该论文针对Android恶意软件检测问题，指出现有方法基于表面信号（如学习特征或代码片段）进行检测，容易产生误报和漏报，因为偏离代理信号并不等同于恶意。作者提出行为导向的检测方法，并实现系统Praxis。Praxis采用假设-确认-判断流水线：首先从粗粒度静态信号假设候选行为，然后通过程序分析验证代码证据来确认行为，最后在上下文中判断确认的行为是否真正恶意（考虑用户意识、应用功能上下文以及它们如何组合成攻击）。对于恶意应用，Praxis返回判决和支持的行为。实验在三个挑战性场景下与七种基线方法对比，整体F1达到87.4%，比基线提高18.6-34.8个百分点；在高权限良性应用上，误报率降至13.0%，比基线降低41.1-67.0个百分点；在细粒度恶意行为恢复上，F1达到87.3%，比先前行为级方法提高56.5-73.4个百分点。消融实验证明各阶段均有贡献。

该论文提出了一种名为JUNID的方法，旨在提升静态分析中处理不完整句子交集问题的渐近最优性。静态分析是软件安全中的重要技术，用于在不执行程序的情况下检测潜在漏洞。然而，当分析涉及不完整的程序片段或部分代码时，现有交集算法的效率可能下降。JUNID通过理论优化，实现了在渐近意义下最优的交集计算，从而更高效地处理不完整句子。该方法可能适用于符号执行、抽象解释等场景，能够提高静态分析工具的精度和速度。由于仅提供摘要，具体算法细节和实验验证需参考全文。该研究为静态分析领域提供了理论贡献，尤其对需要处理部分代码的漏洞检测场景具有潜在价值。

本文提出了一种名为“libcue”的演示系统，用于检测第三方库中的各种问题，包括代码异味、反模式、配置错误以及已知漏洞等。该系统的核心方法是通过组合静态分析和动态分析来全面评估第三方库的质量与安全性。静态分析部分用于识别代码结构中的潜在问题，如不安全的API使用、错误的配置模式等；动态分析则通过运行时监控来捕获实际执行中的异常行为或安全违规。作者在多个真实世界场景中验证了该系统的有效性，能够成功发现一些先前未被注意的库问题。这篇论文的主要贡献在于提供了一种可扩展且高效的第三方库问题检测工具，帮助开发者在集成第三方依赖时降低安全风险。实验结果表明，libcue在准确率和召回率上均优于传统单一分析方法，特别适用于大型项目中的复杂依赖管理。