该论文研究如何为智能体渗透测试自动化构建逻辑攻击图，属于神经-符号漏洞挖掘方向。作者指出，基于扫描器输出、以逻辑形式表达的攻击图能够提供LLM智能体所缺乏的显式且可审计的攻击路径推理；但将MulVAL等符号框架集成到现代安全工作流或智能体流水线时，存在互操作性问题：需要把扫描器证据翻译为初始事实，并编写领域专用规则。为此，论文提出半自动化流水线：解析Trivy、Semgrep、Nmap的发现结果并转换为MulVAL谓词，再借助LLM辅助构建领域专用Datalog规则，将扫描器可检测证据与攻击技术关联，最后由MulVAL/XSB执行符号推理生成结构化攻击路径。评估使用CyBench中54个Web CTF任务，置于Hybrid Reasoner智能体流水线内，但作者明确不评估下游智能体性能。结果显示每个任务至少生成一个可达目标的攻击图，平均真实漏洞覆盖率为53.7%，其中51.9%任务达到完全覆盖；平均噪声路径率为83.9%。端到端中位耗时24.9秒，其中MulVAL推理2.7秒，说明流水线对智能体工作流具备运行时可行性。主要局限在于谓词覆盖率、规则覆盖率和路径精度，后续工作包括语义规则验证和面向图引导渗透测试的智能体级对比。

该论文从神经符号（Neuro-Symbolic, NeSy）视角出发，首次系统评估了后门攻击对NeSy模型的影响。NeSy AI旨在将亚符号神经感知与基于符号的推理相结合，以提高AI系统的透明性、可解释性和效率，通常被认为是“设计上安全”的。然而，神经与符号的集成过程引入了额外的复杂层，可能成为攻击者的入口点。作者认为有必要深入调查NeSy模型的对抗鲁棒性，并提出首个针对NeSy的后门攻击系统性评估。实验采用了最流行的NeSy框架DeepProbLog，与基线神经网络在八种后门设置和四种推理任务上进行比较。结果表明：平均而言，NeSy模型确实比纯神经网络更具鲁棒性，但其鲁棒性强烈依赖于所执行的推理过程的严格程度，以及推理过程与所选择的后门攻击目标之间的兼容性。作者已公开实验代码以促进复现。该研究揭示了神经符号集成在对抗场景下的安全属性并非天然坚固，为后续设计更安全的NeSy系统提供了重要参考。适合关注AI安全、对抗机器学习以及神经符号结合方向的研究者、安全工程师和模型设计者阅读。

本文面向运营技术（OT）环境中的分布式拒绝服务（DDoS）检测问题，提出了一种面向部署、资源高效的神经符号（neuro-symbolic）混合检测框架。OT环境包括可编程逻辑控制器（PLC）、工业控制系统（ICS）和监控与数据采集（SCADA）系统，这些系统资源受限且对实时性要求高，但近年来越来越多成为DDoS攻击的目标。该框架将门控循环单元（GRU）神经网络与浅层决策树（作为符号组件）相融合：符号组件单独可提供紧凑、可解释的规则集，而融合则结合了神经网络的特征学习能力与符号模型的可解释性。作者在三个真实基准DDoS数据集（CIC-DDoS2019、Edge-IIoTset、CICIoT23）上进行了评估，并设计了一套统一的预处理流程，包括标签映射、数值特征选择、稳健缩放和类别平衡。融合权重alpha和决策阈值在验证集上联合优化以最大化F1分数。实验结果显示，混合模型在CIC-DDoS2019上达到99.04%准确率（MCC 0.97），在CICIoT23上达到98.61%准确率（MCC 0.76），且两者的假阴性率（FNR）均低于纯神经网络和纯符号基线；在线性可分的Edge-IIoTset上，浅层决策树单独已达100%准确率，因此该基准主要用于验证预处理流程而非融合机制。融合的主要收益是在可控的误报代价下降低FNR，这在OT环境中至关重要——漏报攻击比误报更危险。模型推理延迟在标准CPU上为每样本0.58-0.79毫秒；即使包含设备端流特征提取，端到端路径仍保持在个位数毫秒预算内，符合OT控制回路的时间要求。本文面向OT安全研究人员、工业安全运营工程师以及DDoS检测系统设计者，提供了在资源受限场景下兼顾准确率、可解释性和实时性的实用方案。

Antiproof 是一个端到端的漏洞发现系统，旨在同时实现高召回率和可靠自动验证，解决现有方法在成本和效果之间的权衡。系统核心结合了神经符号检测器合成（neuro-symbolic detector synthesis）和可利用性证明预言机（proof-of-exploitability oracles）。首先，Antiproof 从漏洞数据集中学习静态检测器，并通过迭代优化提升召回率；然后，利用预言机验证候选漏洞是否具备可执行的利用证明，从而确认攻击者能否实际利用。实验在 BountyBench 和自建的 KEVBench 数据集上进行，Antiproof 成功检测出 66 个漏洞中的 64 个，召回率相比静态分析基线和神经符号基线提升超过 60 个百分点。在对 50 个广泛部署系统的扫描中，Antiproof 发现了数百个先前未知的漏洞。截至论文发表，已负责任披露所有确认的零日漏洞，并获分配 12 个 CVE 编号，其中包括 Ray、SGLang、vLLM 和 LiteLLM 中的远程代码执行漏洞，这些漏洞可能允许攻击者控制大模型训练和推理系统。该研究适合安全研究人员、漏洞挖掘工程师以及 LLM 基础设施维护者阅读。

