE注入任意良性PTM模型。实验表明，SHADOWPICKLE可以逃避十种最先进的扫描器和四种模型中心。其中“Overwritten”变体对扫描器的平均逃避率为63%，比现有攻击高出最多50%。PICKLEBENCH比三个现有基准测试的挑战性高25.6%。论文最后提供了缓解建议，指出了现有扫描器的局限性及改进方向。该研究适合机器学习安全研究人员、模型托管平台安全团队以及开发反序列化防护工具的人员阅读。