本文提出 StealthBench，一个专门用于衡量自主攻击性安全代理在操作安全（OPSEC）方面隐蔽性的基准测试框架。研究背景是：高级安全研究人员和APT组织在执行任务时能够不被察觉，而日益自主化的攻击性安全代理继承了这些任务，但其是否继承了同等水平的隐蔽技能尚不清楚。作者从真实的漏洞赏金和红队轨迹中提取了11个手工验证的OPSEC事件，并扩展为14个基于Docker的任务场景。这些场景中的代理虽然发现了真实漏洞，但出现了违反标准作战隐蔽准则的行为，例如在公开上传中嵌入凭据、为证明访问权而删除生产资源、强行添加无关用户以演示竞态条件等。为了评估代理的表现，研究者设计了一个由3个大语言模型（LLM）组成的评审团，采用多数投票聚合机制，测量三个关键指标：安全成功率（同时满足任务完成与隐蔽性）、隐蔽求解率（在成功求解中体现作战隐蔽质量的比例）以及鲁莽求解率（虽求解但暴露痕迹的比例）。实验结果显示，没有任何模型的安全成功率超过54%，这证实了OPSEC失败在不同模型家族中是系统性的问题。StealthBench作为公开基准发布，支持隐蔽感知型代理的开发，并为自主攻击性安全部署提供自动化OPSEC监控。相关排行榜、评估框架和数据集可在 https://stealthbench.com 获取。该研究适合 LLM 安全研究人员、红队工具开发者及 SOC 团队阅读，以理解当前自主代理在隐蔽性方面的局限。

该论文系统研究了YARA规则共享过程中的匿名性问题。YARA规则常用于威胁情报社区共享恶意软件检测规则，社区普遍认为去除元数据（如作者字段）足以保护贡献组织身份。为了验证这一假设，作者从三个主要公共YARA规则库收集了23,305条规则，采用三种互补方法（词汇n-gram的Burrows' Delta、语法AST特征的Caliskan-Islam方法、以及微调后的CodeBERT）训练分类器，沿着四个风格测量维度（个体作者、来源仓库、恶意软件家族、时间漂移）进行推断。实验结果表明：仓库来源几乎可完美恢复（最高99%准确率），个体作者可远高于随机概率被重新识别（76%），恶意软件家族分类达到95%。通过对比完整历史与时间限制子集下的仓库归因任务，发现存在9-18%的准确率差距，初步证明仓库指纹存在时间漂移。进一步针对恶意软件家族内的作者归因实验：在七种测试家族中，五种家族内的作者仍可被重新识别（平均准确率74.6%）。这些发现首次系统证明了YARA规则共享是一个可测量的OPSEC攻击面，仅去除元数据无法缓解该风险。该研究适合威胁情报分析师、安全运营工程师以及开发YARA规则共享平台的人员阅读。