该论文针对自然语言处理中的训练数据隐私风险，系统评估了成员推断攻击（Membership Inference Attack, MIA）在文本分类任务上的实际威胁。MIA 的目标是判断某条具体记录是否被用于训练某个模型；在 NLP 场景下，训练语料往往包含用户文本等敏感信息，因此一旦模型泄露成员信号，就意味着训练数据存在被反向识别的隐私风险。作者在 GLUE 的 SST-2 情感分类数据集上构建了一个受控基准，横向对比了两类典型模型：基于 TF-IDF 特征的传统机器学习流水线（配逻辑回归分类器）与经过微调的预训练 Transformer 模型 DistilBERT。评估使用基于损失阈值的成员推断攻击，同时用开发集准确率和宏平均 F1 衡量模型的正常效用。实验结果显示，DistilBERT 的效用显著更高，准确率 0.9466、宏 F1 0.9460，而逻辑回归为 0.8756 与 0.8727；但两者的成员信号均被攻击成功提取，攻击 AUC 分别为 0.5615（DistilBERT）和 0.5800（逻辑回归），说明更强的模型并不必然对应更差的隐私保护。论文进一步测试了两种缓解手段：其一是加强正则化，能够降低逻辑回归的成员泄露，但会带来可观察到的效用损失；其二是将 DistilBERT 的微调轮数从 3 轮减少到 2 轮，结果在准确率几乎无损的前提下降低了泄露程度。作者据此提出，轻量级的训练过程调整（如早停式的轮数控制、正则化调节）即可改善隐私—效用权衡，无需引入复杂的隐私防御机制。整体而言，这是一项面向基线与可复现性的实证研究，为 NLP 隐私评估提供了参照点与方法论启示。

蜂窝网络协议（如4G/5G）的规范文档通常以自然语言编写，安全分析师需要从这些非形式化描述中手工提取协议状态机，以进行安全分析和漏洞挖掘。这一过程极为耗时且容易出错，阻碍了大规模系统性安全评估。本文提出 Hermes，一个端到端框架，能够自动从自然语言编写的蜂窝网规格说明中生成形式化的有限状态机（FSM）模型。Hermes 首先开发了一个神经成分解析器 NEUTREX，用于处理与状态转换相关的文本，提取转换三元组：状态、条件和动作。接着，设计了一种领域特定语言（DSL），利用依赖解析树将这些转换组件转化为逻辑公式。最后，编译这些逻辑公式生成状态迁移，并组装为有限状态机。作者在 4G NAS、5G NAS 和 5G RRC 三个规范集上评估 Hermes，取得 81–87% 的总体准确率，大幅优于现有方法。基于提取出的模型，安全分析发现了 3 个新漏洞，确认了 4G/5G 规格中已有的 19 个攻击，并在商用 4G 基带中发现 7 处与规范的偏差。该工作展示了从自然语言规范到可分析形式模型的自动化路径，为协议安全测试和形式化验证提供了可扩展的工具支持。

本文展示了自然语言处理（NLP）系统容易受到后门攻击，攻击者可以在语言模型中植入隐藏特征（后门），仅当特定触发条件（如特定输入文本）出现时才会被激活，导致模型产生意外行为。作者提出了两种创建隐蔽且自然触发器的文本后门攻击方法，称之为“隐藏后门”。第一种方法基于同形字符替换（homograph replacement），通过视觉上相似的字符替换（例如使用Unicode同形异码字符）来嵌入触发器，这种替换对人类视觉检查具有欺骗性。第二种方法利用语言模型生成的文本与真实自然文本之间的细微差异，生成语法正确、流畅度高的触发句子，使之难以被察觉。作者在三个代表性的安全关键型NLP下游任务上验证了攻击效果：毒性评论检测、神经机器翻译（NMT）和问答（QA）。实验结果显示，在毒性评论检测任务中，仅需注入3%的含触发数据即可达到至少97%的攻击成功率（ASR）；在NMT任务中，注入数据少于0.5%即可达到95.1%的ASR；在QA任务中，仅用27个投毒样本（原训练集包含92024个样本，即0.029%）即可实现91.12%的ASR。攻击在保持模型对正常用户功能的同时，使触发器对人类管理员不可见。该研究揭示了现代以人为中心的NLP系统在面对精心设计的后门攻击时的脆弱性。

本文提出一种针对钓鱼攻击（多模态威胁）的混合多层级检测管道。该管道为每种模态独立构建引擎，最后进行融合决策。具体包括三个引擎：1）四阶段URL检测栈：包含域名守卫、词法模型、威胁情报以及一个非对称L2融合侧车；2）鲁棒性增强的DistilBERT NLP分类器，其在真实钓鱼邮件召回率上从0.8%提升至87.3%；3）具备端到端OpenTelemetry可观测性的威胁情报同步器，确保消息1:1守恒。决策级融合阶段在10,677封邮件的全系统基准测试上，通过校准的URL、邮件头和钓鱼概率三个通道的OR融合，达到F1=0.914，同时将真实垃圾邮件的误报率降至3.6%。由于该基准采用了代理URL和邮件头通道，且操作点仍需重新校准，因此结果被视为初步集成结果。作者指出，实际部署的约束在于泛化能力而非同分布精度。

本文提出了一个名为Atomic的自动化框架，用于系统性地发现LTE蜂窝网络中的安全漏洞。研究背景是当前蜂窝网络漏洞发现主要依赖手动分析，效率低下且不全面。作者观察到LTE技术文档中包含大量“危险指示器”（HI），即描述在特定状态下发生某个事件时可能触发危险操作（如中止正在进行的过程）的语句。这些HI可以引导对系统的测试，以验证该操作是否确实能被未授权方触发并造成危害。Atomic框架利用自然语言处理和机器学习技术，从LTE NAS规范的549页、13,598条句子和283,850个单词中自动扫描提取HI。然后对HI进行解析和分析，恢复状态和事件信息，生成测试用例。这些测试用例在LTE仿真环境中自动执行，检测系统是否允许危险操作在缺乏适当保护的情况下发生。实验在不到5小时内从192个HI中发现了42个漏洞，其中10个是此前未报道过的，涉及两种威胁模型。所有漏洞均通过端到端攻击验证，可导致合法用户设备的LTE服务被未经授权中断。作者已向相关方报告，并获得主要商业运营商确认存在以及Google的2000美元奖励。