本文研究的是数字签名 PDF 文档的安全性。数字签名常用于合同、发票等场景，用于保证文档的完整性和来源真实性。用户打开签名 PDF 时，如果文档被修改，阅读器应显示警告。然而，2019 年 Mladenov 等人曾揭示多种 PDF 阅读器实现中的解析漏洞，并展示了可以在不使签名失效的情况下修改 PDF 文档的攻击方法。此后，受影响的 PDF 阅读器厂商纷纷采取对策，阻止了所有已知的攻击。本文在此基础上提出了一类新的攻击，名为“影子攻击”（Shadow Attacks），其核心思路是绕过现有防护措施，通过构造特定的 PDF 结构或内容表示，使得阅读器在验证签名时看到的内容与实际显示或处理的内容不一致，从而在签名仍然有效的情况下隐藏或替换文档内容。该研究系统性地分析了多种主流 PDF 阅读器，并展示了影子攻击在新版软件中的可行性。主要贡献包括：揭示现有防护措施的不足，提出攻击的分类框架，并讨论潜在的缓解方案。本文适合对 PDF 安全、数字签名验证逻辑以及文档解析器安全性感兴趣的研究人员和蓝队成员阅读。

本文提出一种基于强化学习（RL）的语法推断新方法 RL-GRIT，用于理解实际数据格式（de facto data formats）的使用模式。作者指出，在分析数据格式时，实际样例往往比规范文档更具代表性；例如不同应用对 JSON 的使用差异巨大，或不同 PDF 生成器利用规范的不同部分生成相同渲染结果，这些差异导致攻击面复杂且难以理解，并带来数据外泄和数据分裂（data schizophrenia）等安全风险。语法推断可用于刻画数据格式背后的实际语言生成器，但现有研究多面向自然语言，不支持类型递归等关键特性。作者在回顾现有方案后，决定采用强化学习作为更灵活的框架，并针对解析任务的高度相互依赖环境，对传统 RL 的时序决策机制进行了多项算法改造。实验表明，该算法能够学习简单数据格式中的递归控制结构，并能从 PDF 片段中提取有意义的结构。相比仅能处理正则语言或成分句法分析的旧方法，RL-GRIT 超越了这两类表达能力的限制，并展示了学习上下文相关语言的清晰路径。该算法可作为理解实际数据格式生态系统的构建基石。本文的主要贡献在于提出一种新的语法推断机制，将 RL 应用于数据格式的逆向理解，并验证了其在递归与非正则结构上的有效性。适合安全研究人员、协议逆向工程师以及对 LLM 之外格式解析感兴趣的学者阅读。

本文报告了一个名为“文件观测站”（File Observatory）的研究项目，旨在收集和分析大规模多样化的文件集合，以支持安全解析器的开发。项目背景是解析不可信数据极其困难，错误处理恶意构造的数据会导致广泛漏洞。语言理论安全（LangSec）哲学提倡在软件开发生命周期中使用形式化正确且可验证的输入处理，而构建广泛的文件语料库是开发安全解析器的关键组成部分，可帮助开发者理解特定格式的问题空间，并作为模糊测试及其他自动化测试的种子。本文继承了2020年LangSec会议的早期工作，最初重点是可移植文档格式（PDF）及通常嵌入PDF的文件格式。本次论文报告了新增的缺陷跟踪器语料库（bug tracker corpus）和新的分析方法。该观测站将支持开发者分析文件格式的多样性、识别常见缺陷模式，并促进基于LangSec的解析器开发。实验部分（未在摘要中详述）应展示了语料库的规模、覆盖范围以及新方法在发现潜在问题上的有效性。对于安全工程师，该工具可帮助理解实际文件格式中的异常和攻击面，从而设计更健壮的解析器。

本文针对文件格式合规性评估中单解析器不可靠的问题，提出一种基于多解析器错误消息集合的统计检测方法。研究背景指出，由于解析器和格式规范本身存在缺陷，合规文件可能解析失败，而非合规文件却能被顺利读取，后者带来显著安全风险。作者建议，评估文件格式合规性的更好方式是检查一组解析器产生的错误信息，而非依赖单一解析器。如果已有合规与非合规文件样本，则可利用基于伪似然比的统计检验高效判断文件的合规性和安全性。该方法与具体格式无关，不直接依赖格式的正式规范。论文以PDF格式（ISO 32000-2）为例进行说明，但未使用任何PDF特有细节。此外，作者展示主成分分析（PCA）可帮助格式规范设计者评估文件与解析器样本的质量和结构。实验表明，尽管这些测试非常基础，但用于衡量文件格式变异性和识别非合规文件既新颖又出奇有效。本文适合安全分析师、文件格式规范设计者以及关注文件解析安全性的研究人员阅读。