FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and Reproduction
软件漏洞是严重的安全威胁，仅2025年报告的CVE数量就接近5万个。大型语言模型在自动化漏洞检测方面展现出潜力，但仍面临三大挑战：一是生成的漏洞报告误报率高且缺乏可重复验证；二是现有的LLM方法在漏洞定位时粒度选择次优，函数级分析在上下文过
#multi-agent
共收录 86 条相关情报。
← 返回所有主题Hunting Vulnerability Variants in AI Infra: Measurement and Reference-Driven Detection
该论文针对AI基础设施（AI infra）中的漏洞变体问题进行了系统性的测量与检测研究。AI infra作为模型训练、部署和智能体编排的共享执行层，大量项目重复实现了相似的模型中心化工作流，导致一个仓库中公开的漏洞可能在另一个设计相关的仓库
FuzzAgent: Multi-Agent System for Evolutionary Library Fuzzing
库模糊测试是保障软件供应链安全的重要手段，但大规模采用仍面临成本高昂、环境配置复杂、测试用例生成难以满足复杂API约束，以及难以区分真实库bug与测试驱动导致的崩溃等问题。现有的基于LLM的自动化工具通常作为一次性代码生成器运行，忽略了运行
SecMate: Multi-Agent Adaptive Cybersecurity Troubleshooting with Tri-Context Personalization
该研究提出了SecMate，一个基于多智能体架构的网络安全故障排除虚拟客户助手（VCA）。针对传统IT支持依赖人工、效率低下且缺乏个性化的问题，SecMate通过三个维度的上下文个性化来提升故障排除的准确性和用户体验：1. 设备特异性：在客
MARD: A Multi-Agent Framework for Robust Android Malware Detection
随着Android应用的快速演变，传统的基于机器学习的检测模型面临概念漂移问题，且受限于浅层特征，缺乏对代码的深层语义理解和可解释性。虽然大语言模型展现出强大的语义推理能力，但直接处理海量原始代码会产生巨大的令牌开销，并且无法在复杂上下文中
MAS-SZZ: Multi-Agentic SZZ Algorithm for Vulnerability-Inducing Commit Identification
精确识别漏洞引入提交（Vulnerability-Inducing Commit）是软件安全领域多项任务（如漏洞检测、受影响版本分析）的基础。传统的SZZ算法通过追溯代码历史来定位最早修改漏洞代码的提交，但现有方法（如定制化V-SZZ和当前