Python Import as an Execution Boundary: An Empirical Study of Bugs, Vulnerabilities, and Analysis Gaps
该论文关注一个长期被安全社区低估的问题：Python 的 import 语句不仅是依赖解析机制，更是一个执行边界——在模块与包的初始化阶段就会实际执行代码。这种执行可能触发异常、动态加载模块或原生扩展、访问文件/网络/环境资源，甚至在应用尚
#python
共收录 7 条相关情报。
← 返回所有主题A Comprehensive Study of Native Code Bugs in Python Applications
Python 应用在机器学习、科学计算等关键领域广泛存在，这些应用常通过集成 C 等底层语言编写的原生代码来提升性能或实现互操作。然而，原生代码中的缺陷（即 native code bugs）通常隐蔽且难以察觉，给整个 Python 应用的
Beyond Source: An Empirical Study of Python Bytecode Security Risks
该实证研究聚焦于 Python 字节码作为安全工件的风险，揭示了当前 Python 包安全机制主要依赖源代码检查，但 Python 运行时可直接执行 .pyc 文件、编译模块和序列化后的代码对象，造成检查与执行之间的差距。研究者收集了 1,
No Snake Oil: Verifying Python Package Builds
该论文关注Python包供应链安全中的重建验证问题。Python已成为AI交互的主流语言，包主要通过PyPI分发，但恶意注入风险日益突出。独立重建包（在加固环境中重新构建）可以生成构建溯源，提高包的可靠性。现有两个大规模重建工具macaro
PickleFuzzer: A Case Study in Fuzzing for Discrepancies Between Python Pickle Implementations.
Python原生的序列化协议pickle虽然功能强大，但存在已知的安全风险，尤其是在传输不可信数据或保存机器学习模型时。为了缓解风险，开发者通常会在反序列化时限制导入的模块，或使用静态和动态分析工具检测恶意负载。然而，这些方法依赖于对Pic
Walking The Last Mile: Studying Decompiler Output Correction in Practice.
本论文首次开展了大规模的人类辅助Python反编译实践研究。研究数据来自pylingual.io平台，涉及181,646个PYC二进制文件、9,003个用户提交的修补补丁以及393个经过准确性验证的补丁。论文分析了逆向工程师如何应对不准确的
What You See Is Not What You Execute: Memory-Based Runtime SBOM Generation for Supply Chain Security
现代软件开发高度依赖来自公共仓库的第三方组件，这扩大了软件供应链攻击面。为了应对这一风险，美国联邦倡议推动了软件物料清单（SBOM）作为标准化机制，通过描述软件组件、依赖关系及其关联来提升透明度。然而，基于元数据或文件系统工件构建的SBOM