本文提出了一种名为Agentic SABRE（Semantic-Behavioural Arbitration for Ransomware Evaluation）的不确定性感知、神经符号多智能体框架，用于自适应勒索软件检测。核心问题在于传统静态签名和单一分类器难以应对勒索软件的漂移、规避和行为多态性。方法上，SABRE融合了基于语义的表示证据与基于行为的时序取证，并通过蒙特卡洛Dropout推断为每个智能体量化认知不确定性。引入决策层编排器，使用风险评分和不确定性预算两个可解释阈值：高置信度、高风险的样本自动处置，不确定或边界样本上报给人工分析师，建立了自主响应与分析监督之间的灵活计算契约。此外，SABRE集成了事后可解释性机制，包括梯度显著性、排列重要性和反事实分析，支持局部和全局决策解释。在RDset和RanSMAP数据集上的评估表明，Agentic SABRE在饱和语义数据集上保持完美区分（AUC=1.0），在弱行为信号下提升了鲁棒性，在同等召回率下误报率相对降低最多4.9%，且反事实分析显示语义和行为决策均可在有界扰动成本下逆转，表明决策边界稳定且可解释。本论文适合安全研究人员、SOC分析师及关注AI驱动检测的从业者阅读。

本文提出 NeuroLog，一个端到端、无需构建环境的漏洞发现流水线，用于 C/C++ 源代码。核心思路是将 LLM、Datalog（Soufflé）和 SMT 求解器（Z3）分层协作：LLM 逐个函数提取类型化的数据流事实；Soufflé 规则网将这些事实组合成跨函数的发现；Z3 后处理过滤不可行路径并为每个幸存路径输出 SAT 模型。为超越纯静态分析，还引入运行时证据：从少量语料种子导出的可能范围不变量以极低成本收紧 SMT 问题。第二个 LLM 智能体读取每个 SAT 模型并编写 Python 程序生成候选崩溃输入，由 AddressSanitizer 验证。实验覆盖 stb、cJSON、libxml2、FFmpeg demuxer 切片和 curl 8.3.0，重新发现了 8 个 CVE 类问题，包括 CVSS 9.8 的 SOCKS5 堆溢出 CVE-2023-38545。在 libarchive HEAD 上发现 5 个内存安全漏洞（4 个先前未报告），其中 cpio use-after-free 在 7 小时内得到确认。提取阶段约 37 秒、成本 $0.005（stb）；崩溃合成将静态发现转化为 102 字节的 stb_vorbis 崩溃（两轮 LLM 交互）。来自三个 Matroska 种子的似然不变性过滤器消除了 FFmpeg demuxer 可行集中的 13.2%。该方法结合了静态缩小 SMT（Saturn, Pinpoint）和 Datalog 与 SMT（Formulog）的先前工作，新贡献在于 LLM 推导的事实库、无构建流水线以及将 SAT 模型作为合成崩溃输入的制品而非简单的是/否判定。适合安全研究人员、漏洞发现工程师和软件质量保障团队阅读。

这篇论文针对高级持续性威胁（APT）场景下的攻击溯源重建问题，提出了一种神经符号框架 HunterAgent。现代安全运营中心（SOC）虽能通过告警筛选减少误报，但面对使用反取证技术（如父进程PID欺骗、日志擦除、无文件执行）的APT攻击时，现有基于溯源图的方法因日志部分损坏或反取证操作导致图分裂为不连通子图，无法重建完整攻击链。此外，无约束的大语言模型（LLM）虽能生成流畅叙事，但会虚构不符合操作系统物理规律的因果链接，导致溯源报告在法律上不可采信。HunterAgent 将溯源重建问题建模为部分可观测条件下的代价有界启发式图搜索。其核心是一个非对称的生成器-验证器流水线：生成器（LLM）在类型化本体中提出语义假设，验证器通过存活的正交遥测数据中的标识符级碰撞来验证每个假设。为连接断裂的痕迹，HunterAgent 使用结合语义差异和操作系统时间势能的校准代价对跳转打分，并硬性剪除违反模式的路径。此外，长度折扣的认知预算防止推理漂移，强制优雅终止。在三个公开基准和一个内部40条痕迹数据集上，采用严格的LOFO交叉验证，HunterAgent 平均F1达到86.1%，比最好的基于智能体的基线高26.7个百分点，比KAIROS高17.1个百分点，同时将路径级幻觉从61.5%降至6.4%。在70%日志擦除情况下，召回率虽下降但精度仍保持≥84%，且95.7%的情况安全终止。所有结果在至少一个正交遥测源存活的实际假设下成立。该方法适合安全分析师、威胁狩猎人员及AI安全研究者关注，为实际环境中的自动化溯源提供了可行的神经符号融合思路。